GPT-6.1 Terra : OpenAI casse ses prix, une tâche passe de 1,40 à 0,40 dollar

OpenAI vient de lancer GPT-6.1 Terra, un modèle de milieu de gamme dont l’API coûte nettement moins cher que celle de son prédécesseur. Sur le papier, c’est une bonne nouvelle pour les PME et les indépendants. Mais la vraie question n’est pas le prix affiché : c’est de savoir quel modèle choisir pour quelle tâche, et à quel point on accepte de dépendre d’un seul fournisseur.

Un prix « divisé par deux » : que dit la grille tarifaire ?

Selon The Decoder, GPT-6.1 Terra est facturé 1 dollar par million de jetons en entrée et 5 dollars en sortie. Un jeton est un morceau de mot : c’est l’unité de facturation des API d’IA. Son prédécesseur, GPT-5.6 Terra, coûtait 2 dollars en entrée et 12 dollars en sortie. Le concurrent direct d’Anthropic, Claude Sonnet 5.5, est affiché à 2 et 10 dollars.

Le « moitié prix » mérite une nuance. Sur l’entrée, la division par deux est exacte. Sur la sortie, on passe de 12 à 5 dollars, soit un peu plus de la moitié en moins. Simon Willison parle prudemment d’un prix « presque divisé par deux » par rapport à GPT-5.6 Terra et à GPT-6.1 Sol. Il note aussi que Terra coûte environ dix fois plus que GPT-6 Luna, le plus petit modèle de la gamme.

Autre détail : les entrées « en cache », c’est-à-dire les textes déjà envoyés et réutilisés, tombent à 0,05 dollar par million de jetons. C’est le quart de l’ancien tarif, d’après The Decoder. Pour qui envoie toujours les mêmes consignes ou les mêmes documents de référence, ce poste peut compter.

Le modèle est disponible pour les abonnés Plus, Pro, Enterprise et Edu dans ChatGPT Work et Codex, ainsi que par l’API.

Des performances qui suivent, selon des mesures à lire avec recul

La baisse de prix ne s’accompagne pas d’un recul de qualité, du moins selon les chiffres publiés. Artificial Analysis, un organisme de mesure cité par The Decoder, parle d’une nouvelle référence en matière d’intelligence par dollar. À effort de raisonnement maximal, Terra gagne 6 points sur son indice d’intelligence par rapport à GPT-5.6 Terra. Le coût par tâche passe de 1,40 à 0,40 dollar. À effort plus faible, l’écart grimpe de 7 à 13 points.

Plusieurs autres résultats sont rapportés :

• Hallucinations : sur le test privé AA-Omniscience, le modèle ne « devine » que dans 38 % des cas où il ignore la réponse, contre 88 % pour GPT-5.6 Terra. La précision gagne aussi deux points.
• Contrôle d’ordinateur : sur Agents’ Last Exam, Terra égalerait GPT-6 Astra pour un dixième du prix par jeton. Face à Claude Opus 5.5 à effort maximal, il serait plus de trois fois plus économe en jetons, pour un quart du prix. Cela donne un coût par tâche environ neuf fois inférieur, selon The Decoder. OpenAI affirme aussi qu’il termine plus de trois fois plus vite qu’Astra et Sol.
• Code : sur Terminal-Bench 4.0, Terra résout 50,3 % des tâches à effort maximal, contre 21,5 % pour GPT-5.6 Terra.

Gardons le recul nécessaire. Une partie de ces chiffres vient d’OpenAI elle-même. Les autres viennent de tests dont les tâches ne ressemblent pas forcément à votre quotidien. Et pour les tâches de code les plus exigeantes, OpenAI continue de recommander GPT-6.1 Sol et GPT-6 Astra. Sur le Coding Agent Index v2.0, Terra obtient 48 points, contre 54 pour Sol et 31 pour Luna.

La règle de Ted Sanders : taille, effort et agents ne sont pas la même chose

Ted Sanders, d’OpenAI, a donné une grille de lecture, rapportée par The Decoder. Selon lui, la performance d’un modèle est multidimensionnelle : un modèle excellent en maths n’est pas forcément bon pour l’humour. Mais l’essentiel des écarts tient à une variable, la taille du modèle.

OpenAI distingue trois dimensions qu’on confond souvent :

1. la taille du modèle (Astra, Sol, Terra, Luna) ;
2. l’effort de raisonnement (le temps de « réflexion » demandé au modèle) ;
3. les systèmes multi-agents (plusieurs instances qui collaborent).

Sanders explique qu’on ne peut pas résumer cela en un seul « score de QI » sans perdre des informations. La taille n’explique pas tout : un modèle récent et plus petit peut dépasser un ancien plus gros grâce à de meilleures données d’entraînement ou à une meilleure architecture.

Pour Terra, son verdict, relayé aussi par Simon Willison depuis un commentaire sur Hacker News, est nuancé. Le modèle serait probablement meilleur qu’Astra et Sol en communication technique. Il serait comparable en vision et en contrôle d’ordinateur, mais bien plus rapide. Il serait un peu moins bon sur la plupart des autres usages. Sa règle de pouce : « Si vous ne vous souciez que de la qualité, prenez Astra. Si vous êtes un peu sensible au prix, prenez Sol. Si vous l’êtes beaucoup, prenez Terra ou Luna. »

Sanders ajoute que, pour les abonnés, ce n’est « pas une sortie bombe » : le modèle peut aider à tenir plus longtemps avant d’atteindre ses limites d’usage, ou servir à choisir une communication plus claire et un contrôle d’ordinateur plus rapide.

Ce que cela change pour une PME ou un indépendant

OpenAI présente Terra comme un modèle pour les tâches du quotidien : rédiger des propositions, lire des plans techniques, remplir des formulaires, monter des vidéos. Simon Willison relève que ce positionnement intermédiaire, comme celui de Sonnet chez Anthropic, rend le choix moins évident : ni le moins cher, ni le plus cher.

Il souligne aussi un point utile : le contrôle d’ordinateur profite d’un modèle bon marché, car on le confie à des tâches répétitives et automatisées. Une saisie de factures, un formulaire à renseigner chaque semaine ou un tri de documents consomment beaucoup de jetons au fil du temps.

Concrètement, on peut tester la logique suivante :

• Tâches répétitives et volumineuses (formulaires, extraction, rédaction courante) : commencer par Terra, ou même Luna si la qualité suffit.
• Textes techniques et documents avec images : Terra est un bon candidat, d’après Sanders.
• Code complexe ou raisonnement difficile : comparer avec Sol ou Astra, que recommande OpenAI pour ces cas.
• Toujours mesurer le coût par tâche, pas seulement le prix du jeton. À effort maximal, un modèle peut consommer beaucoup plus de jetons qu’un autre.

Un test simple consiste à prendre vingt tâches réelles de votre activité, à les passer sur deux niveaux de modèle, puis à comparer la qualité et la facture. Les benchmarks ne remplacent pas ce relevé.

Moins cher, mais plus dépendant ?

Les sources fournies ne traitent pas de souveraineté ni de dépendance. Cette question reste donc ouverte et nous ne l’affirmons pas comme un fait. Mais elle se pose naturellement.

Une baisse de prix réduit la facture, et elle encourage aussi à confier plus de tâches à une API. Plus on automatise avec une gamme précise (Astra, Sol, Terra, Luna), plus on s’habitue à ses réglages, à ses invites et à ses limites. Changer de fournisseur coûte alors du temps, même si un concurrent propose un tarif comparable. Le Sonnet 5.5 d’Anthropic, à 2 et 10 dollars, montre que l’alternative existe, du moins parmi les acteurs américains.

Il faut aussi lire les données de sécurité avec soin. D’après The Decoder, Terra atteint le seuil « Critique » de cybersécurité défini par le cadre de préparation d’OpenAI et reprend les protections d’Astra. Face aux injections de consignes indirectes, c’est-à-dire des instructions cachées dans un contenu tiers, son taux de défense serait de 98,8 %, contre 96,2 % auparavant. C’est un progrès, mais un modèle qui contrôle un ordinateur et lit des documents externes reste exposé aux 1,2 % restants.

La question à poser avant de basculer ses automatisations n’est donc pas seulement « combien ça coûte ? ». Pouvez-vous changer de modèle en une journée si le prix remonte ou si la qualité baisse ? Si la réponse est non, la baisse de prix d’aujourd’hui a peut-être un coût caché demain.

Sources

• GPT-6.1 Terra halves OpenAI’s API prices and still gains ground on its larger models (The Decoder)
• GPT-6.1 Terra (Simon Willison)
• OpenAI’s Ted Sanders shares a rule of thumb for picking the right GPT-model (The Decoder)