GPT-6 Astra est sorti : est-ce qu'il vaut vraiment 2,5 fois le prix ?

OpenAI a lâché GPT-6 Astra mercredi soir, et depuis hier il descend dans ChatGPT pour les abonnés Plus, Pro, Business et Enterprise, plus un accès pour les développeurs qui le branchent dans leurs propres programmes.

Le classement indépendant le plus cité du métier, celui d'Artificial Analysis, lui met 61 sur 100. À GPT-5.6 Sol, le modèle d'OpenAI qu'il remplace, il met... 61 aussi. Et Astra coûte deux fois et demie plus cher.

Voilà, l'article est fini, on nous prend pour des jambons, bonne journée à tous.

Sauf que non. Ce 61 ne raconte plus grand-chose, et le truc intéressant est ailleurs, dans une colonne que personne ne regarde.

Et pendant ce temps, depuis deux jours, un autre tableau circule partout, avec des 98 % et des 100 % dedans, et tout le monde parle du modèle le plus avancé de tous les temps. Les deux images sont vraies. Il va falloir démêler ça.

Même note à l'examen, deux fois et demie le prix. Il va falloir m'expliquer.

D'abord, c'est quoi ce fameux 61

Artificial Analysis est une boîte indépendante qui fait passer les mêmes épreuves à tous les modèles du marché, toujours dans les mêmes conditions, puis en fait une moyenne. Des maths, du raisonnement scientifique, du code, de la culture générale. C'est un bulletin scolaire, avec sa moyenne générale en gros en bas de la page. Et comme tous les bulletins scolaires, la moyenne cache l'essentiel.

Parce qu'il y a un moment où l'épreuve arrête de classer les élèves. Quand toute la classe rend une dictée sans faute, la dictée ne dit plus qui est le meilleur, elle dit juste que la dictée est trop facile. C'est exactement où on en est : les modèles saturent les tests un par un, et pendant ce temps ils progressent sur des choses que le test ne mesure pas.

Au passage, et autant le dire tout de suite parce que ça ne va pas s'améliorer en le cachant : sur ce même classement, le meilleur n'est pas OpenAI. Claude Fable 5.1 d'Anthropic est à 66, le Muse Spark 1.3 de Meta à 62, Astra à 61. Le champion du monde annoncé arrive troisième chez l'arbitre indépendant.

Et ce tableau à 98,6 %, il vaut quoi ?

Il est authentique. C'est le tableau de notes qu'OpenAI a publié elle-même sur sa page de lancement, avec ses renvois en bas de page et ses épreuves maison.

La ligne que tout le monde montre du doigt est la première : ARC-AGI-3. Astra 98,6 %, le modèle qu'il remplace 7,8 %, le Claude Opus 5 d'Anthropic 30,2 %. Vu comme ça, ce n'est plus une génération d'écart, c'est un éléphant..

ARC-AGI-3 n'est pas un questionnaire de culture générale. On lâche la machine dans un petit jeu qu'elle n'a jamais vu. Personne ne lui dit la règle, ni le but, ni ce que font les boutons. Elle doit tâtonner, comprendre où elle est tombée, se fixer un objectif toute seule et l'atteindre. C'est fabriqué exprès pour qu'avoir avalé tout Internet ne serve à rien : la réponse n'existe nulle part, il faut la trouver sur place.

Et là il y a un vrai exploit. Sur cette épreuve, dans les conditions de base, le modèle précédent d'OpenAI plafonnait à 7,8 % avant. Astra, exactement dans les mêmes conditions, monte à 62,7 %. Huit fois mieux en quelques mois, sur le test conçu pour résister. Ce chiffre-là, personne ne peut le rabaisser.

Attends. 62,7, alors que le tableau annonce 98,6 ?

Oui, et c'est tout le sel de l'affaire. Deux parcours, deux tuyauteries autour du même modèle. Dans le premier, entre deux coups joués, la machine perd le fil de son raisonnement : elle ne garde que les quelques notes qu'elle a pensé à écrire. Dans le second, elle conserve tout ce qu'elle avait en tête et le résume au fur et à mesure. Même modèle, mêmes questions, mêmes cartes. 62,7 d'un côté, 98,6 de l'autre.

Le modèle n'a pas changé entre les deux dernières barres. Sa mémoire, si.

C'est là que je m'attendais à trouver l'entourloupe, et il n'y en a pas vraiment. Les deux réglages en question ne sont pas un décor construit pour l'occasion : ce sont des options ordinaires, ouvertes à tous les clients de l'interface de programmation, et c'est précisément pour ça qu'ARC Prize, la fondation qui tient le test, accepte le résultat et l'a vérifié elle-même. Ce qu'on peut reprocher au tableau d'OpenAI, c'est de mettre son meilleur parcours en face du parcours de base des autres, sans le dire dans la même case.

Deux choses à retenir, et la seconde est plus utile que la première. D'abord ARC Prize écrit noir sur blanc, dans son propre compte rendu, que réussir ce test ne serait pas une preuve d'intelligence générale et qu'elle ne prétend pas que c'en est une. Ensuite, si tu bricoles avec ces modèles : garder le raisonnement d'une étape à l'autre a rendu la machine 3,66 fois plus rapide et lui a fait consommer 49 % de jetons en moins sur les mêmes parties. Ça ne se joue pas dans le modèle, ça se joue dans la façon dont tu l'appelles.

Ah, et le détail qui m'a fait relever la tête : sur 96 % des niveaux, Astra a eu besoin de moins de coups qu'un humain pour arriver au bout. Moitié moins en moyenne.

Alors, révolution ou pas ?

Deux laboratoires sérieux ont mesuré le même modèle la même semaine et sont arrivés à deux verdicts opposés.

Epoch AI le classe premier, très détaché, à 169 points. Artificial Analysis le met à 61, à égalité avec son prédécesseur. Aucun des deux ne triche. Ils ne pèsent simplement pas les mêmes épreuves : Epoch charge en maths et en casse-tête, là où Astra écrase tout le monde ; Artificial Analysis charge en code, là où Claude Fable 5.1 reste devant.

Donc la question « est-ce que c'est une révolution » n'a pas de réponse tant qu'on n'a pas fini la phrase par « pour faire quoi ». Pour raisonner, explorer, se débrouiller seul dans un truc inconnu, oui, la marche est haute. Pour écrire du code toute la journée, non, rien n'a bougé cette semaine.

François Chollet, le monsieur qui a inventé ce test et qui n'est pas connu pour son enthousiasme, a quand même avancé sa prévision. On lui a demandé si son horizon de 2030 tenait toujours. Sa réponse : « Plus tôt, parce que les progrès arrivent plus vite que je ne le pensais. »

Mon avis, pour ce qu'il vaut : ce n'est pas une révolution, c'est une marche d'escalier. Mais elle est haute, et elle est posée là où on nous répétait depuis des années que ces machines ne monteraient jamais, c'est-à-dire dans une situation que personne ne leur a décrite à l'avance.

Il parle trois fois moins pour faire le même travail

Voilà la colonne que personne ne regarde.

Ces machines se facturent au jeton. Un jeton, c'est un bout de mot : « anticonstitutionnellement » en vaut plusieurs, « le » en vaut un. Tout ce que tu tapes est découpé en jetons, tout ce que la machine répond aussi, et la facture compte les deux. Astra est passé de 4 à 10 dollars le million de jetons en entrée, et de 20 à 50 dollars le million en sortie. D'où les 2,5 fois.

Maintenant la deuxième moitié de l'addition. Artificial Analysis a une épreuve où le modèle ne répond pas à une question mais mène un vrai chantier de code tout seul, du début à la fin, comme un développeur à qui on confie un ticket et qu'on laisse tranquille. Sur cette épreuve, Astra fait le boulot en consommant environ trois fois moins de jetons que son prédécesseur.

Deux fois et demie plus cher le jeton, trois fois moins de jetons. Fais le calcul. La tâche finie te revient un poil moins cher qu'avant, et Artificial Analysis note d'ailleurs qu'Astra atteint sur ce classement-là le niveau de Claude Fable 5, pour moins d'argent.

Trois colonnes, trois histoires différentes. Devine laquelle OpenAI a mise sur son affiche.

C'est un taxi à 2,50 euros du kilomètre qui connaît la ville, contre un taxi à 1 euro qui fait trois fois le tour du pâté de maisons avant de trouver ta rue. Le compteur du premier fait peur quand tu montes. C'est le second qui te ruine.

Et je vais te dire pourquoi ce chiffre-là me parle plus que le 61. Quand je bosse avec Claude Code, j'ai en permanence en bas de mon écran le pourcentage de crédits qu'il me reste avant la remise à zéro. Ce pourcentage, il ne descend pas quand le modèle est intelligent, il descend quand le modèle est bavard. Un modèle qui tourne en rond pendant vingt minutes, qui relit trois fois le même fichier, qui recommence son raisonnement depuis le début parce qu'il s'est perdu, il me coûte une fortune et il ne m'apporte rien. Alors « il consomme trois fois moins », franchement, c'est la ligne du communiqué que je relis deux fois.

Et quand il ne sait pas, il commence à le dire

Autre mesure d'Artificial Analysis, et celle-là est ma préférée. Ils posent des questions dont la réponse existe, ils regardent ce que fait le modèle sur celles qu'il ne maîtrise pas, et ils comptent combien de fois il invente une réponse au lieu d'avouer qu'il ne sait pas.

GPT-5.6 Sol inventait dans 92 % des cas. Astra tombe à 51 %.

Le progrès de l'année n'est pas une réponse plus brillante. C'est un haussement d'épaules.

C'est énorme, et c'est le genre de progrès qui ne se voit sur aucune affiche parce qu'il ne se raconte pas bien. Une machine qui dit « je ne sais pas » ne fait pas une belle démonstration en conférence. Mais si tu as déjà passé une soirée à vérifier une référence qu'un modèle t'avait sortie avec un aplomb magnifique, et qui n'existait tout simplement pas, tu sais exactement ce que vaut ce chiffre.

Ceci dit, on parle d'une fois sur deux. C'est deux fois mieux qu'avant et c'est encore une fois sur deux. On n'est pas au bout.

Et pour coder, il bat Claude Code ?

La question que tout le monde se pose, et la réponse honnête est non. Pas aujourd'hui.

Sur le tableau d'OpenAI, Astra gagne l'épreuve de réparation de code, celle où on donne un vrai bogue dans un vrai projet et où on regarde si la machine le répare : 74,1 % contre 67,4 % pour Claude Fable 5.1. Belle victoire.

Sauf que cette épreuve ressemble à un examen, pas à une journée de travail. Sur celle qui ressemble à une journée de travail, où le modèle doit mener un chantier entier avec ses outils et sur la durée, Claude Fable 5.1 dans Claude Code est à 70 et Astra dans Codex à 67. C'est serré, mais c'est dans ce sens-là.

Le partage est assez net à l'usage : Astra pour piloter une machine, enchaîner des outils, mener un truc de bout en bout et pour tout ce qui touche aux sciences ; Claude pour rester des heures dans une grosse base de code sans perdre le nord. Moi, mes chantiers longs, je ne les bouge pas. Mais je vais lui coller un vieux projet bien crade dans les pattes cette semaine, histoire de voir sa tête !

Et si tu ne codes pas une ligne de ta vie ?

Bonne question, parce que jusqu'ici je t'ai parlé de jetons et de classements, et que ça ne remplit pas un frigo.

Le vrai changement de cette génération, c'est la durée. Les modèles d'avant répondaient à une question. Celui-ci est fait pour partir travailler seul pendant longtemps, en enchaînant les étapes, en se servant d'outils, en cliquant lui-même dans un navigateur. Sa mémoire de travail est passée à un peu plus d'un million de jetons, soit à peu près une dizaine de gros romans qu'il garde en tête d'un bout à l'autre du chantier.

Avant : un bon sprinteur qu'il fallait relancer toutes les trois minutes. Maintenant : un type qui part le matin et qui revient le soir avec le travail fait.

Dans ta vie, ça ressemble à quoi ? À la déclaration d'impôts que tu remplis en donnant tes documents et en surveillant, plutôt qu'en tapant case après case. Au dossier de mutuelle que tu détestes, avec ses six formulaires et ses trois pièces jointes, confié à quelque chose qui va cliquer à ta place. Aux quatre-vingts photos de vacances à trier, renommer et ranger, ce que personne ne fait jamais parce que ça prend deux heures et que la vie est courte.

Quand ? Honnêtement, pas demain matin. Ce type de tâche marche en démonstration et se plante dès qu'un site change un bouton de place. Compte quelques années avant que ce soit fiable au point de le laisser faire sans regarder. Et souviens-toi que le premier téléphone qui savait reconnaître ta voix a mis dix ans à devenir l'assistant qui met ton minuteur sans se tromper. Là, on est à peu près au même endroit de l'histoire.

Le morceau qu'ils gardent sous clé

Il y a une partie d'Astra que tu n'auras pas, et pour une fois je trouve ça sain.

OpenAI a classé ce modèle au niveau le plus élevé de sa propre échelle de risque en sécurité informatique. En clair : il sait trouver des trous dans des logiciels bien protégés et écrire tout seul le programme qui s'y engouffre. La version que tu as dans ChatGPT refuse ce genre de demande, et les capacités complètes ne sont ouvertes qu'à des organisations triées sur le volet. J'en parlais avant-hier, quand les trois grands laboratoires ont sorti leur modèle de piratage le même jour à quelques heures d'intervalle.

Ce qui est nouveau ici, c'est que la chose est maintenant dans le produit grand public, avec une porte fermée à l'intérieur. Ça tiendra le temps que ça tiendra.

Bon, alors, on bascule ou pas ?

Si tu paies ChatGPT, tu n'as rien à décider, il arrive tout seul et il est meilleur que ce que tu avais hier. Profite.

Si tu construis quelque chose par-dessus et que tu payes à l'usage, ne regarde surtout pas le prix affiché du jeton, c'est le piège de ce lancement. Mesure ce que te coûte une tâche finie, en vrai, sur ton propre travail. Sur du texte à classer ou à extraire, où le modèle fait deux lignes et se tait, Astra est simplement 2,5 fois plus cher pour rien et il ne faut pas y toucher. Sur un chantier long où la machine se débrouille seule pendant une heure, c'est l'inverse.

Et il y a une chose dont je suis assez content ce matin. Il y a vingt-cinq jours, j'écrivais ici même qu'Astra ne répondrait pas plus vite mais travaillerait plus longtemps, et que c'était ça, la vraie bascule. Les chiffres de cette semaine disent exactement ça : la note d'examen généraliste fait du surplace, l'endurance et la sobriété font un bond. On est en train de changer de métrique sans que personne l'annonce, et les affiches, elles, continuent de vendre des points de QI.

Alors combien de temps encore on va se refiler des notes sur cent en faisant semblant que ça veut dire quelque chose ? Moi la seule question qui m'intéresse désormais, c'est : combien coûte le travail fini, et est-ce qu'il est juste ?

Sources

• ARC Prize : OpenAI's GPT-6 Astra on ARC-AGI-3, l'analyse de la fondation qui tient le test, les deux harnais et leurs 62,7 % et 98,6 %, la comparaison avec l'humain et la mise en garde explicite sur l'intelligence générale
• ARC Prize : GPT-6 Astra, ARC-AGI Results, 2 septembre 2026, le tableau des scores vérifiés effort par effort et harnais par harnais
• OpenAI : How enabling two settings tripled our scores on the ARC-AGI-3 benchmark, les deux réglages en cause, décrits par OpenAI elle-même
• The Decoder : Benchmarks disagree on GPT-6 Astra, les 169 points d'Epoch AI face aux 61 d'Artificial Analysis, pourquoi les deux divergent, et la prévision avancée de François Chollet
• Artificial Analysis : Benchmarking GPT-6 Astra, la mesure indépendante du 3 septembre 2026, la note d'intelligence, l'épreuve de chantier de code, la consommation de jetons et le taux de réponses inventées
• OpenAI : GPT-6 Astra, a new generation of intelligence, l'annonce d'origine, les tarifs, la taille de mémoire de travail et le déploiement
• Requesty : GPT-6 Astra scores 61 on the independent index, the same as Sol, at 2.5x the price, la comparaison des annonces de lancement avec les mesures indépendantes
• Tech Startups : Top tech news today, September 4, 2026, le calendrier de déploiement dans ChatGPT et chez les hébergeurs