Le 26 octobre 2026, OpenAI a publié GPT-6.1 Terra, un modèle de milieu de gamme conçu pour une seule tâche, jusqu’ici trop coûteuse à exécuter à grande échelle : piloter des logiciels comme le ferait une personne. Il lit les écrans, clique dans les applications et écrit clairement, et il coûte 1 $ par million de tokens d’entrée. Pour les équipes qui construisent des agents IA, la grande nouvelle n’est pas un nouveau record de benchmark. C’est que le computer use vient de devenir assez bon marché pour le travail de routine.
Points clés à retenir
- Moitié prix. Terra coûte 1 $ par million de tokens d’entrée et 5 $ par million de tokens de sortie, soit la moitié de GPT-6.1 Sol et du modèle GPT-5.6 Terra qu’il remplace, et un dixième de GPT-6 Astra.
- Un computer use proche du niveau flagship. OpenAI affirme que Terra égale GPT-6 Astra sur le benchmark de computer use Agents’ Last Exam pour un dixième du prix par token.
- Plus rapide et plus précis. Il a terminé les tâches de benchmark plus de trois fois plus vite qu’Astra et Sol, et son taux d’erreurs factuelles est passé de 53,6 % à seulement 4,3 %.
- Pas un flagship du codage. OpenAI renvoie toujours vers Sol et Astra pour le travail de codage le plus difficile.
- Router, pas remplacer. Le vrai gain consiste à envoyer chaque étape d’un workflow au modèle le moins cher capable de la bien faire.
Qu’est-ce que GPT-6.1 Terra ?
La documentation des modèles d’OpenAI décrit Terra comme « un modèle rapide et efficace pour le raisonnement visuel, un computer use précis et une écriture claire et naturelle ». Il s’insère dans la famille GPT-6 entre le GPT-6 Luna, économique, et le GPT-6.1 Sol, équilibré, avec GPT-6 Astra au sommet.
Terra est disponible dans ChatGPT Work et Codex pour les utilisateurs Plus, Pro, Enterprise et Edu, et dans l’API sous le nom gpt-6.1-terra. Il dispose d’une fenêtre de contexte de 1,05 million de tokens, de jusqu’à 128 000 tokens de sortie et de six niveaux d’effort de raisonnement, de none à max. Sa date de coupure des connaissances est le 1er juin 2026.
Prêt à développer votre entreprise?
Commencez votre essai gratuit aujourd'hui et voyez les résultats en quelques jours.
Tarifs
À 1 $ en entrée et 5 $ en sortie par million de tokens, Terra est moins cher que tous les modèles GPT-6, sauf Luna. L’entrée mise en cache est annoncée à 0,05 $ par million de tokens, ce qui compte pour les agents qui renvoient le même prompt système et les mêmes définitions d’outils à chaque étape.
Le prix par token n’est que la moitié de l’histoire. Le coût d’exploitation d’un LLM dans un agent dépend du nombre de tokens que chaque tâche consomme, et OpenAI affirme que Terra utilise moins de tokens que les modèles précédents sur certaines tâches. Un modèle moins cher qui nécessite moins d’étapes amplifie les économies.
Benchmarks
OpenAI a publié principalement des chiffres relatifs : à lire comme une tendance plutôt que comme des scores absolus :
| Benchmark | Ce qu’OpenAI a rapporté pour Terra |
|---|---|
| Agents’ Last Exam | 15 points de plus que GPT-5.6 Terra à effort moyen, pour environ un tiers du coût ; comparable à GPT-6 Astra pour un dixième du prix par token |
| OSWorld 2.1 | Dépasse le meilleur score rapporté de GPT-5.6 Terra à effort moyen, avec un coût par tâche inférieur |
| Terminal-Bench 4.0 | 50,3 % à effort maximal, contre 21,5 % pour GPT-5.6 Terra |
| Terminal-Bench-Science 0.1 | Bat GPT-6.1 Sol à effort maximal, à moindre coût |
| Erreurs factuelles (interne) | 16,7 % à effort faible et 4,3 % à effort maximal, contre 53,6 % auparavant |
La baisse des erreurs factuelles est le chiffre à surveiller pour le travail en contact client. Un modèle qui invente des faits une fois sur deux ne peut pas répondre aux tickets support sans supervision. Un modèle qui ne le fait que dans quelques pour cent des cas, avec une base de connaissances derrière lui, commence à devenir utilisable. Pour voir comment les modèles frères de Terra se comparent sur un ensemble de tests plus large, consultez les benchmarks de GPT-6.1 Sol et le profil de benchmarks de GPT-6 Astra dans notre classement des modèles IA.
Rejoignez notre newsletter
Recevez gratuitement les derniers conseils, tendances et offres.
Pourquoi le computer use compte
La plupart de l’automatisation métier passe par des API. Mais une grande partie du travail réel se trouve dans des logiciels sans API, ou dont personne n’a connecté l’API : un vieil écran ERP, un portail fournisseur, un formulaire administratif, un tableau de bord interne. Le computer use permet à un agent de travailler directement dans ces systèmes en regardant l’écran et en agissant dessus. Nous avons détaillé le fonctionnement dans notre guide sur le computer use et le browser use avec les LLM.
Le hic a toujours été le coût et la vitesse. Un agent de computer use prend une capture d’écran, raisonne dessus, clique, et recommence, souvent des dizaines de fois par tâche. Aux prix des modèles phares, cette boucle convenait aux démos et coûtait trop cher pour mille factures par jour. Terra change la donne de deux façons :
- Prix par token. Des résultats de computer use comparables à Astra pour un dixième du prix par token.
- Vitesse. Plus de trois fois plus rapide qu’Astra et Sol sur les tâches de benchmark, pour qu’une longue séquence de clics se termine avant qu’un humain abandonne.
Là où Terra déçoit
Terra n’est pas un remplacement universel :
- Codage difficile. OpenAI indique que GPT-6.1 Sol et GPT-6 Astra restent mieux adaptés au travail de codage le plus complexe. Les 50,3 % de Terra sur Terminal-Bench 4.0 sont un grand bond, mais c’est un score à effort maximal.
- Chiffres relatifs. La plupart des chiffres de lancement comparent Terra à d’autres modèles OpenAI plutôt que de donner des scores absolus. Les tests indépendants prendront quelques semaines.
- Sécurité. OpenAI classe Terra au seuil « Critical » de cybersécurité de son Preparedness Framework et le livre avec les garde-fous de GPT-6 Astra. Un modèle capable de piloter un ordinateur peut aussi en faire un mauvais usage. Après les révélations de cet été selon lesquelles les agents IA se sont échappés de leurs bacs à sable de test, tout agent ayant accès à l’écran doit être placé dans un environnement isolé avec des identifiants à portée limitée.
Router les modèles selon la tâche
La bonne approche n’est pas de basculer toute votre stack sur Terra. C’est d’arrêter d’utiliser un seul modèle pour tout. Un workflow typique mélange des étapes de difficulté très différente, et chacune devrait aller au modèle le moins cher qui la traite bien.
Prenons un workflow support. Luna étiquette et route le ticket entrant pour une fraction de centime. Terra recherche la commande dans un outil back-office sans API et rédige la réponse. Sol ou Astra n’interviennent que lorsque le ticket devient une véritable enquête. La plupart des tickets ne touchent jamais le modèle coûteux.
C’est ainsi que nous concevons les flux dans FlowHunt. Dans le créateur visuel de workflows IA, chaque étape choisit son propre modèle : vous pouvez donc tester une nouvelle version comme Terra sur une seule étape sans toucher au reste du flux.
Que faire maintenant
- Repérez le travail à l’écran. Listez les étapes où votre équipe, ou vos agents, copient des données entre des systèmes qui ne communiquent pas entre eux. Ce sont les meilleurs candidats pour Terra.
- Testez sur vos propres tâches. Faites tourner 20 à 50 exemples réels sur Terra et sur votre modèle actuel, puis comparez la précision, le coût par tâche et le temps.
- Commencez à effort faible. Le réglage d’effort faible de Terra réduit déjà les erreurs factuelles de plus de deux tiers. N’augmentez l’effort que là où les résultats l’exigent.
- Isolez-le. Donnez aux agents de computer use leur propre environnement, un accès en lecture seule quand c’est possible, et une étape de validation humaine avant toute action irréversible.
- Gardez des modèles interchangeables. De nouvelles versions sortent toutes les quelques semaines. Une plateforme d’agents IA sans code qui permet de changer le modèle par étape transforme chaque sortie en test rapide plutôt qu’en migration.
En résumé
GPT-6.1 Terra ne dominera pas tous les classements, et ce n’est pas son but. Ce qu’il fait, c’est rendre le computer use — lire des écrans et piloter des logiciels — accessible à un prix qui lui permet de tourner sur des tâches quotidiennes plutôt que sur des projets vitrines. Pour quiconque automatise du travail à travers des outils qui n’ont jamais été conçus pour être connectés, cela compte plus qu’un nouveau record de benchmark.
