Astra clique, installe, teste. Et se plante une fois sur quatre

Remplir un formulaire en ligne, mettre à jour une fiche client, installer un logiciel puis le tester, lancer les vérifications d’un site avant sa mise en ligne. La liste des tâches que revendique Astra, le modèle qu’OpenAI a sorti le 3 septembre sous le nom de GPT-6, n’a plus grand-chose à voir avec la rédaction de texte : son argument principal est qu’il sait se servir d’un ordinateur. Sur OSWorld 2.0, le banc d’essai de référence pour ce type de travail, il marque 72,6 % contre 65,7 % à GPT-5.6 Sol, et surtout il met environ 40 minutes par tâche là où son prédécesseur en demandait 75.

Le gain de vitesse compte plus que les sept points. Un agent qui met une heure et quart à traiter un dossier ne remplace rien du tout : il occupe une machine pendant que quelqu’un attend. À quarante minutes, l’arithmétique commence à changer.

Astra ne répond plus à des questions, il exécute des tâches

La démonstration d’OpenAI ne porte pas sur la conversation mais sur l’écran. La page officielle décrit un modèle qui analyse des données, génère des graphiques, construit un site puis en teste les fonctionnalités une par une, installe et dépanne des logiciels, et diagnostique ce qu’il voit affiché devant lui.

Les chiffres publiés suivent la même logique. Sur ScreenSpot-Pro, qui mesure la capacité à repérer le bon élément dans une interface professionnelle sans outil d’assistance, Astra passe à 92,7 % contre 76,9 % à Sol. C’est le saut le plus net du lot, et c’est celui qui conditionne tout le reste : un agent qui se trompe de bouton une fois sur quatre ne finit jamais une procédure de huit étapes.

Un développeur qui a disposé d’un accès anticipé donne la mesure concrète. Il raconte avoir vu le modèle parcourir environ 150 pages d’un tableau de bord médical pour en extraire ses propres dossiers, en un quart d’heure. Sur un autre chantier, il lui a fait diagnostiquer une latence de synchronisation : le modèle a fabriqué ses outils de test, isolé le goulot d’étranglement, et ramené 800 millisecondes sous les 30. Un retour d’usage, pas une mesure de laboratoire.

Le même modèle réussit 62 % ou 99 % selon la façon de le brancher

C’est là que l’annonce mérite d’être lue deux fois. Astra affiche 99,9 % sur ARC-AGI-3, un test conçu pour mesurer l’apprentissage à la volée dans un environnement inconnu. La fondation qui l’organise a publié son propre relevé, et il est nettement plus instructif que le chiffre d’annonce : avec son harnais standard, celui où chaque appel à l’interface de programmation est indépendant du précédent, le score tombe à 62,7 %. Le 99,9 % s’obtient avec un adaptateur fourni par OpenAI, qui conserve l’état du raisonnement entre les requêtes.

Même modèle, même test, deux façons de le brancher, et un écart de 37 points. Le passage à 62,7 % a coûté 26 000 dollars, celui à 99,9 % en a coûté 19 000 : la version qui garde la mémoire de ce qu’elle a déjà essayé va plus vite et consomme moins.

La leçon dépasse largement ce banc d’essai. Ce qu’on achète en 2026, ce n’est plus un modèle, c’est un modèle plus la tuyauterie qui l’entoure. Deux équipes qui déploient exactement le même Astra sur exactement la même tâche obtiendront des résultats très différents selon la façon dont elles gèrent la persistance du contexte. Les scores d’annonce sont mesurés dans la configuration la plus favorable, ce qui est de bonne guerre, mais ils ne décrivent pas ce que produit un appel générique écrit à la va-vite. La fondation ARC le reconnaît elle-même : saturer son test ne prouve pas qu’on a atteint l’intelligence générale, son périmètre est étroit et ses mécaniques déterministes n’ont rien de la complexité du monde réel.

Selon le banc d’essai, Astra passe devant ou derrière Claude

Sur les trois épreuves qui mesurent l’usage de l’ordinateur, le comparatif publié par OpenAI donne Astra devant tous les modèles qu’il renseigne, son propre prédécesseur comme les Claude.

Sur ces trois lignes, aucune valeur n’est publiée pour Claude Fable 5.1, le modèle le plus récent d’Anthropic, alors qu’il figure ailleurs dans la même annonce, sur les épreuves professionnelles où Astra le devance. Un éditeur ne fait pas tourner les bancs d’essai de ses concurrents à leur place, et un tableau d’annonce reste un document commercial. Le classement change d’ailleurs de main dès qu’on change d’arbitre : sur l’indice des agents de code d’Artificial Analysis, relevé le jour de la sortie, Astra obtient 67 et Fable 5.1 en obtient 70. Sur l’indice d’intelligence de la même maison, 61 contre 66.

Quand deux mesures se contredisent, la seule qui tranche pour une entreprise est celle qu’elle produit elle-même sur ses propres dossiers. C’est aussi la raison pour laquelle un choix de modèle se teste avant de se contractualiser, comme nous le détaillons dans notre méthode pour construire un agent IA.

Reste à savoir qui rattrape le dossier raté

72,6 % sur OSWorld, cela veut dire qu’environ une tâche sur quatre n’aboutit pas. Sur un test de recherche, dans un environnement propre. Les mêmes testeurs qui saluent les 150 pages de tableau de bord signalent le revers : un montage vidéo aux transitions ratées et aux plans mal découpés, et une demande de fusion de code que le modèle n’a pas su mener jusqu’au bout malgré des consignes explicites, obligeant son utilisateur à reprendre la main plusieurs fois.

Un agent qui réussit trois tâches sur quatre ne fait pas économiser trois quarts d’un poste. Il fait économiser le temps de trois tâches, moins le temps passé à détecter laquelle des quatre a échoué, et à réparer ce qu’elle a laissé derrière elle. Tant que ce contrôle reste humain, le gain net dépend entièrement de la facilité à repérer l’échec. Une extraction de dossiers se vérifie d’un coup d’œil sur le compteur de fichiers. Une mise à jour de fiches clients à moitié faite, beaucoup moins.

OpenAI a travaillé le sujet sous un autre angle, celui du débordement de périmètre. L’éditeur a construit une évaluation inspirée d’un incident survenu chez Hugging Face pour mesurer ce que fait un modèle confronté à une tâche difficile ou impossible : continue-t-il au-delà de ce qu’on lui a autorisé ? Sans les garde-fous de production, Sol dépassait la cible autorisée dans 48 % des cas. Astra, dans 0 %. C’est probablement le chiffre le plus rassurant de l’annonce pour qui envisage de confier un accès réel à une machine.

2,5 fois le prix de Sol, et une facture qui double à 272 000 jetons

Le tarif affiché est de 10 dollars par million de jetons en entrée et 50 en sortie. C’est déjà 2,5 fois le prix de Sol, facturé 4 et 20. Mais la grille officielle comporte une seconde colonne, nettement moins commentée : au-delà de 272 000 jetons en entrée, l’appel bascule à 20 dollars en entrée et 75 en sortie. Pas seulement les jetons situés au-delà du seuil, la requête entière.

Rapporté à la fenêtre de contexte annoncée, environ 1,05 million de jetons, ce seuil se situe à 26 % de la capacité. Les trois quarts de ce que le modèle sait ingérer se facturent donc au tarif majoré. Une base documentaire chargée d’un coup, un dossier volumineux, un historique de conversation qui s’allonge au fil de la journée, et la note double sans que personne ait rien changé à son usage. Le mode rapide, proposé en option, double encore la vitesse et le prix.

Trois questions à régler avant d’ouvrir l’accès aux équipes

Le modèle se déploie progressivement sur les formules Plus, Pro, Business et Enterprise de ChatGPT, ainsi que par l’interface de programmation, Azure et AWS Bedrock. Sur les espaces de travail Enterprise, l’accès est désactivé par défaut au lancement et doit être ouvert par un administrateur : Astra est aussi le premier modèle d’OpenAI classé au seuil critique en cybersécurité, capable d’identifier des failles inédites, et l’éditeur laisse aux organisations le soin de décider quand l’ouvrir.

Trois questions méritent d’être tranchées avant cette activation. Sur quel périmètre le modèle a-t-il le droit d’agir, sachant que prendre la main sur l’écran signifie littéralement accéder à ce qui est ouvert sur la session. Comment l’échec d’une tâche sur quatre est-il détecté, et par qui. Et qui surveille la facture, puisqu’elle peut doubler à mi-parcours d’un contexte qu’on croyait acheté.

Le reste est une affaire de dossiers à passer au banc. Les tableaux d’annonce indiquent une direction, notre comparatif des modèles sert à s’orienter, mais aucun des deux ne dit ce que ce modèle fera de la procédure interne d’une entreprise donnée. Cette réponse s’obtient en la lui donnant à faire, sur un lot de dossiers dont on connaît déjà le résultat.