OpenAI a lancé GPT-6 Astra, son nouveau modèle phare destiné aux tâches complexes, au développement logiciel, à la recherche et surtout aux workflows capables d’utiliser plusieurs outils de manière autonome.
Avec Astra, l’évolution ne concerne pas uniquement la qualité des réponses générées. OpenAI poursuit une transformation plus profonde de son API : passer du simple chatbot à des agents IA capables de raisonner, d’utiliser des outils, d’interagir avec des logiciels et d’exécuter des tâches en plusieurs étapes.
Pour les développeurs, les éditeurs SaaS et les entreprises souhaitant automatiser leurs processus, cette évolution ouvre des possibilités particulièrement intéressantes.
Qu’est-ce que GPT-6 Astra ?
GPT-6 Astra est actuellement le modèle le plus performant proposé par OpenAI pour les tâches complexes de bout en bout.
OpenAI le positionne notamment pour :
- le raisonnement complexe ;
- le développement logiciel ;
- la recherche ;
- la navigation web ;
- l’utilisation d’un ordinateur ;
- l’analyse de données ;
- les workflows professionnels multi-étapes ;
- la création de documents et de contenus structurés.
Dans l’API OpenAI, le modèle est accessible avec l’identifiant :
gpt-6-astra
OpenAI recommande désormais Astra comme modèle de référence lorsqu’un projet nécessite une forte capacité de raisonnement ou l’utilisation de plusieurs outils.
Une fenêtre de contexte dépassant le million de tokens
GPT-6 Astra dispose d’une fenêtre de contexte de 1,05 million de tokens et peut générer jusqu’à 128 000 tokens en sortie.
Cela permet au modèle de travailler sur des volumes de données particulièrement importants :
- documentation technique ;
- bases de code ;
- longs historiques de conversation ;
- rapports ;
- documents professionnels ;
- données issues de plusieurs outils.
Pour une application SaaS ou un agent connecté au système d’information d’une entreprise, cette capacité est particulièrement intéressante : le modèle peut conserver beaucoup plus de contexte pendant l’exécution d’une tâche.
GPT-6 Astra face à GPT-5.6
GPT-5.6 reste disponible dans plusieurs variantes, notamment Sol, Terra et Luna.
GPT-6 Astra se situe au-dessus de GPT-5.6 Sol pour les tâches les plus complexes.
Les deux modèles disposent d’une fenêtre de contexte de 1,05 million de tokens et peuvent produire jusqu’à 128 000 tokens, mais Astra est davantage orienté vers les tâches longues et agentiques.
La différence de prix est également importante.
Au tarif standard de l’API :
GPT-6 Astra
- entrée : 10 $ / million de tokens ;
- entrée en cache : 1 $ / million ;
- sortie : 50 $ / million.
GPT-5.6 Sol
- entrée : 4 $ / million ;
- entrée en cache : 0,40 $ / million ;
- sortie : 20 $ / million.
Astra n’a donc pas vocation à remplacer systématiquement des modèles moins coûteux.
Une architecture efficace pourra utiliser différents modèles selon la complexité du travail :
Demande simple
↓
modèle rapide / économique
Analyse avancée
↓
GPT-5.6
Workflow complexe
↓
GPT-6 Astra
Cette approche permet de maîtriser les coûts tout en réservant Astra aux tâches pour lesquelles ses capacités apportent réellement de la valeur.
Du chatbot à l’agent IA
C’est probablement le changement le plus important.
Une intégration classique d’un LLM fonctionne généralement ainsi :
Utilisateur
↓
Prompt
↓
Modèle IA
↓
Réponse
L’application pose une question au modèle et récupère du texte.
Avec Astra et la Responses API, l’architecture peut devenir beaucoup plus dynamique :
Utilisateur
↓
GPT-6 Astra
↓
raisonnement
↓
choix d'un outil
↓
API / CRM / base de données
↓
résultat
↓
nouveau raisonnement
↓
autre outil si nécessaire
↓
réponse finale
Le modèle ne se contente donc plus nécessairement de générer une réponse.
Il peut décider qu’il doit récupérer une information avant de répondre.
Les tools : donner des capacités à l’IA
Les développeurs peuvent déclarer des fonctions que GPT-6 Astra a le droit d’utiliser.
Imaginons un CRM possédant une fonction :
search_leads()
et une seconde :
get_company_details()
L’utilisateur peut simplement demander :
Recherche les entreprises du secteur informatique dans les Yvelines et identifie celles qui pourraient avoir besoin d’une refonte de leur site.
L’agent peut alors déterminer qu’il doit :
1. rechercher les entreprises
2. récupérer leurs informations
3. analyser leur site
4. comparer les résultats
5. attribuer un score
6. produire une synthèse
Le développeur expose les capacités disponibles.
Le modèle peut ensuite choisir quand et comment les utiliser.
Astra prend en charge notamment les fonctions personnalisées, la recherche web, la recherche dans des fichiers et l’utilisation d’un ordinateur.
Les appels d’outils deviennent asynchrones
GPT-6 Astra apporte une nouveauté particulièrement importante pour les applications agentiques : les appels d’outils asynchrones.
Jusqu’à présent, beaucoup de workflows ressemblent à ceci :
IA
↓
outil A
↓
attente
↓
IA
↓
outil B
↓
attente
↓
IA
Avec Astra, un développeur peut déclarer certains outils avec :
async: true
Le modèle peut alors continuer à raisonner, utiliser un autre outil ou traiter une autre partie du problème pendant que l’application exécute l’opération en cours.
Prenons un agent devant analyser plusieurs entreprises.
Il pourrait lancer :
analyse entreprise A ───────────┐
analyse entreprise B ────────┐ │
analyse entreprise C ─────┐ │ │
↓ ↓ ↓
résultats
↓
synthèse finale
Pour des opérations impliquant plusieurs APIs ou des traitements relativement longs, le gain potentiel est considérable.
Un raisonnement adaptable à la difficulté
GPT-6 Astra propose plusieurs niveaux de raisonnement :
low
medium
high
xhigh
max
Un développeur peut donc adapter l’effort du modèle à la tâche.
Par exemple :
Résumé
→ low
Analyse d'entreprise
→ medium
Recherche complexe
→ high
Problème particulièrement difficile
→ xhigh / max
Cette possibilité est importante car un raisonnement plus important peut également augmenter la latence et la consommation de ressources.
Il n’est donc généralement pas pertinent d’utiliser le niveau maximal pour toutes les requêtes.
Le niveau de raisonnement peut changer pendant une conversation
Astra va encore plus loin avec configuration_update.
Le développeur peut modifier le niveau de raisonnement pendant une conversation sans devoir reconstruire tout le contexte.
Par exemple :
Utilisateur :
Affiche mes prospects récents.
raisonnement : low
Puis :
Utilisateur :
Analyse maintenant leurs sites,
leurs activités et leur potentiel commercial.
raisonnement : high
Enfin :
Utilisateur :
Fais-moi simplement un résumé.
raisonnement : low
OpenAI indique que cette modification peut être réalisée tout en préservant le préfixe initial utilisé pour le cache du prompt.
Pour les conversations longues, cela peut permettre de mieux équilibrer performances et coûts.
Modifier une tâche pendant son exécution
Autre évolution intéressante : le mid-turn steering.
Lorsqu’un agent effectue une tâche relativement longue, l’utilisateur peut lui transmettre une nouvelle instruction avant même que la première tâche soit entièrement terminée.
Par exemple :
Analyse ces 100 entreprises françaises et classe-les selon leur potentiel.
Puis, pendant l’analyse :
Ignore finalement celles de plus de 500 salariés.
Avec une connexion WebSocket, Astra peut prendre en compte cette nouvelle instruction tout en conservant une partie du travail déjà effectué.
Cette fonctionnalité rapproche encore davantage l’utilisation d’un agent IA de celle d’un véritable assistant interactif.
Exemple avec Next.js
Un appel simple à GPT-6 Astra peut être réalisé avec le SDK OpenAI.
Installation :
npm install openai
Création du client :
import OpenAI from "openai";
const openai = new OpenAI({
apiKey: process.env.OPENAI_API_KEY,
});
Puis :
const response = await openai.responses.create({
model: "gpt-6-astra",
reasoning: {
effort: "low",
},
input: "Analyse les avantages d'une architecture SaaS multi-tenant.",
});
console.log(response.output_text);
Pour un usage professionnel, ce simple appel peut ensuite être complété par des tools permettant au modèle d’accéder aux services internes de l’application.
Exemple : un agent commercial connecté à un CRM
Prenons un CRM disposant des capacités suivantes :
search_leads
get_company
analyse_website
score_lead
create_opportunity
write_email
Un utilisateur pourrait demander :
Recherche 20 PME autour de Rambouillet dont le site semble ancien et identifie les cinq prospects les plus intéressants.
L’agent pourrait construire son workflow :
Recherche des entreprises
↓
Analyse des informations
↓
Analyse des sites
↓
Qualification
↓
Score commercial
↓
Sélection
↓
Rapport
Avec l’autorisation appropriée, il pourrait ensuite proposer ou effectuer certaines actions dans le CRM.
C’est précisément dans ce genre de scénario qu’un modèle comme Astra devient beaucoup plus intéressant qu’un simple chatbot.
Des agents capables d’utiliser plusieurs systèmes
Les applications d’entreprise disposent rarement d’une seule source de données.
Un agent peut avoir besoin de connecter :
CRM
│
├── base PostgreSQL
├── ERP
├── API métier
├── documents
├── moteur de recherche
├── emails
└── services externes
Le rôle du modèle devient alors celui d’un orchestrateur capable de choisir les bons outils selon l’objectif demandé.
Cela ouvre la voie à des applications comme :
- agents commerciaux ;
- assistants CRM ;
- agents support ;
- analyse automatisée de documents ;
- veille concurrentielle ;
- recherche professionnelle ;
- génération de rapports ;
- assistants métier ;
- automatisation de processus internes.
Les agents ne doivent pas pour autant être entièrement autonomes
L’autonomie apporte également de nouveaux enjeux.
Donner accès à un outil permettant de lire une base de données n’a pas les mêmes conséquences que permettre à un agent :
delete_customer()
ou :
send_payment()
Une architecture robuste doit donc déterminer précisément :
- les données auxquelles l’agent peut accéder ;
- les outils qu’il peut utiliser ;
- les actions nécessitant une validation humaine ;
- les actions interdites ;
- les logs à conserver ;
- les limites d’utilisation ;
- les règles de sécurité.
Pour les opérations sensibles, conserver une validation humaine reste souvent préférable.
Agent
↓
prépare l'action
↓
demande validation
↓
utilisateur confirme
↓
action exécutée
Astra et le développement logiciel
OpenAI positionne également GPT-6 Astra comme son modèle phare pour l’ingénierie logicielle et les workflows de développement complexes.
Un agent de développement peut par exemple :
Analyser un repository
↓
identifier un problème
↓
modifier plusieurs fichiers
↓
exécuter les tests
↓
analyser les erreurs
↓
corriger le code
↓
relancer les tests
On ne parle donc plus seulement de génération ponctuelle de code, mais d’exécution de tâches complètes.
Combien coûte GPT-6 Astra ?
Au lancement, OpenAI affiche pour l’API standard :
- 10 $ / million de tokens en entrée ;
- 1 $ / million de tokens d’entrée en cache ;
- 50 $ / million de tokens en sortie.
Astra est donc sensiblement plus cher par token que GPT-5.6.
Cependant, OpenAI indique que sur plusieurs évaluations, Astra utilise moins de tokens de sortie pour accomplir certaines tâches complexes, ce qui peut réduire le coût réel par tâche malgré un prix unitaire supérieur. Cette affirmation provient des évaluations d’OpenAI et devra naturellement être vérifiée selon chaque cas d’usage.
La bonne stratégie consiste donc généralement à utiliser plusieurs modèles.
Tâche simple
↓
modèle économique
Tâche intermédiaire
↓
GPT-5.6
Tâche complexe / agen