Un lancement centré sur l’économie d’usage
Le lancement de GPT-6.1 Terra doit être lu autant comme une annonce tarifaire que comme une évolution technique. OpenAI décrit Terra comme un modèle rapide et efficient de la série GPT-6, conçu pour le raisonnement visuel, l’usage précis d’un ordinateur et une rédaction plus naturelle . La cible est claire: les tâches professionnelles répétitives qui remplissent une journée de travail et qui peuvent générer un très grand nombre d’appels API.
OpenAI cite des exemples concrets: rédiger des propositions, interpréter des plans techniques, remplir des formulaires, modifier des vidéos, lire des factures entrantes et saisir leurs informations dans un logiciel comptable . Ces cas d’usage expliquent le positionnement du modèle. Terra n’est pas présenté comme le modèle le plus puissant de la gamme pour chaque problème extrême, mais comme un moteur plus abordable pour des flux de travail nombreux, structurés et souvent visuels.
Le modèle apparaît aussi dans le journal des changements de l’API OpenAI du 26 octobre, où gpt-6.1-terra est listé comme une nouveauté disponible pour l’API Responses et l’API Chat Completions . Ce point est important: Terra n’est pas seulement une option dans ChatGPT. Il devient immédiatement un composant exploitable par les développeurs. OpenAI indique que le modèle est disponible pour les utilisateurs Plus, Pro, Enterprise et Edu dans ChatGPT Work et Codex, ainsi que dans l’API sous le nom gpt-6.1-terra .
Les prix qui changent le calcul des développeurs
OpenAI annonce pour GPT-6.1 Terra un tarif standard de 1 dollar par million de jetons d’entrée, 0,05 dollar par million de jetons d’entrée mis en cache et 5 dollars par million de jetons de sortie . Pour les développeurs d’agents, le prix des jetons mis en cache est particulièrement stratégique. Les systèmes agentiques renvoient souvent les mêmes instructions système, schémas d’outils, règles internes, profils clients ou fichiers de contexte à chaque étape. Lorsque ces éléments peuvent être mis en cache, le coût marginal d’une séquence longue peut baisser nettement.
La comparaison avec les modèles plus coûteux donne toute sa portée à l’annonce. OpenAI affirme que, sur Agents’ Last Exam, un benchmark de tâches professionnelles réalisées par ordinateur, GPT-6.1 Terra atteint un niveau comparable à GPT-6 Astra pour seulement un dixième du prix par jeton . L’entreprise affirme aussi que Terra termine ces tâches plus de trois fois plus vite que GPT-6 Astra et GPT-6.1 Sol . The Decoder résume ce lancement comme un déplacement de la frontière coût-performance, en présentant Terra comme un modèle capable de couvrir de nombreuses tâches professionnelles sans imposer le prix d’un modèle phare .
Cette distinction entre prix par jeton et coût par tâche est essentielle. Un modèle moins cher par jeton peut rester coûteux s’il nécessite davantage de tentatives, des raisonnements plus longs ou plus d’interventions humaines. OpenAI soutient que Terra réduit à la fois le prix affiché et le coût de l’exécution utile. À effort de raisonnement moyen sur Agents’ Last Exam, OpenAI affirme que Terra gagne 15 points de pourcentage par rapport à GPT-5.6 Terra pour environ un tiers du coût . À effort maximal, l’entreprise indique que Terra est plus de trois fois plus efficient en jetons que Claude Opus 5.5 et quatre fois moins cher par jeton, ce qui aboutirait à un coût par tâche environ neuf fois plus faible dans cette comparaison .
Pourquoi Terra vise d’abord les agents
Le lancement arrive dans un moment où le marché passe progressivement des chatbots aux agents. Dans une conversation classique, le coût dépend surtout de la longueur de l’échange. Dans un flux agentique, le coût se cumule à travers la planification, les appels d’outils, les actions dans un navigateur, les lectures de fichiers, les observations, les reprises après échec et la synthèse finale. Dans ce contexte, la vitesse et la fiabilité deviennent aussi importantes que l’intelligence brute.
C’est pourquoi les exemples d’OpenAI sont révélateurs. Terra est conçu pour voir des écrans, comprendre des documents, agir dans des applications et produire du texte utilisable . Decrypt le présente comme un modèle destiné aux tâches bureautiques courantes, notamment lire ce qui apparaît à l’écran, cliquer dans des applications et rédiger des réponses . Ce positionnement explique aussi la baisse des prix: lorsqu’une entreprise veut exécuter des milliers de tâches de back-office par jour, l’écart entre un modèle premium et un modèle intermédiaire peut décider de la rentabilité du projet.
Des progrès annoncés en vision, code et factualité
OpenAI avance plusieurs résultats de benchmark. Sur MMMU-Pro, un test de raisonnement visuel, l’entreprise affirme que GPT-6.1 Terra dépasse GPT-5.6 Terra à tous les niveaux de raisonnement et se rapproche de GPT-6 Astra et GPT-6.1 Sol pour un coût nettement inférieur . Sur OSWorld 2.1, qui évalue la capacité à accomplir des tâches dans des applications de bureau, Terra dépasserait le meilleur score de GPT-5.6 Terra à effort moyen, pour une fraction du coût par tâche .
Les chiffres en codage sont également importants. OpenAI indique que GPT-6.1 Terra résout 50,3 % des tâches de Terminal-Bench 4.0 à effort de raisonnement maximal, contre 21,5 % pour GPT-5.6 Terra . Decrypt souligne les mêmes chiffres tout en rappelant qu’il s’agit de mesures fournies par OpenAI, y compris pour le test interne de factualité . The Decoder note que le score de Terra en agent de codage le rapproche davantage de GPT-6.1 Sol que de modèles moins coûteux, même si OpenAI recommande toujours GPT-6.1 Sol ou GPT-6 Astra pour les tâches de codage les plus complexes .
La factualité est l’autre axe mis en avant. Sur un benchmark interne composé de prompts conçus pour provoquer des erreurs, OpenAI affirme que le taux d’erreur à faible effort de raisonnement passe de 53,6 % avec GPT-5.6 Terra à 16,7 % avec GPT-6.1 Terra . À effort maximal, ce taux tomberait à 4,3 %, un niveau proche de GPT-6 Astra et GPT-6.1 Sol selon l’entreprise . Pour un déploiement en entreprise, cette baisse peut compter autant que le prix par jeton: les hallucinations entraînent des coûts de vérification, des risques de conformité et une perte de confiance des utilisateurs.
Sécurité: un modèle moins cher, mais pas moins sensible
La documentation de sécurité donne une image plus nuancée que l’annonce tarifaire. Dans l’addendum à la carte système, OpenAI indique traiter GPT-6.1 Terra comme Critical en cybersécurité et High pour les capacités biologiques et chimiques dans le cadre de son Preparedness Framework . L’entreprise précise que Terra utilise la même pile de garde-fous que GPT-6.1 Sol et GPT-6 Astra, avec des sondes adaptées au modèle .
L’addendum indique que Terra se situe globalement au niveau de GPT-5.6 Terra sur les benchmarks de sécurité en production, tout en améliorant certains résultats pour les évaluations destinées aux moins de 18 ans et le compromis entre refus de demandes dangereuses et utilité sur demandes légitimes . OpenAI rapporte aussi que Terra atteint 24,5 % de réussite en exécution de code arbitraire sur son évaluation interne ExploitBench portant sur des vulnérabilités récemment divulguées, contre 21,5 % pour GPT-6.1 Sol et 31,5 % pour GPT-6 Astra . Selon l’interprétation d’OpenAI, Terra est donc nettement plus capable que des modèles plus anciens dans cette évaluation, même si l’exploitation fiable reste difficile .
Pour les clients, la conclusion est simple: moins cher ne veut pas dire moins risqué. Si Terra est utilisé pour piloter un navigateur, écrire du code, interagir avec des logiciels internes ou traiter des documents sensibles, il doit être encadré comme tout système agentique avancé. Cela suppose des permissions limitées, des journaux d’audit, des environnements isolés, des défenses contre l’injection de prompt, une revue humaine pour les actions à fort impact et un suivi précis des appels d’outils.
Un signal concurrentiel fort
Le lancement de Terra renforce la concurrence autour du rapport prix-performance plutôt que de la seule performance maximale. The Decoder décrit Terra comme un concurrent plus direct des modèles intermédiaires Claude Sonnet d’Anthropic, en mettant l’accent sur des prix d’entrée et de sortie plus bas que ceux de Claude Sonnet 5.5 . OpenAI adopte une logique proche: Terra n’est pas vendu comme la réponse à tous les problèmes les plus difficiles, mais comme un modèle de travail pour des tâches professionnelles massives .
Ce changement est significatif. Beaucoup d’entreprises ont découvert que les démonstrations spectaculaires d’agents ne suffisent pas à créer une économie viable. Un flux de travail qui coûte plusieurs dollars en appels de modèle pour traiter un document de faible valeur ne passera pas à l’échelle. Un flux qui coûte quelques centimes, va plus vite et échoue moins souvent devient beaucoup plus facile à défendre. Terra cherche précisément à déplacer davantage d’usages agentiques dans cette seconde catégorie.
La question centrale est maintenant celle de la reproduction de ces résultats en conditions réelles. La valeur de Terra dépendra du taux de reprise après échec, de la fiabilité des appels d’outils, de la latence sous charge, du taux de succès du cache, du comportement en contexte long et de la qualité des intégrations. Mais le message envoyé par OpenAI est clair: le coût de l’IA agentique devient une fonctionnalité produit majeure.
En résumé
GPT-6.1 Terra n’est pas seulement un modèle moins cher. C’est la tentative d’OpenAI de rendre les agents capables d’utiliser un ordinateur plus abordables pour les tâches professionnelles quotidiennes. Avec un tarif standard de 1 dollar par million de jetons d’entrée et 5 dollars par million de jetons de sortie, une disponibilité dans ChatGPT Work, Codex et l’API, ainsi que des baisses de coût annoncées sur certaines tâches face aux modèles phares, Terra déplace la conversation du “modèle le plus intelligent” vers le “modèle qui accomplit le travail au meilleur coût” .
Pour les développeurs et les entreprises, c’est peut-être la question la plus importante. Si les performances réelles confirment les annonces d’OpenAI, Terra pourrait rendre plus crédibles les déploiements d’agents à grande échelle dans le traitement documentaire, l’automatisation bureautique, l’analyse visuelle, la maintenance logicielle et les opérations internes. L’opportunité est réelle, mais les responsabilités le sont aussi: un agent moins cher reste un agent, et tout système capable de voir, cliquer, coder et décider exige des contrôles opérationnels solides.