OpenAI lance GPT-6 Sol et GPT-6 Luna avec une promesse moins spectaculaire qu’un nouveau modèle géant, mais potentiellement plus importante pour les usages quotidiens : rendre l’intelligence de la famille GPT-6 beaucoup moins chère à utiliser.
GPT-6 Sol coûte 2 dollars par million de tokens en entrée et 10 dollars en sortie dans l’API. GPT-6 Luna descend à 0,10 dollar en entrée et 0,50 dollar en sortie. OpenAI indique que ces tarifs représentent une baisse de 50 % par rapport aux tarifs promotionnels de GPT-5.6 Sol et Luna.
Pour les créateurs, consultants, freelances et petites entreprises, le signal est clair : la prochaine étape de l’IA n’est pas seulement d’obtenir un modèle plus intelligent. Elle consiste à choisir le niveau d’intelligence réellement nécessaire à chaque tâche afin d’automatiser davantage sans faire exploser les coûts.
Informations vérifiées le 23 septembre 2026. OpenAI indique que Sol et Luna sont disponibles dès aujourd’hui dans ChatGPT Work et Codex pour les utilisateurs Plus, Pro, Business, Enterprise et Edu. Les utilisateurs Free et Go peuvent accéder à GPT-6 Luna dans l’application desktop. Le déploiement dans ChatGPT est progressif au cours de la journée et les deux modèles sont disponibles dans l’API sous les noms gpt-6-sol et gpt-6-luna.
GPT-6 Sol et Luna : ce qu’OpenAI annonce réellement
OpenAI avait lancé GPT-6 Astra au début du mois comme son modèle le plus capable pour les tâches complexes, le computer use, la recherche et les workflows professionnels de bout en bout. Sol et Luna ne remplacent pas Astra. Ils complètent la famille GPT-6 avec un compromis différent entre intelligence, vitesse et coût.
OpenAI présente GPT-6 Sol comme le modèle destiné aux travaux difficiles du quotidien qui nécessitent davantage de raisonnement, mais pour lesquels utiliser Astra à chaque requête serait disproportionné. GPT-6 Luna vise les tâches à fort volume, plus rapides et beaucoup moins coûteuses.
Cette segmentation est importante. Pendant plusieurs années, le réflexe consistait à chercher le modèle le plus puissant disponible. Avec des agents qui peuvent exécuter des dizaines ou des centaines d’étapes, le coût par action devient aussi important que la performance brute.
Dans l’API, GPT-6 Sol passe à 2 dollars par million de tokens d’entrée et 10 dollars en sortie. GPT-6 Luna coûte 0,10 dollar en entrée et 0,50 dollar en sortie. OpenAI maintient Astra comme son meilleur modèle global et recommande de le réserver aux tâches où la qualité maximale justifie son coût.
Pourquoi cette baisse de prix compte davantage qu’elle n’en a l’air
Une conversation ponctuelle consomme relativement peu de ressources. Un workflow agentique est différent. L’agent peut lire un historique, rechercher plusieurs sources, appeler des outils, revenir sur ses résultats, produire un brouillon, le corriger puis déclencher une autre étape. Une seule mission peut donc générer de nombreux appels au modèle.
OpenAI met également en avant une amélioration du prompt caching. Le principe est simple : lorsqu’une application réutilise une grande partie du même contexte, elle n’a pas besoin de retraiter intégralement cette information à chaque appel. Les lectures d’entrées mises en cache peuvent bénéficier d’une réduction de 90 %. OpenAI indique aussi que GitHub a réduit de plus de 50 % la part de tokens de prompts nécessitant un nouveau traitement sur des milliards de requêtes grâce à ces améliorations.
Pour une petite entreprise, cela change la manière de calculer la rentabilité d’une automatisation. La question n’est plus seulement : « quelle IA donne la meilleure réponse ? ». Elle devient : « quelle qualité est nécessaire ici, combien de fois cette tâche sera-t-elle exécutée et quel modèle offre le meilleur rapport entre résultat et coût ? »
Le point de vue VIFLY : l’IA professionnelle entre dans une phase où savoir choisir le bon modèle devient aussi important que savoir écrire un bon prompt. Utiliser le modèle le plus puissant pour chaque micro-tâche est l’équivalent numérique d’utiliser un consultant senior pour recopier des données.
Deux exemples concrets pour les utilisateurs VIFLY
Un créateur qui transforme une vidéo en plusieurs contenus
Imaginons un créateur qui publie une vidéo longue chaque semaine. Son workflow comprend la transcription, l’identification des moments forts, cinq propositions de posts, une newsletter, des descriptions sociales et une synthèse des commentaires.
La transcription, le classement de commentaires ou la transformation de formats peuvent être confiés à un modèle rapide et économique comme Luna. L’analyse éditoriale, la sélection de l’angle principal ou la rédaction d’un article stratégique peuvent justifier Sol. Une mission exceptionnellement complexe, qui croise beaucoup de documents ou doit produire un livrable à fort enjeu, peut rester réservée à Astra.
Cette architecture permet de conserver l’humain là où sa valeur est la plus forte : le point de vue, l’expérience, la validation et la relation avec l’audience. Le LinkHub VIFLY peut ensuite centraliser les destinations utiles issues de ces contenus au lieu de disperser l’audience entre plusieurs liens.
Un consultant qui prépare ses rendez-vous automatiquement
Un consultant reçoit plusieurs demandes de rendez-vous par semaine. Pour chacune, un workflow peut récupérer les informations fournies par le prospect, résumer son besoin, classer le type de mission et préparer une fiche de rendez-vous.
Une grande partie de cette préparation ne nécessite pas systématiquement le modèle le plus coûteux. Luna peut traiter les opérations répétitives, Sol peut préparer la synthèse et les questions pertinentes, puis le consultant valide avant le rendez-vous. Si la prise de rendez-vous passe par VIFLY Booking, le parcours est déjà plus structuré : disponibilité, service et réservation deviennent des données exploitables plutôt qu’une suite de messages informels.
Le gain ne vient donc pas seulement d’un modèle moins cher. Il vient de la possibilité de construire un workflow où chaque étape utilise le niveau d’intelligence adapté.
Sol, Luna ou Astra : ne choisissez plus un modèle par prestige
GPT-6 Astra reste le modèle qu’OpenAI positionne pour les projets les plus exigeants. Sol vise un équilibre plus accessible entre capacité et coût. Luna vise davantage la vitesse, le volume et l’économie.
OpenAI publie plusieurs évaluations montrant que Sol progresse nettement sur les workflows professionnels, la factualité, le code et l’utilisation d’un ordinateur. Sur AutomationBench, qui teste des workflows de bout en bout à travers 47 outils dans des domaines comme le marketing, la vente, les opérations et la finance, GPT-6 Sol obtient selon OpenAI 33,2 % à l’effort xhigh pour un coût de 0,27 dollar par tâche dans la configuration mesurée.
Ces benchmarks sont utiles pour comparer des tendances, mais ils ne doivent pas devenir des arguments absolus. Un score de benchmark ne reproduit pas votre activité, vos documents, vos contraintes ni la qualité de vos données.
Le bon test consiste à prendre une vraie tâche répétitive et à mesurer trois choses : temps gagné, taux d’erreur et coût total. Si Luna réalise correctement 90 % d’un workflow pour une fraction du prix, utiliser Astra par défaut n’apporte pas forcément de valeur. Si une analyse complexe influence une décision commerciale importante, économiser quelques centimes au détriment de la qualité peut être une mauvaise optimisation.
Nuances et points de vigilance
Première nuance : les prix annoncés ici concernent l’API. L’expérience et les limites dans ChatGPT dépendent des abonnements et des quotas appliqués par OpenAI. Il ne faut donc pas transformer une baisse du prix API en promesse de baisse de prix de l’abonnement ChatGPT.
Deuxième nuance : OpenAI précise que le déploiement dans ChatGPT est progressif pendant la journée du 23 septembre. L’absence de Sol ou Luna dans un compte au moment de la lecture ne signifie donc pas nécessairement que ce compte est exclu.
Troisième nuance : les modèles ne sont pas encore disponibles de la même manière sur toutes les surfaces. OpenAI indique explicitement leur disponibilité dans ChatGPT Work et Codex pour les plans éligibles, Luna dans l’application desktop pour Free et Go, et un déploiement progressif dans ChatGPT. La situation peut évoluer rapidement.
Enfin, un modèle moins cher peut encourager à automatiser davantage. Cela ne doit pas conduire à donner davantage de permissions. Une IA chargée de préparer un email n’a pas forcément besoin de pouvoir l’envoyer. Une IA qui analyse des réservations n’a pas besoin de modifier les paiements. La baisse du coût d’exécution ne réduit pas le besoin de validation humaine.
Que faire maintenant ? Construire une vraie stratégie de modèles
- Listez trois tâches répétitives. Choisissez des tâches que vous réalisez chaque semaine : synthèse, préparation de contenu, qualification de demandes ou analyse de données.
- Classez-les par niveau de risque. Une reformulation est faible risque. Une proposition commerciale ou une action sur un compte client est plus sensible.
- Testez le modèle le moins coûteux capable de réussir. Commencez bas, puis montez en gamme uniquement lorsque la qualité l’exige.
- Mesurez le résultat réel. Temps, corrections nécessaires, coût et qualité finale valent davantage qu’un benchmark général.
- Gardez une validation humaine aux points critiques. Publication, paiement, suppression, engagement contractuel et communication client sensible doivent rester contrôlés.
- Structurez votre parcours. Une IA fonctionne mieux lorsque les informations et actions sont claires. VIFLY permet de centraliser sa présence, tandis que LinkHub organise les destinations et Booking structure la réservation.
Cette méthode évite deux excès : payer trop cher pour des tâches simples et sous-dimensionner le modèle sur les tâches qui comptent vraiment.
Le vrai changement : l’intelligence devient une ressource à allouer
GPT-6 Sol et Luna sont intéressants moins parce qu’ils ajoutent deux noms au sélecteur de modèles que parce qu’ils illustrent une nouvelle économie de l’IA.
Lorsque les modèles coûtent moins cher, les entreprises peuvent les intégrer à davantage d’étapes. Lorsque le caching progresse, les longues conversations et les agents qui réutilisent du contexte deviennent moins coûteux. Et lorsque plusieurs niveaux de modèles coexistent, l’orchestration devient une compétence.
Pour les indépendants, cela peut être une excellente nouvelle. Les grandes entreprises ont longtemps bénéficié d’équipes capables d’automatiser les opérations. Une petite structure peut désormais construire progressivement ses propres workflows, à condition de ne pas confondre automatisation et abandon du contrôle.
La stratégie VIFLY reste la même : utiliser l’IA pour réduire la friction entre une intention et un résultat, tout en gardant la valeur humaine là où elle compte. Sur le blog VIFLY, l’objectif n’est donc pas de suivre chaque nouveau modèle comme une course de chiffres, mais d’identifier ce qu’il change réellement dans le travail quotidien.
GPT-6 Astra a montré jusqu’où la famille GPT-6 pouvait aller. Sol et Luna posent une autre question, peut-être plus importante pour les usages courants : combien d’intelligence faut-il réellement acheter pour accomplir correctement une tâche ?
FAQ - Questions fréquentes
Quelle est la différence entre GPT-6 Astra, Sol et Luna ?
Astra reste le modèle le plus capable de la famille selon OpenAI. Sol vise un équilibre entre performances avancées et coût, tandis que Luna privilégie davantage la vitesse, le volume et un prix très bas.
Combien coûte GPT-6 Sol dans l’API ?
Au 23 septembre 2026, OpenAI affiche 2 dollars par million de tokens d’entrée et 10 dollars par million de tokens de sortie pour GPT-6 Sol.
Combien coûte GPT-6 Luna ?
OpenAI affiche 0,10 dollar par million de tokens d’entrée et 0,50 dollar par million de tokens de sortie dans l’API.
GPT-6 Sol et Luna sont-ils disponibles en France ?
OpenAI n’annonce pas dans son communiqué une restriction spécifique à la France. Les modèles sont disponibles dans les surfaces et plans indiqués, avec un déploiement progressif dans ChatGPT au cours de la journée. La disponibilité exacte peut donc dépendre du compte et du produit utilisé.
Faut-il remplacer Astra par Sol ?
Non. Le choix dépend de la tâche. Astra reste destiné aux besoins les plus exigeants. Sol peut être plus rationnel lorsque son niveau de performance suffit, notamment dans des workflows exécutés fréquemment.
Un indépendant a-t-il besoin de plusieurs modèles IA ?
Pas nécessairement au départ. Mais dès qu’une activité automatise plusieurs tâches, utiliser différents niveaux de modèles peut réduire les coûts tout en conservant davantage de puissance sur les étapes importantes.