GPT-6 : le mode d'emploi d'OpenAI pour passer du prototype à la production

Une gamme pensée comme un arbitrage

Le guide pose d'emblée le cadre : choisir un modèle GPT-6, c'est arbitrer entre capacité, coût et latence. GPT-6 Astra est réservé aux problèmes de raisonnement les plus durs, là où l'intelligence maximale est nécessaire.

GPT-6.1 Sol vise le code complexe, la recherche et le computer use. GPT-6 Luna cible le travail de masse au but clair : extraire des champs de factures, classer des demandes, produire des résumés structurés.

Le niveau de raisonnement se règle séparément. Low pour l'extraction ou les petites modifications, Medium pour planifier une fonctionnalité, High pour le débogage difficile. Extra high / Max n'est à conserver que si le gain justifie le temps et le coût supplémentaires.

Côté vitesse, le mode Fast offre des réponses plus rapides et plus régulières moyennant un tarif par token plus élevé. Ultrafast, disponible seulement pour Astra dans Codex et l'API, accélère la génération quel que soit l'effort de raisonnement.

La production, d'abord une affaire de contexte et de coûts

OpenAI insiste sur l'efficacité : couper le contexte inutile tout en gardant les éléments probants, et lancer en parallèle les tâches indépendantes pour qu'une étape lente ne bloque pas le reste.

Le prompt caching est mis en avant : les tokens d'entrée en cache coûtent jusqu'à 95 % moins cher selon le modèle. La recette consiste à placer instructions stables et documents de référence avant les détails variables, et à garder des définitions d'outils constantes.

Pour les longues conversations, la compaction réduit la taille du contexte en conservant l'état nécessaire. Avant tout déploiement, le guide recommande de mesurer le taux de succès, la latence et le coût par tâche réussie, et de prévoir monitoring et contrôles des données.

Prompts, skills et AGENTS.md : écrire un vrai cahier des charges

Le conseil central, attribué à Eric Provencher (Developer Experience chez OpenAI), tient en une phrase : donner au modèle une mission claire. Le résultat attendu, son destinataire, le contexte, les contraintes et ce qui compte comme terminé.

Les skills doivent avoir des descriptions courtes précisant quand les déclencher, charger les détails seulement si besoin, et troquer les recettes rigides contre des orientations adaptées aux modèles utilisés.

Le fichier AGENTS.md doit expliquer quand tel document ou tel test est pertinent et autoriser explicitement les routines sûres, comme lancer des tests locaux sur des données jetables sans accès à la production.

Enfin, le guide demande d'être prescriptif sur la persévérance : « terminé » inclut implémenter, exécuter, inspecter le résultat et corriger les échecs. Le modèle peut par exemple choisir l'organisation d'un résumé, mais doit consulter avant de modifier le périmètre du projet.

Des agents qui travaillent des heures, voire des jours

OpenAI affirme qu'avec GPT-6, on peut confier des tâches s'étalant sur des heures ou des jours. Dans l'API, le steering en cours de tour permet d'envoyer une correction via la Responses WebSocket API pendant que le modèle travaille ; les mises à jour sont mises en file sans annuler les outils en cours ni les actions déjà faites.

Les appels d'outils asynchrones laissent le modèle avancer sur un travail indépendant pendant qu'une tâche lente, comme une suite de tests, tourne côté application. GPT-6.1 Sol supporte aussi des workflows multi-agents, encore en beta : il délègue à des sous-agents puis fusionne leurs conclusions.

Dans Codex, Astra peut poser des questions de clarification en cours de route. Le guide conseille d'indiquer quelles tâches peuvent continuer pendant qu'on réfléchit, et de rediriger explicitement le travail quand les exigences changent.

Le computer use, en dernier recours

Les trois modèles peuvent interagir directement avec des sites et des applications de bureau, y compris celles qui n'ont pas d'API. Exemple donné : enquêter sur un bug, corriger le code, puis ouvrir le produit dans un navigateur pour vérifier le correctif.

La règle proposée est pragmatique : passer par une API ou un outil connecté quand c'est possible, et réserver le computer use aux cas où il faut lire un écran, cliquer ou remplir un formulaire. Pour l'intégrer à sa propre application, OpenAI cite Playwright pour le navigateur et PyAutoGUI pour le bureau.