GPT-6 Astra pour les développeurs : utilisation sur ordinateur, tarifs et modifications de l’API.

De nouveaux modèles sont annoncés tous les quelques mois, accompagnés de la même affirmation selon laquelle celui-ci change tout, ce qui est généralement exagéré. GPT-6 Astra fait partie des rares cas où cette prétention a un fond de vérité. L’argument principal n’est pas des essais plus excellents ou des problèmes de mathématiques plus difficiles, bien qu’il soit censé offrir les deux. L’atout majeur réside dans la capacité du modèle à utiliser un ordinateur comme le ferait une personne : ouvrir un navigateur, remplir un formulaire, déboguer du code dans une terminal, même concevoir une carte électronique, et accomplir toute la tâche sans aucune supervision à chaque étape.

Cet article explique ce qu’est Astra, quelles sont les différences si l’on s’appuie sur l’API d’OpenAI, et comment il se compare à Claude et Gemini. Cette dernière partie est importante si vous préparez des entretiens sur l’IA générative, car on s’attendra à ce que vous connaissiez bien le domaine et pas seulement un seul fournisseur.

Qu’est-ce qu’Astra ?

GPT-6 Astra est le nouveau modèle phare d’OpenAI, présenté comme le modèle le plus intelligent et le mieux aligné jamais mis sur le marché. Son déploiement se fait par étapes : d’abord certaines organisations, puis les utilisateurs de ChatGPT Plus, Pro, Business et Enterprise. Il est également disponible via l’API d’OpenAI, Microsoft Azure et AWS Bedrock.

Dans l’API, vous le sélectionnez en utilisant ce nom de modèle :

model = "gpt-6-astra"

Au mode standard, vous payez 10 dollars pour chaque million de tokens d’entrée et 50 dollars pour chaque million de tokens de sortie. Un « mode rapide » coûte deux fois plus cher, mais offre une vitesse environ deux fois supérieure.

Deux mots dominent cette annonce : intelligence et alignement. L’intelligence fait référence à des scores plus élevés dans les tests de raisonnement complexe et de programmation. L’alignement signifie que le modèle reste dans les limites que vous avez définies et est moins susceptible de s’éloigner du sujet pour faire quelque chose que personne n’a demandé. Comme le montre la section suivante, l’alignement s’avère être plus important qu’il n’y paraît.

Pourquoi l’utilisation des ordinateurs est la véritable actualité

• Naviguer sur le Web et visiter des sites de sa propre initiative
• Soumettre des formulaires, modifier des données dans un CRM, organiser un calendrier
• Écrire un programme, l’exécuter dans une terminal, analyser les erreurs et corriger le bug
• Lire une capture d’écran de votre bureau et choisir où cliquer ensuite
• Gérer des logiciels spécialisés tels qu’Excel, Blender, KiCad (conception de circuits) et Unreal Engine

C’est la vitesse qui en fait un outil pratique. Sur OSWorld 2.0, un test de performance qui mesure le temps nécessaire à un modèle pour effectuer des tâches informatiques réelles, Astra a mis environ 47 % moins de temps que son prédécesseur, GPT-5.6 Sol. Il a atteint une précision de 72,6 % en environ 40 minutes par tâche, contre 65,7 % en environ 75 minutes.

Pensez aux tâches que cela remplace : un analyste junior qui tape manuellement 50 entrées dans un CRM, un ingénieur qualité qui parcourt chaque page d’un site, un étudiant qui doit soumettre à nouveau le même formulaire gouvernemental cinq fois en raison d’une faute de frappe. C’est là l’objectif. Il ne s’agit pas de réflexion créative, mais simplement des tâches fastidieuses que quelqu’un doit accomplir de A à Z.

Ce texte explique également l’importance accordée à l’alignement. Un modèle qui ne peut que parler ne cause que peu de dommages s’il interprète mal les instructions. En revanche, un modèle capable de cliquer sur des boutons et d’exécuter du code sur votre machine peut provoquer des dégâts réels. C’est pourquoi l’annonce consacre beaucoup d’espace au fait qu’Astra reste dans les limites de sa mission. Lors d’un test interne sur une tâche difficile, l’ancien GPT-5.6 Sol a dépassé ses limites autorisées dans 48 % des cas, tandis qu’Astra ne l’a fait que dans 0 % des cas.

Les benchmarks

Les benchmarks sont des tests normalisés pour les modèles, à l’instar des tests de LeetCode pour les structures de données et algorithmes. Chacun couvre une compétence différente, et certains résultats d’Astra nécessitent un contexte pour être compris.

ARC-AGI-3 a été conçu pour résister à la mémorisation, et Astra aurait atteint un niveau d’efficacité équivalent à celui de l’être humain sur 96 % de ses niveaux. En mathématiques, il aurait contribué à affiner les limites concernant les écarts entre nombres premiers, qui n’avaient pas changé depuis plus de 80 ans.

ExploitBench mérite également une attention plus approfondie. Un score de 100 % en matière de détection et d’exploitation des vulnérabilités de sécurité aide les défenseurs à appliquer rapidement des correctifs, mais il peut être dangereux entre de mauvaises mains. C’est pourquoi OpenAI a limité certaines fonctionnalités de cybersécurité d’Astra au moment du lancement. Un accès exclusivement défensif est progressivement mis à disposition grâce à un programme appelé OpenAI Daybreak.

Quelles modifications dans votre code

Si vous utilisez déjà l’API d’OpenAI, passer à Astra consiste principalement en une modification sur une seule ligne. Votre façon d’utiliser l’outil ne change que si vous souhaitez bénéficier de la fonctionnalité d’agent.

Une requête de base ressemble à celle utilisée avec n’importe quel modèle GPT :

from openai import OpenAI
client = OpenAI()  # reads OPENAI_API_KEY from environment
response = client.chat.completions.create(
    model="gpt-6-astra",
    messages=[
        {"role": "system", "content": "You are a helpful coding assistant."},
        {"role": "user", "content": "Explain what a REST API is in 3 lines."}
    ]
)
print(response.choices[0].message.content)

Rien de nouveau là-dedans. Pour une simple conversation, Astra constitue un upgrade direct.

La véritable différence apparaît lorsque vous lui fournissez des outils et que vous le laissez agir comme un agent, en choisissant quel outil appeler et quand, au lieu de coder cette logique manuellement. Voici une version simplifiée de ce schéma :

from openai import OpenAI
client = OpenAI()
tools = [
    {
        "type": "function",
        "function": {
            "name": "run_python_code",
            "description": "Executes a Python snippet and returns the output",
            "parameters": {
                "type": "object",
                "properties": {
                    "code": {"type": "string", "description": "Python code to run"}
                },
                "required": ["code"]
            }
        }
    }
]
response = client.chat.completions.create(
    model="gpt-6-astra",
    messages=[
        {"role": "user", "content": "Write and test a function that reverses a string, then tell me if it works."}
    ],
    tools=tools,
    tool_choice="auto"  # model decides on its own whether to call the tool
)
message = response.choices[0].message
if message.tool_calls:
    for call in message.tool_calls:
        print("Model wants to call:", call.function.name)
        print("With arguments:", call.function.arguments)
else:
    print(message.content)

La ligne à surveiller est tool_choice="auto". Vous ne demandez pas au modèle d’exécuter le code immédiatement. Vous lui donnez une capacité et vous le laissez décider que tester la fonction est la prochaine étape appropriée, comme le ferait un développeur. En enchaînant ce type de décision au cours de nombreuses itérations, où il rédige du code, l’exécute, rencontre une erreur, la corrige et tente à nouveau, c’est ce que signifie en pratique le concept d’« agent ».

Une autre fonctionnalité est importante si vous créez des agents qui fonctionnent pendant longtemps. Astra intègre à Codex la fonctionnalité « notes across context windows ». Au lieu de résumer sans cesse une longue session de débogage et de perdre des détails à chaque fois, l’agent peut conserver des notes consultables et récupérer le contexte précédent lorsque c’est nécessaire. Cela est pertinent si votre agent fonctionne pendant des heures plutôt que quelques secondes.

Astra, Claude et Gemini côte à côte

Prévoyez la question « Quel modèle utiliseriez-vous pour X ? » lors d’un entretien sur l’IA générative. Cette comparaison provient de la propre table de référence publiée par OpenAI, donc les chiffres indépendants peuvent légèrement différer. En pratique :

• Pour des workflows automatisés gérés par ordinateur tels que le remplissage de formulaires, l’automatisation du navigateur et les tests de qualité, Astra est actuellement en tête.
• Pour l’aide à la programmation, Astra et Claude sont proches. Choisissez en fonction des outils que vous possédez déjà : Claude s’intègre avec Claude Code, Astra avec Codex.
• Pour le raisonnement simple en chat, les trois modèles sont suffisamment bons pour que l’ingénierie des prompts et la configuration des outils soient plus importantes que le modèle lui-même.

Disons que vous postulez pour un poste dans le secteur de la fintech chez une entreprise comme Razorpay ou Paytm. Le fait de savoir qui remporte ce benchmark importe moins que trois autres questions : s’il s’intègre sans problème à votre stack actuel, quel sera le coût pour un volume d’opérations similaire à celui que vous gérez, et dans quelle mesure il respecte les règles de sécurité lorsque des fonds ou des données d’utilisateurs sont en jeu.

Que faire si vous cherchez du travail

Pour les étudiants qui visent des postes en SDE ou en génie de l’IA, il est utile de savoir que les entreprises passent d’un modèle où « un LLM répond aux questions » à un modèle où « un LLM exécute des tâches de bout en bout ». C’est le changement vers l’approche agente. Si vous pouvez expliquer cela lors d’un entretien, vous êtes en avance sur de nombreux candidats qui n’ont utilisé ChatGPT que comme un chatbot :

• La différence entre un modèle de conversation et un modèle agente ou destiné à l’utilisation par ordinateur
• Le fonctionnement réel de l’appel à des outils, au-delà du simple fait de savoir qu’ils existent

Pourquoi l’alignement et les garde-fous deviennent plus importants à mesure que les modèles gagnent en autonomie

N’arrêtez pas à la simple lecture sur Astra. Créez un petit agent en utilisant le modèle de appel d’outils mentionné ci-dessus, même quelque chose d’aussi simple que celui qui vérifie si un site web est accessible et vous envoie un e-mail s’il ne l’est pas. Ces connaissances pratiques se voient lors des entretiens.

Version en une phrase à réciter : l’industrie est passée de la simple réponse aux questions à l’exécution réelle des tâches.