OpenAI lance GPT-6 Sol et Luna : coûts API divisés par deux

GPT-6 Sol et Luna complètent la gamme la plus ambitieuse d'OpenAI

Dix-neuf jours après le lancement de GPT-6 Astra le 3 septembre 2026, OpenAI a annoncé le 22 septembre deux nouveaux modèles : GPT-6 Sol et GPT-6 Luna. Ces deux ajouts complètent ce que la société qualifie de « famille à trois niveaux » couvrant l'intégralité du spectre de coût-performance, d'Astra pour le raisonnement d'entreprise haut de gamme jusqu'à Luna pour le traitement documentaire à très grande échelle. La stratégie est explicite : proposer un modèle GPT-6 pour chaque cas d'usage, sans laisser de segment à la concurrence.

Le modèle phare de la paire, GPT-6 Sol, est positionné entre Astra et les modèles GPT-5.6. Son tarif d'API est fixé à 2 dollars par million de tokens en entrée et 10 dollars par million en sortie, soit exactement la moitié des prix de GPT-5.6 Sol (/0). Un porte-parole d'OpenAI a confirmé à VentureBeat que ces tarifs sont permanents, pas des prix de lancement. GPT-6 Luna descend encore plus bas avec 0,10 dollar par million en entrée et 0,50 dollar en sortie — une tarification qui le place directement en concurrence avec les modèles « flash » et « mini » du marché.

Les résultats de benchmarks sont nuancés et méritent une lecture attentive. Sur AutomationBench, le référentiel d'automatisation des tâches développé par des chercheurs indépendants, GPT-6 Sol obtient 33,2 % avec un coût moyen de 0,27 dollar par tâche. Pour comparaison, Claude Opus 5 d'Anthropic score 26,9 % à environ 3 dollars par tâche, ce qui donne à Sol un avantage de coût de 11x pour une performance 24 % supérieure. Sur ce benchmark, Sol représente un progrès clair dans la frontière coût-performance.

L'image est moins flatteuse sur OSWorld 2.0, le benchmark d'utilisation d'ordinateur (computer use) qui simule des interactions avec une interface graphique réelle. GPT-6 Sol y obtient 60,5 % à effort maximum (xhigh), contre 65,7 % pour GPT-5.6 Sol. Cette régression sur la dimension computer-use est notable car OpenAI avait annoncé que GPT-6 Astra marquait une percée dans cette capacité. Sol semble avoir sacrifié une partie des gains en computer-use au profit de l'efficacité générale.

GPT-6 Luna, le modèle ultraléger, n'a pas encore de benchmarks publics complets disponibles au moment de la publication de cet article. Les premières évaluations publiées par des développeurs sur le forum OpenAI Developer Community indiquent des performances similaires à GPT-5.6 Sol sur les tâches de classification, extraction et résumé simples, tout en étant entre 8 et 40 fois moins coûteux selon les cas d'usage. Ce positionnement en fait un candidat sérieux pour les applications d'analyse documentaire à très haut volume, les pipelines d'enrichissement de données, et les agents de première ligne en RAG multicouches.

La structure tarifaire complète de la famille GPT-6 est maintenant : Astra à 0/0, Sol à /0, Luna à /bin/bash,10//bin/bash,50. Cette architecture reprend le modèle de Google avec Gemini Ultra/Pro/Flash et d'Anthropic avec Claude Opus/Sonnet/Haiku, mais avec des prix qui creusent l'écart entre niveaux de façon plus agressive. Sol est 5x moins cher qu'Astra, et Luna est 20x moins chère que Sol.

Du côté des capacités techniques, OpenAI précise que Sol supporte une fenêtre de contexte de 256 000 tokens, la vision multimodale, les appels de fonctions (function calling) et le mode de raisonnement étendu. Luna partage les mêmes interfaces mais avec une fenêtre de contexte réduite à 128 000 tokens et sans mode de raisonnement étendu. Les deux modèles sont disponibles immédiatement via l'API OpenAI et seront intégrés à ChatGPT dans les prochaines semaines selon le calendrier annoncé par OpenAI.

Une guerre des prix qui remodèle l'industrie IA

Le lancement de GPT-6 Sol et Luna s'inscrit dans une compression spectaculaire des coûts d'inférence qui caractérise 2026. En deux ans, le coût d'accès à un modèle de type GPT-4 a chuté d'un facteur proche de 100. Cette déflation est portée par une combinaison de facteurs : optimisations d'architecture comme le Mixture-of-Experts (MoE), spécialisation du hardware d'inférence, économies d'échelle et concurrence frontale entre OpenAI, Anthropic, Google DeepMind et les acteurs open-weight comme Meta et Mistral AI.

La pression compétitive la plus notable vient des modèles open-weight. Llama 4 de Meta et les récentes versions de Mistral permettent à des organisations de déployer des capacités proches de GPT-5.6 Sol sur leur propre infrastructure, à un coût marginal quasi nul une fois le hardware amorti. OpenAI répond en agressant sur les prix des modèles propriétaires tout en maintenant une différenciation sur les capacités frontier — raisonnement, computer-use, coding avancé — que les modèles open-weight n'ont pas encore rattrapé.

Pour les entreprises qui construisent des applications sur ces API, la dynamique crée à la fois des opportunités et des risques. L'opportunité est évidente : des cas d'usage jusque-là économiquement non viables — analyse exhaustive de documents juridiques, enrichissement de catalogues e-commerce à l'échelle, agents de support niveau 1 — deviennent accessibles. Le risque est celui de la dépendance fournisseur (vendor lock-in) : migrer une application de GPT-6 Sol vers un concurrent nécessite de ré-évaluer les performances sur les données propriétaires, et les écarts de comportement entre modèles sont souvent plus importants que les benchmarks publics ne le suggèrent.

L'enjeu pour la sécurité des applications IA mérite également attention. Des modèles moins chers encouragent des déploiements à plus grande échelle et dans des contextes à moindre supervision humaine. La surface d'attaque des applications GPT-based s'élargit mécaniquement : plus d'instances, plus de données sensibles traitées, plus de surfaces d'injection de prompts. Les équipes de sécurité doivent calibrer leurs politiques de contrôle des usages IA en tenant compte de cette explosion de volume prévisible.

Ce qu'il faut retenir

• GPT-6 Sol offre des performances supérieures à GPT-5.6 Sol sur les tâches d'automatisation à la moitié du prix — une mise à niveau économiquement attractive pour la plupart des intégrations API existantes.
• GPT-6 Luna ouvre de nouveaux cas d'usage à très haut volume à 0,10$/million de tokens, mais sans mode de raisonnement étendu ni fenêtre de contexte maximale.
• La régression de Sol sur OSWorld 2.0 (computer-use) rappelle que les gains de coût peuvent cacher des régressions sur certaines dimensions — toujours évaluer sur vos données réelles avant de migrer.