Avec ChatGPT Work, le réflexe naturel est tentant : prendre le modèle le plus puissant disponible pour toutes les tâches.
Depuis l’arrivée de GPT-6 Astra, c’est encore plus vrai. Pourquoi utiliser Luna ou Terra quand on peut lancer Astra ?
Parce qu’en pratique, c’est probablement la meilleure manière de vider inutilement son quota.
OpenAI le dit désormais assez clairement : dans Work et Codex, le modèle utilisé, le niveau de raisonnement, la longueur des entrées et sorties, le mode rapide et la complexité de la tâche influencent directement la consommation du quota.
Et les différences sont loin d’être anecdotiques.
Quatre modèles, quatre usages
Pour un abonnement ChatGPT Plus, OpenAI donne actuellement les estimations suivantes par fenêtre de cinq heures :
| Modèle | Messages estimés / 5 h | Usage conseillé |
|---|---|---|
| GPT-5.6 Luna | 250 à 2 000 | Petites tâches ciblées et répétitives |
| GPT-5.6 Terra | 25 à 200 | Travail quotidien |
| GPT-5.6 Sol | 10 à 100 | Développement et tâches complexes |
| GPT-6 Astra | 5 à 45 | Problèmes réellement difficiles |
Ce ne sont pas des limites fixes : une modification de trois lignes dans un fichier ne consomme évidemment pas autant qu'une analyse complète d'un gros projet. Mais ces fourchettes donnent une excellente idée des différences de consommation.
Le constat est assez spectaculaire : Luna permet environ dix fois plus de messages que Terra dans les estimations d'OpenAI, et Terra permet lui-même sensiblement plus de travail que Sol.
Autrement dit : lancer Astra pour renommer une variable revient un peu à prendre une pelleteuse pour planter un géranium.
Luna : beaucoup plus intéressant qu'il n'en a l'air
Luna est présenté par OpenAI comme son modèle rapide et économique pour les tâches ciblées : extraction d'informations, classement, petites modifications, opérations répétitives, etc.
C'est donc un excellent candidat pour :
modifier quelques textes ;
rechercher une information dans des fichiers ;
effectuer une petite modification de code bien définie ;
reformater des données ;
produire un résumé ;
exécuter une tâche répétitive dont la procédure est déjà connue.
Et il ne faut pas confondre « modèle économique » et « modèle idiot ».
Lors de la présentation de GPT-5.6, OpenAI obtenait sur son benchmark professionnel Agents' Last Exam 50,3 % pour Luna, 50,4 % pour Terra et 52,7 % pour Sol. Ce benchmark ne permet évidemment pas de dire que ces trois modèles sont équivalents dans tous les domaines, mais il montre que, sur certaines tâches agentiques, l'écart peut être beaucoup plus faible que l'écart de consommation.
Pour une tâche simple et correctement décrite, commencer par Luna est donc parfaitement rationnel.
Terra : probablement le meilleur modèle par défaut
S'il fallait n'en retenir qu'un pour travailler quotidiennement avec Work, Terra constitue un excellent point de départ.
OpenAI le décrit précisément comme le compromis entre vitesse, capacité et coût pour le travail courant : rédaction, analyse de documents ou modifications classiques de code.
Pour un développeur, cela correspond à énormément de tâches :
correction d'un bug identifié, ajout d'un champ, modification d'une vue, création d'un test, refactoring localisé, analyse d'un fichier ou ajout d'une fonctionnalité dont l'architecture est déjà connue.
La bonne stratégie n'est donc pas forcément :
Astra → si le quota descend trop vite, passer à Sol.
Elle serait plutôt :
Luna → Terra → Sol → Astra, en montant uniquement lorsque la difficulté le justifie.
Sol : lorsque Terra commence réellement à peiner
Sol reste un modèle beaucoup plus adapté lorsque la tâche nécessite de comprendre plusieurs fichiers, raisonner sur une architecture ou prendre des décisions techniques moins évidentes.
OpenAI le positionne comme un équilibre entre capacités et efficacité pour la programmation, la recherche et le travail professionnel complexe.
Typiquement :
« Implémente cette fonctionnalité dans mon application Laravel en respectant l'architecture existante et ajoute les tests. »
Voilà une tâche pour laquelle Sol a du sens.
En revanche :
« Dans ce formulaire Filament, remplace ce champ texte par un Select utilisant cette relation. »
Terra, voire Luna si le contexte est bien fourni, peut largement suffire.
Astra : excellent, mais à sortir quand il apporte réellement quelque chose
GPT-6 Astra est aujourd'hui le modèle le plus puissant proposé dans Work pour les tâches difficiles. OpenAI le destine notamment aux problèmes complexes de programmation, de recherche, d'analyse et d'utilisation autonome de l'ordinateur.
Les benchmarks montrent que le gain existe réellement.
Sur Agents' Last Exam, dans les tests publiés avec Astra, OpenAI annonce 59,3 % pour Astra contre 53,6 % pour GPT-5.6 Sol. Sur Terminal-Bench 4.0, consacré au travail en environnement informatique, Astra atteint 57,9 % contre 37,3 % pour Sol.
Astra devient donc particulièrement intéressant pour un bug difficile, une grosse migration, l'analyse d'un projet inconnu, un travail autonome comportant de nombreuses étapes ou une situation dans laquelle les modèles inférieurs ont déjà échoué.
Pas nécessairement pour créer un CRUD.
Et inutile de mettre Astra « à fond » systématiquement
La vidéo de RoboNuggets qui a inspiré cet article insiste sur un autre point important : augmenter le niveau de raisonnement n'améliore pas proportionnellement les résultats.
Les mesures actuelles d'Artificial Analysis vont dans le même sens.
Sur leur Intelligence Index, Astra passe actuellement d'un score de 51 en High à 52 environ en Extra High, alors que le coût moyen du benchmark passe d'environ 1,73 $ à 2,31 $ par tâche. Passer ensuite à Max atteint environ 53 points pour 3,26 $ par tâche.
Le passage d'Extra High à Max représente donc environ 40 % de coût supplémentaire pour un gain très faible sur cet indice.
Cela ne signifie pas que Max ne sert jamais. Cela signifie qu'il faut le réserver aux situations où ce supplément de raisonnement a une chance réelle de débloquer le problème.
OpenAI conseille d'ailleurs explicitement de commencer avec un niveau d'effort faible ou moyen et de ne l'augmenter qu'après avoir examiné le résultat. Un effort supérieur consomme davantage et ne garantit pas un meilleur résultat.
La règle simple à retenir
Pour préserver son quota Work sans sacrifier la qualité :
Luna pour exécuter. Terra pour travailler. Sol pour réfléchir. Astra pour débloquer.
Et si Astra est nécessaire, commencez avec un niveau de raisonnement raisonnable avant de pousser les curseurs.
C'est finalement la même logique qu'avec n'importe quel outil informatique : le meilleur modèle n'est pas systématiquement le plus puissant. C'est le moins coûteux capable d'accomplir correctement la tâche.
Une dernière astuce issue de la vidéo mérite d'être retenue : choisir son modèle avant de démarrer une longue session. Changer de modèle en cours de conversation peut obliger le nouveau modèle à retraiter une grande quantité de contexte et réduire le bénéfice du cache.
Avec Work, économiser son quota ne consiste donc pas à moins utiliser l'IA.
Il s'agit surtout d'arrêter d'utiliser un marteau-piqueur lorsque le tournevis suffisait.
Un besoin en lien avec ce sujet ?
Échangeons ensemble ↗