OpenAI a publié le 22 septembre au soir GPT-6 Sol et GPT-6 Luna, deux modèles placés sous le vaisseau amiral Astra. Sol est facturé 2 dollars par million de tokens en entrée et 10 en sortie ; Luna 0,10 et 0,50. C'est environ la moitié des tarifs de leurs prédécesseurs, et l'entreprise confirme qu'il s'agit de prix permanents. La sortie intervient quelques heures après Claude Opus 5.5, également annoncé avec une forte baisse.
Deux laboratoires concurrents ont mené leur annonce avec le prix, le même soir. C'est le fait le plus significatif de la semaine, et il en dit plus long que les scores.
Les tarifs, mis côte à côte
| Modèle | Entrée / M | Sortie / M | Variation |
|---|---|---|---|
| GPT-6 Sol | 2,00 $ | 10,00 $ | −50 % / −50 % |
| GPT-5.6 Sol (précédent) | 4,00 $ | 20,00 $ | tarif promotionnel |
| GPT-6 Luna | 0,10 $ | 0,50 $ | −50 % / −58 % |
| GPT-5.6 Luna (précédent) | 0,20 $ | 1,20 $ | — |
| Claude Opus 5.5 (même soir) | 4,00 $ | 20,00 $ | −20 % affiché, −40 % réel |
Deux détails méritent attention.
Les prix de Sol correspondent exactement à ceux de Claude Sonnet 5 sur chaque ligne publiée par les deux fournisseurs : 2 dollars en entrée, 0,20 pour une lecture de cache, 10 en sortie. Cet alignement n'est probablement pas un hasard.
La comparaison est faite contre un tarif temporaire. La baisse de 50 % se mesure par rapport au tarif promotionnel de GPT-5.6 Sol, garanti seulement jusqu'au 21 novembre 2026. Personne ne sait ce que coûtera l'ancien modèle après. C'est exactement le piège que nous décrivions avec la fin du tarif promotionnel de Sonnet 5 : une réduction annoncée contre un prix de conquête n'est pas une réduction contre un prix de marché.
L'astérisque que le communiqué ne met pas en avant
Voici le point le plus intéressant, et il demande de lire les données derrière les graphiques plutôt que les points choisis pour l'annonce.
Sur deux des six évaluations mises en avant — un test de codage agentique et un test d'usage d'ordinateur —, le meilleur score de GPT-6 Sol est inférieur à celui de GPT-5.6 Sol : environ 68,8 % contre 72,7 %, et 64,4 % contre 66,2 %. Sur ces deux mêmes tests, Claude Opus 5 faisait également mieux.
Autrement dit : sur certaines tâches, le modèle plus récent est moins performant que celui qu'il remplace. Ce n'est pas une anomalie, et OpenAI ne le cache pas — l'entreprise positionne explicitement ces modèles sur l'efficacité plutôt que sur un nouveau plafond de capacité. Mais c'est une information que « prix divisés par deux » ne laisse pas deviner.
Un modèle moins cher qui score un peu moins n'est pas un mauvais modèle : c'est un arbitrage, et il peut être excellent. Sur un test d'automatisation de flux métier, Sol atteint 33,2 % à effort maximal pour 27 centimes par tâche — devant Astra à effort faible, qui obtient 30,3 % en coûtant près de quatre fois plus, et devant Opus 5 à effort maximal, qui obtient 26,9 % en coûtant onze fois plus. Le bon critère n'est donc pas le score mais le couple score-coût à un niveau d'effort donné. Un modèle qui perd quatre points et divise sa facture par onze gagne dans la plupart des usages réels.
Luna, le modèle dont personne ne parlera
C'est probablement le produit le plus conséquent de l'annonce, et il est le moins spectaculaire.
À 0,10 dollar par million de tokens en entrée, Luna coûte environ un dixième de Claude Haiku 4.5, et une fraction de ce que facture le dernier modèle de xAI sorti la veille.
À ce niveau, un poste entier de dépense disparaît. Classification, extraction de champs, détection d'intention, filtrage : tout ce que nous rangions dans la catégorie « moins de 3 milliards de paramètres » de notre guide des tailles devient facturable à des montants négligeables.
C'est le même basculement que nous décrivions pour la transcription à dix centimes de l'heure : quand une opération devient assez peu chère, ce n'est pas son volume qui augmente, c'est sa nature qui change. On cesse d'arbitrer et on traite tout.
Les caractéristiques
Les deux modèles partagent un contexte d'environ 1,05 million de tokens et jusqu'à 128 000 tokens en sortie, avec des réglages de raisonnement allant de nul à maximal. Ils acceptent texte et image en entrée, produisent du texte, et disposent des outils d'agent habituels.
Les dates de coupure des connaissances sont le 20 avril 2026 pour Sol et le 18 mai pour Luna. Les identifiants sont gpt-6-sol et gpt-6-luna.
Côté déploiement, les deux arrivent dans l'environnement de travail et l'outil de codage pour les formules payantes ; Luna est accessible aux comptes gratuits via l'application de bureau. Aucun des deux n'est proposé dans l'interface de conversation ordinaire au lancement.
OpenAI revendique par ailleurs environ deux fois moins d'erreurs factuelles pour Sol que pour son prédécesseur, sur une évaluation interne.
Ce que la simultanéité raconte
Deux concurrents qui mènent leur annonce avec le prix, le même soir, à quelques heures d'intervalle : c'est le fait structurel de la semaine.
Il confirme ce que nous décrivons depuis un mois. La compétition ne porte plus sur le plafond de capacité — Astra reste au sommet chez l'un, Fable 5.1 chez l'autre, et aucun des deux n'a bougé cette semaine. Elle porte sur le coût par tâche accomplie, parce que c'est ce qui décide si un produit à base d'agents est rentable.
Nous l'écrivions à propos de la startup valorisée 1,4 milliard qui n'entraîne aucun modèle : la couche de base se banalise et la valeur remonte vers ce qu'on construit dessus. Une guerre des prix entre les deux principaux fournisseurs est la traduction financière de cette banalisation.
Ce qu'il faut retenir
Pour un utilisateur, la semaine est excellente : deux fournisseurs majeurs ont baissé leurs tarifs le même jour, et la concurrence sur l'inférence que nous documentions avec l'accord Qualcomm-Amazon commence à produire ses effets jusqu'à la facture.
Pour choisir, la méthode ne change pas et devient plus rentable que jamais. Reprenez vos cas de référence, testez au même niveau d'effort, et comparez le coût par tâche réussie — pas le score, pas le tarif affiché.
Et gardez en tête l'astérisque : un modèle plus récent n'est pas nécessairement meilleur sur votre tâche. Sur deux tests, celui-ci fait moins bien que celui qu'il remplace. C'est le sujet que nous traitons juste après dans un article dédié.