OpenAI vient d’introduire GPT-6.1 Sol, une nouvelle version de la gamme Sol conçue pour se rapprocher de GPT-6 Astra sur le code complexe, l’utilisation d’ordinateur et les tâches professionnelles, sans faire passer les clients au niveau de prix standard d’Astra.
Cette évolution compte davantage qu’un simple rafraîchissement de modèle, car elle déplace le point d’équilibre économique pour les systèmes agentiques. OpenAI affiche GPT-6.1 Sol à 2 dollars par million de jetons en entrée et 10 dollars par million en sortie en traitement standard. Son comparatif actuel fixe GPT-6 Astra à 10 dollars en entrée et 50 dollars en sortie. GPT-6 Sol reste lui aussi affiché à 2 et 10 dollars : le tarif standard non mis en cache de la gamme Sol n’augmente donc pas avec la version 6.1.
La question utile n’est dès lors pas de savoir si Sol est abstraitement « meilleur », mais si une charge qui justifiait auparavant Astra peut désormais être exécutée avec une qualité suffisante sur Sol.
Un modèle plus puissant au même point économique de la gamme Sol
OpenAI présente GPT-6.1 Sol comme offrant des performances proches d’Astra sur les tâches complexes à un coût inférieur à celui d’Astra. La documentation API indique une fenêtre de contexte de 1 050 000 jetons et jusqu’à 128 000 jetons de sortie. Via Responses API, le modèle peut également utiliser la recherche web, la recherche de fichiers, l’exécution de code, l’utilisation d’ordinateur, MCP et d’autres outils destinés aux agents.
L’addendum de sécurité publié par OpenAI montre aussi une progression notable par rapport à GPT-6 Sol sur plusieurs évaluations de cybersécurité. Sur une évaluation d’exécution arbitraire de code, OpenAI annonce 21,5 % de réussite pour GPT-6.1 Sol, contre 5,5 % pour GPT-6 Sol et 31,5 % pour GPT-6 Astra. Sur ExploitGym, les résultats publiés sont respectivement de 35,1 %, 22,1 % et 42,4 %.
Ces chiffres proviennent d’OpenAI et ne garantissent pas les performances en production. Ils étayent néanmoins une conclusion plus étroite : GPT-6.1 Sol ne correspond pas à un simple changement de nom et représente, dans les évaluations publiées, une hausse significative de capacité au sein de la gamme Sol.
Les agents rendent l’économie du routage plus importante
Le modèle vise précisément les charges où les appels répétés aux outils et les longues chaînes de raisonnement transforment le choix du modèle en décision d’exploitation. Un agent de programmation, un système utilisant un ordinateur ou un processus de recherche professionnel peut solliciter le modèle de nombreuses fois pour accomplir une seule tâche visible par l’utilisateur. Un écart de prix standard d’un facteur cinq entre Sol et Astra peut donc peser fortement, même lorsque l’efficacité en jetons varie selon la charge.
Le déploiement annoncé par GitHub le 29 septembre rend cet effet concret pour les développeurs. GitHub indique que GPT-6.1 Sol est disponible de manière générale et en cours de déploiement dans Copilot pour le codage agentique et les usages en terminal, avec accès dans l’agent de programmation Copilot, l’interface en ligne de commande, les principaux environnements de développement, github.com et les applications mobiles pour les offres éligibles.
Pour Aipolix, la conséquence architecturale est que le routage des modèles doit devenir plus empirique. Si Sol franchit désormais le seuil de qualité nécessaire pour une tâche qui exigeait auparavant Astra, la basculer vers le niveau moins coûteux peut réduire sensiblement la facture. Mais si la tâche dépend encore de la marge de capacité d’Astra, choisir Sol uniquement pour son prix peut provoquer davantage d’échecs ou de relances.
La bonne unité de comparaison devient donc le coût par tâche réussie, avec les reprises et les appels d’outils, et non le seul prix du jeton.
La capacité cyber relève aussi le niveau de contrôle
Cette hausse de capacité a une conséquence de sécurité. Dans le cadre de son Preparedness Framework, OpenAI indique traiter GPT-6.1 Sol comme Critical en cybersécurité et High pour les capacités biologiques et chimiques. L’entreprise applique au modèle la même pile de protections que pour GPT-6 Astra.
Pour les organisations qui déploient des agents autonomes ou semi-autonomes, ce point est opérationnel. Un modèle plus capable en exécution de code et en exploitation de vulnérabilités peut améliorer le travail défensif, mais il augmente aussi l’importance des permissions d’outils, des contrôles réseau, de l’isolation des secrets, de la journalisation et de l’approbation humaine avant les actions à fort impact.
Le même choix de modèle peut donc produire deux effets simultanés : réduire le coût par rapport à Astra et exiger un environnement de contrôle plus strict que celui que certaines équipes associaient jusqu’ici à un modèle de la gamme Sol.
Les résultats cyber publiés par OpenAI ne doivent pas être interprétés comme une mesure universelle des capacités offensives. Ils correspondent à des évaluations et à des conditions précises. La conclusion opérationnelle la plus prudente consiste à réexaminer le modèle de menace lors de la mise à niveau plutôt qu’à supposer que la posture de sécurité de GPT-6 Sol reste suffisante.
La hiérarchie des modèles devient un problème de routage
GPT-6.1 Sol ne rend pas Astra inutile. OpenAI continue de présenter Astra comme son modèle le plus capable et ses propres évaluations cyber le placent encore devant sur plusieurs mesures. L’accès à GPT-6.1 Sol varie également selon le produit, l’offre, la politique d’administration et l’état du déploiement.
Ce qui change, c’est l’espace entre les niveaux. GPT-6.1 Sol fournit un nouveau point sur la courbe capacité-coût : nettement plus fort que le Sol précédent dans les données publiées par OpenAI, suffisamment proche d’Astra pour mériter des essais directs sur des charges réelles, et beaucoup moins cher qu’Astra aux tarifs API standard.
La conclusion d’Aipolix est que les équipes devraient profiter de cette sortie pour retester leurs frontières de routage plutôt que remplacer mécaniquement un nom de modèle par un autre. Il faut mesurer un ensemble représentatif de tâches réelles, calculer le coût d’une réussite en intégrant les reprises et les appels d’outils, puis revoir séparément les permissions accordées au modèle.
La mise à niveau crée le plus de valeur lorsqu’elle permet de déplacer des tâches agentiques exigeantes vers un niveau moins coûteux sans augmenter le taux d’échec. Le risque est de considérer la hausse de capacité comme un avantage uniquement économique : avec GPT-6.1 Sol, la même progression qui améliore les agents renforce aussi le besoin de confinement et de gouvernance.