Astra, Sol, Terra, Luna : quel modèle ChatGPT choisir ?

Mercredi, j’écrivais sur les modèles Claude : Sonnet, Opus, Haiku, Fable. Je fais aujourd’hui l’exercice côté OpenAI avec Astra, Sol, Terra et Luna. Ce n’est pas un hasard si je passe d’un labo à l’autre : je ne suis loyal à aucun des deux, je navigue régulièrement entre Claude et ChatGPT selon les mois et les besoins.

Et même si Claude est à la mode dans les recommandations de formations ou d’influenceurs, ChatGPT reste tout aussi pertinent et utilisé. Alors c’est l’occasion de se pencher sur ses petits noms qui apparaissent à côté de la barre de conversation.

Pourquoi ça compte de bien choisir

L’idée de base est simple : un modèle, c’est un compromis entre intelligence, vitesse et coût. Plus un modèle raisonne finement, plus il coûte cher et plus il est lent à répondre. Ce n’est pas un détail technique réservé aux développeurs qui optimisent une facture d’API : ça se sent directement dans l’usage, même via le chat web ou l’application de bureau.

Prendre un modèle trop léger pour une tâche qui demande de la réflexion se conclut souvent par une réponse incomplète ou à côté de la plaque. Ou alors on arrive au résultat, mais après beaucoup plus d’aller-retours - et un coût + temps final qui dépasse celui du modèle au-dessus. À l’inverse, prendre un modèle trop lourd pour une tâche simple, c’est le risque de gonfler inutilement la facture et le temps de réponse, voire de diverger : un modèle qui se met à trop réfléchir peut sortir plus facilement du cadre qu’on lui a donné. Et c’est pas toujours ce que l’on veut.

Il y a aussi un aspect que j’aime rappeler : le modèle le plus gros n’est jamais gratuit à faire tourner, ni pour le portefeuille ni pour l’environnement. Pas besoin de sortir l’artillerie lourde pour trier trois emails.

Note : Cette histoire de facture vous concerne même si vous payez un abonnement à prix fixe (Free, Go, Plus, Pro) plutôt que l’API : un modèle cher grignote votre quota plus vite. Le prix au token reste un bon ordre de grandeur, même sans passer par l’API.

Bref, le bon modèle n’est pas le plus intelligent du catalogue. C’est celui qui correspond à la tâche. À notre besoin.

Ce que sont Astra, Sol, Terra et Luna

OpenAI structure son offre ChatGPT en deux morceaux. D’un côté, la famille GPT‑5.6, sortie le 9 juillet 2026, avec trois niveaux de capacité : Sol, Terra, Luna. De l’autre, la toute nouvelle famille GPT‑6, avec Astra sorti début septembre 2026 qu’OpenAI présente comme une génération à part entière plutôt qu’un simple cran au-dessus de Sol.

Note : Astra n’a que quelques jours au moment où j’écris ces lignes. Les prix, et les bons usages peuvent encore bouger.

Luna est le modèle le plus rapide et le moins cher de la gamme (environ 0,20 $ / 1,20 $ par million de tokens en entrée / sortie), avec le même contexte de plus d’un million de tokens que les trois autres. OpenAI le positionne sur le volume : extraction de données structurées, classification, modération, les tâches mécaniques qu’un agent délègue à un modèle rapide pendant qu’un cerveau plus costaud supervise. C’est aussi, très concrètement, le modèle par défaut des comptes ChatGPT gratuits.

Terra est le modèle « équilibré » de la gamme (environ 2 $ / 12 $ par million de tokens), qu’OpenAI présente comme quasiment aussi bon que l’ancien modèle phare GPT‑5.5, pour moitié moins cher. Il est positionné pour le travail quotidien : développement courant, rédaction professionnelle, automatisation, assistants internes. C’est un peu le compromis entre qualité, vitesse et coût.

Sol est le modèle phare de la génération GPT‑5.6 (environ 4 $ / 20 $ par million de tokens). OpenAI le recommande pour le raisonnement complexe et les agents qui tournent sur la durée, le développement logiciel, la recherche, la cybersécurité défensive, les sciences et la production de documents professionnels exigeants, là où une erreur coûte cher. Il est inclus dans ChatGPT Plus.

Astra est le modèle le plus capable des quatre, présenté par OpenAI comme une génération à part entière pensée pour les missions de bout en bout : comprendre un objectif, utiliser des outils, prendre des décisions intermédiaires, vérifier le résultat produit. C’est logiquement aussi le plus cher de la gamme (10 $ / 50 $ par million de tokens). OpenAI le recommande pour les tâches extrêmement complexes, le raisonnement très avancé, les agents autonomes et le développement difficile, et met en avant ses performances pour piloter directement un ordinateur ou un navigateur. Il est pour le moment réservé aux abonnements Pro, Business et Enterprise (et à ChatGPT Plus par vagues ou via A/B testing on dirait).

Comment choisir, en vrai

Dans la pratique, j’observe beaucoup d’usage de Luna et Sol. Luna est adoré pour son rapport qualité-prix, surtout quand il est poussé avec un effort de raisonnement plus élevé où il devient étonnamment bon pour un prix toujours très bas (un réglage sur lequel je reviendrai une autre fois).

Sol est super pour planifier, et Astra fait le buzz comme tout nouveau modèle. Terra, au milieu, est un peu le mal-aimé : moins spectaculaire, parfois critiqué, vite mis de côté alors qu’il fait le travail pour une bonne partie des tâches du quotidien.

Pour débuter, je dirais que partir de Terra au milieu puis ajuster - monter vers Sol si ça coince, descendre vers Luna quand ce sont des petites tâches bien cadrées - n’a rien de déconnant. Mais ce n’est qu’un raccourci pratique. Ce qui compte vraiment, c’est d’adapter le modèle à la tâche ; le réflexe « défaut, puis monter ou descendre » est juste l’astuce la plus simple pour y arriver sans trop se prendre la tête.

J’utilise beaucoup Luna quand la tâche est répétitive, volumineuse, avec un cadre précis : extraire des champs, classer, reformuler, générer des variantes de titres, coder avec un périmètre restreint. Ou pour du plus compliqué s’il existe déjà un plan détaillé, Luna est un super exécutant.

Je monte vers Sol quand j’ai besoin de creuser plus loin ou de croiser plusieurs contraintes : un bug qui résiste, un audit de sécurité, une analyse où l’erreur coûte cher. J’aime aussi le sortir pour explorer et planifier. Petite réserve entendue côté communauté : poussé à l’effort maximal, Sol a tendance à trop réfléchir sur des questions qui n’en avaient pas besoin, et à faire du over-engineering.

Et Astra ? Je ne l’ai pas encore testé, mais je lui donnerais le même rôle d’exception qu’à Fable côté Claude : cybersécurité, un agent très autonome, la mission longue où on accepte d’attendre longtemps pour un résultat plus fiable (normalement :)).

Un modèle par défaut, pas un modèle unique

Comme pour Claude, l’idée n’est pas de trouver LE modèle et de s’y tenir à vie. C’est de partir d’un choix par défaut raisonnable, puis d’apprendre en pratiquant à repérer quand descendre ou monter pour utiliser le modèle le plus adapté à la tâche dès le début.

Et promis, bientôt on parlera d’orchestration car c’est tout autant valable avec les modèles d’OpenAI.