Commençons par un rappel. OpenAI propose quatre gammes de modèles, du moins cher au plus « capable ». Luna est ainsi vendu comme le modèle le plus rapide pour les questions courantes, Terra comme le modèle à tout faire, Sol pour les tâches complexes et Astra pour les plus gros besoins. Si Astra a ouvert le bal de la génération de modèles GPT-6 début septembre, Luna et Sol ont suivi peu de temps après. Ne manquait plus qu’une mise à jour de Terra, resté sur GPT-5.6. C’est désormais chose faite.

Pour l’occasion, Terra passe directement sur GPT-6.1, comme Sol fin septembre. OpenAI présente son nouveau modèle comme rapide, capable de combiner raisonnement visuel détaillé et pilotage précis de l’ordinateur, le tout avec une rédaction plus naturelle. L’entreprise cite plusieurs cas d’utilisation, allant de la rédaction de propositions à l’interprétation de dessins techniques, en passant par le remplissage de formulaires et le montage vidéo.

L’accent est largement mis sur la tarification API. Le prix est ainsi de 1 dollar par million de jetons (tokens) en entrée et de 5 dollars en sortie (le double en mode Fast), contre respectivement 2 et 12 dollars pour GPT-5.6 Terra. Le tarif de l’écriture en cache est divisé par deux, à 1,25 dollar le million de jetons, tandis que le prix de la lecture est divisé par quatre, passant de 0,20 à 0,05 dollar. De manière générale, le nouveau Terra est annoncé comme deux fois moins cher que l’ancien.

« Avec un effort maximal, Terra est plus de trois fois plus efficace que Claude Opus 5.5 en matière d’utilisation des tokens, et son prix par token est quatre fois inférieur, ce qui se traduit par un coût par tâche environ neuf fois inférieur », vante ainsi OpenAI.

Sans surprise, GPT-6.1 Terra bat la génération précédente dans tous les tests. Selon OpenAI, il flirte même avec les étoiles d’Astra sur certaines tâches. Sur Terminal-Bench 4.0 en particulier, le score est plus que doublé par rapport à l’ancienne, passant de 21,5 à 50,3 %. Le modèle se veut également rapide, avec une exécution trois fois plus rapide que GPT-6.1 Sol sur Last Exam.

Artificial Analysis confirme les meilleures performances, avec un gain de 6 points dans son Intelligence Index en effort maximal, de 7 à 13 points sur des efforts moins importants, et un coût par tâche (toujours sur son propre benchmark) de 0,40 dollar, contre 1,40 pour la génération précédente.

OpenAI l’affirme également, son modèle se trompe beaucoup moins. Sur son benchmark interne, « le taux d’erreur avec un faible effort de raisonnement est passé de 53,6 % avec GPT-5.6 Terra à 16,7 % avec GPT-6.1 Terra, soit une baisse de près de 37 points de pourcentage. Avec un effort maximal, le taux d’erreur a baissé de 18 points de pourcentage pour atteindre 4,3 %, se rapprochant ainsi des taux de GPT-6 Astra et de GPT-6.1 Sol », indique OpenAI. Difficile d’en savoir plus sur la base d’un benchmark interne, donc non reproductible.

Le nouveau « modèle du quotidien » est disponible pour les personnes abonnées Plus, Pro, Enterprise et Edu, mais uniquement dans ChatGPT Work et Codex pour l’instant. On peut également y accéder via l’API sous le nom gpt-6.1-terra.

« Taxe de vérification »

L’interrogation est croissante : les investissements dans l’IA sont-ils suivis d’effets tangibles sur la productivité ? Si l’on en croit le gestionnaire d’actifs Apollo Global Management, pas encore, la « faute » au facteur humain.

Apollo Global Management est l’un des principaux gestionnaires d’actifs alternatifs au monde. Il est aussi un important financeur des infrastructures de l’IA. En janvier 2026 par exemple, ses fonds ont mené un financement de 3,5 milliards de dollars pour l’acquisition de processeurs GB200 de NVIDIA loués à une filiale de xAI (devenu entre-temps Space XAI puis SpaceXSI).

Aussi, quand l’économiste en chef, Torsten Slok, publie un billet le 24 octobre sur les gains de productivité sous l’influence de l’IA, beaucoup tendent l’oreille. Qu’en dit Slok ? Qu’en dépit des investissements massifs, l’intelligence artificielle n’aurait produit aucun gain financier pour les entreprises américaines en dehors du secteur technologique.

Hors tech, point de salut ?

Le billet a été publié dans le cadre de sa lettre quotidienne The Daily Spark. Il se base essentiellement sur cinq facteurs.

Le premier, et le plus important, est que le chiffre d’affaires par salarié augmente bien pour les sept grandes valeurs technologiques, surnommées « les sept magnifiques », ou « Mag 7 » (Alphabet, Amazon, Apple, Meta, Microsoft, NVIDIA et Tesla). En revanche, il stagne pour les 493 autres sociétés du S&P 500.

Il note d’autres éléments participant à cet avis, notamment une même divergence pour les marges bénéficiaires. En outre, la productivité globale des facteurs (PGF) ne montrerait aucune accélération, Torsten Slok utilisant la série corrigée du taux d’utilisation de la Fed de San Francisco. Enfin, non seulement les dépenses d’IA sont très concentrées, mais elles sont également circulaires, un point abordé plusieurs fois dans nos actualités.

• IA : la valse des contrats entre NVIDIA, OpenAI et consorts ravive les craintes d’une bulle
• Les patrons de l’IA appellent à lever le pied, leurs dépenses disent l’inverse

« Les entreprises soutenues par le capital-risque dépensent de plus en plus pour les tokens, mais l’entreprise américaine grand public n’a pas besoin du dernier modèle et refuse de le payer. Tant que les dépenses en IA agentique et en tokens seront limitées à une petite partie de l’économie, les effets macroéconomiques de l’IA seront très limités », assène l’économiste.

Pourquoi si peu de mouvement dans la productivité ? Selon Torsten Slok, l’IA a beau « être une excellente calculatrice », l’intelligence en entreprise « est surtout un jugement », qui lui-même dépend du contexte : « l’IA ne comprend pas la responsabilité, la confiance, la culture, les règles non écrites, les compromis éthiques ou l’équité, qui façonnent tous le risque réputationnel et favorisent finalement la croissance des revenus et les marges bénéficiaires ».

Pour l’économiste, « l’histoire de l’IA sera décidée dans le S&P 493 » (le S&P500 sans les « sept magnifiques »). Pour l’instant, l’IA serait surtout visible dans l’investissement et les valorisations, mais ne se traduirait pas encore en productivité.

L’humain, ce goulot d’étranglement

On peut relier en partie ces observations à d’autres relevées par le New York Times le 10 octobre. La journaliste Sarah Kessler y posait la question : si l’IA est censée « anéantir des tâches inutiles et rendre des professions entières obsolètes », pourquoi ne le constate-t-on pas sur le terrain ? Elle cite une récente enquête auprès de 6 000 cadres supérieurs, et dont 90 % ont estimé que l’IA « n’avait aucun impact, ni sur l’emploi ni sur la productivité ». Elle citait également un précédent de Torsten Slok, selon qui « le rendement productif de l’IA reste une prévision plutôt qu’une observation ».

Sur le pourquoi, le New York Times propose deux facteurs. Le premier est le plus simple : les entreprises ont besoin de temps pour s’adapter et faire évoluer leurs processus. Le second est plus complexe : une « taxe de vérification ». Ce phénomène, également appelé « botsitting », désigne la tâche de vérifier que les résultats produits par l’IA sont exacts, sûrs et donc utilisables. L’article cite notamment une étude de Workday auprès de 3 200 employés et dirigeants, selon laquelle 37 % du temps gagné par l’IA étaient réinvestis dans la vérification, la correction, la clarification ou la réécriture des résultats.

Ce goulot est d’autant plus complexe que les modèles progressent et accomplissent de nouvelles tâches. Si les sorties des LLM se font plus riches et plus complexes, la vérification devra évoluer également. Interrogé, Ian Stoica, professeur d’informatique à l’université de Berkeley (Californie), résume le problème : « Vous ne pouvez pas vérifier si vous ne comprenez pas le problème ». Le niveau d’expertise devra donc lui aussi évoluer.

Le cas particulier du logiciel

Ce goulot d’étranglement se retrouverait particulièrement dans le domaine du logiciel, sans doute le domaine d’application le plus avancé de l’IA aujourd’hui. Si l’on retourne en juin, une étude MIT-Wharton mettait ainsi en avant une hausse de 180 % de l’activité de programmation par l’utilisation d’agents asynchrones, mais cette dernière ne se traduirait que par une augmentation de 30 % du nombre de versions effectivement publiées.

Selon l’étude, ce n’est pas une surprise, car le résultat de chaque étape dans la chaine complète de production doit être combiné avec l’effort humain nécessaire à l’étape suivante. Ainsi le code produit par l’IA doit encore être vérifié, intégré, testé et publié. L’expertise et le jugement humains ont un coût, qui s’intercale entre toutes les étapes. L’étude faisait également ressortir un autre indicateur intéressant : ces efforts ne se traduisent pas par une hausse de l’utilisation finale des produits. Même en mettant de côté l’inévitable adaptation des processus, l’attention des consommateurs reste une ressource rare, d’autant plus dans un monde foisonnant d’opportunités nouvelles.

Le 9 octobre, Ars Technica relayait une autre étude, cette fois de deux économistes d’Harvard, Fiona Chen et James Stratton, et traitant des goulots d’étranglement dans le domaine du logiciel. Si celle du MIT-Wharton travaillait sur les historiques de GitHub et les données internes de Microsoft, celle des deux économistes se base sur les tickets et les grands ensembles fonctionnels résolus dans Jira, plutôt que les versions publiées.

Pourtant, dans les grandes lignes, les constatations sont les mêmes. L’étude d’Harvard met ainsi en avant une hausse de 30 % de la production de lignes de code, de 20 % dans les validations et de 23 % pour les demandes de fusions, mais aucun changement statistiquement significatif dans la résolution des tickets.

Si les signaux semblent tous aller dans le même sens, ils jettent ainsi un éclairage plus cru sur l’un des éléments pointés par Torsten Slok. Le chiffre d’affaires par salarié chez les « sept magnifiques » apparait ainsi comme une conséquence des ventes de services IA et d’infrastructures, mais pas directement d’un gain de productivité.