GPT-6 Luna lit Slack pour 0,007 $ par fil de discussion : ce que ce chiffre cache

Sept dixièmes de cent. C’est ce que le benchmark Agent Initiative de Deepnote Research a enregistré comme coût moyen de GPT-6 Luna pour traiter une situation professionnelle au sein d’une entreprise simulée — lire les messages, décider si quelqu’un devait être informé de quoi que ce soit, et répondre dans le bon canal. Claude Fable 5.1, sur les mêmes cinquante situations, avec les mêmes outils et le même budget de réponse de 180 secondes, a coûté en moyenne 3,02 $ pour un score supérieur de 1,1 point : 6,38 sur 10 contre 7,50. La présentation du benchmark elle-même dit des deux modèles qu’ils sont « à 430x d’écart en prix », et l’arithmétique se vérifie : 3,02 $ divisé par 0,0070 $ font 431.

GPT-6 Luna est disponible en version générale depuis le 22 septembre 2026, et la comparaison a circulé sur le fil d’actualité le 13 novembre sous la forme d’une histoire de modèle bon marché rattrapant un modèle coûteux. C’est une histoire plus intéressante que cela, et un peu moins flatteuse pour le gros titre. La propre ligne de Luna dans ce tableau contient neuf exécutions notées 10 sur 10 et neuf notées zéro, et la raison pour laquelle un agent proactif est difficile à acheter n’est pas la moyenne — ce sont les zéros.

Ce que le benchmark a réellement exécuté

Agent Initiative n’est pas un ensemble de questions statique comme les autres. Deepnote a créé une fausse entreprise de logiciels appelée PageMantle — 71 employés, 100 clients grands comptes, six années d’enregistrements connectés, environ 10 Go répartis sur onze services, dont Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery et Snowflake — puis y a lancé douze modèles de frontière en tant qu’observateurs silencieux. Chaque modèle a reçu les mêmes instructions, le même accès aux outils, le même instantané de l’entreprise et le même budget de temps. La tâche consistait à lire les nouveaux messages Slack et à décider s’il fallait enquêter, où répondre, et même s’il fallait répondre.

Le panneau est petit et volontairement peu pratique :

• Cinquante situations réparties en huit types de tâches - Analyser (8), Vérifier (7), Coordonner, Expliquer, Diagnostiquer, Décider et Surveiller (6 chacun) et Trouver (5).

• Quarante des cinquante nécessitaient un message ; dix étaient des pièges où le bon réflexe était le silence.

• Deux juges LLM, en aveugle quant au modèle ayant produit l’exécution, notant de 0 à 10 l’intervention, les preuves, le ton et le placement du public.

• Chaque modèle avec un effort de raisonnement élevé, le temps d’exécution des outils étant exclu du chronomètre de 180 secondes.

• Douze modèles issus de six laboratoires, 600 exécutions au total, avec des intervalles à 95 % obtenus par rééchantillonnage bootstrap par tâche.

Ce choix de conception — quarante cas d’aide contre dix cas de silence — explique pourquoi le tableau sépare les modèles d’une manière qu’un benchmark de chat ne fait jamais. L’essentiel de ce que fait un agent toujours actif toute la journée consiste à décider de ne pas parler, et presque aucune évaluation publique ne mesure cela.

La dispute de Luna, dans son intégralité

GPT-6 Luna a terminé septième sur douze avec 6,38. Il a envoyé un message dans 38 des 40 situations qui l’exigeaient, soit un meilleur taux de réussite que les 37 de Claude Sonnet 5.5, et il l’a fait en 50 secondes en utilisant 13,7 appels d’outils. Son coût par tâche, 0,0070 $, est le plus faible du domaine, par un facteur de près de quatre face aux 0,026 $ de DeepSeek V4.1 Flash et par un facteur de soixante face aux 0,42 $ de Claude Sonnet 5.5.

La colonne qui compte est celle que Deepnote intitule « Tens / zeros ». GPT-6 Astra, le meilleur score à 8,97, a enregistré 26 exécutions parfaites et deux zéros. Claude Opus 5.5 en a enregistré 14 et deux. Luna en a enregistré neuf et neuf. Dans un benchmark où un zéro signifie que l’agent soit n’a jamais pris la parole alors qu’il aurait dû, soit s’est exprimé dans une situation qu’il avait mal comprise, une exécution sur cinq de Luna était à jeter, contre une sur vingt-cinq pour les deux modèles mieux classés. Sur une moyenne de cinquante tâches, un agent excellent la moitié du temps et absent l’autre moitié ressemble à un B moins. Déployé dans le Slack d’une vraie équipe, il ressemble à un collègue soit brillant, soit silencieux, et personne ne peut prédire lequel.

Le titre 430x, avec le calcul indiqué

Ce chiffre est réel, et c’est aussi la présentation la plus favorable qui soit, pour deux raisons qu’il vaut la peine d’énoncer clairement.

D’abord, Claude Fable 5.1 n’est pas le modèle actuel d’Anthropic. Claude Fable 5.2 l’est, et il a obtenu 8,17 sur le même benchmark à 1,87 $ la tâche. Face au successeur, GPT-6 Luna est 267 fois moins cher et à 1,79 point derrière. C’est une phrase moins citable et plus pertinente pour la décision, car personne choisissant un modèle cette semaine ne choisit Fable 5.1 sans raison.

Deuxièmement, l'écart de 1,1 point est une estimation ponctuelle sur cinquante tâches. Deepnote précise explicitement que plusieurs modèles au milieu de son tableau se situent dans des intervalles qui se chevauchent — elle cite Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 et Claude Haiku 5.5 comme un groupe distant de moins de 0,6 point les uns des autres — et elle prévoit un ensemble de tâches plus vaste dans une future version. L'interprétation honnête de la paire Luna-Fable 5.1 est que l'écart de prix est mesuré à trois chiffres significatifs et que l'écart de qualité est mesuré à environ un chiffre significatif. Quiconque cite « seulement 1,1 point derrière » comme si la décimale avait un sens cite l'intervalle, pas le score.

Le chiffre que personne ne cite : quatre sur dix

Lorsque le silence était la bonne réponse, le modèle médian du secteur s’est abstenu six fois sur dix. GPT-6 Luna s’est abstenu quatre fois. Il est intervenu dans six des dix situations où les dossiers montraient déjà que la question avait été traitée — et, comme le souligne Deepnote, ces interventions n’étaient pas du charabia. Elles étaient exactes, bien placées et inutiles. Un contrôle qualité qui ne lit que le message ne repérera jamais cette défaillance. Une enquête de satisfaction des utilisateurs ne le fera pas non plus, car personne ne se plaint qu’on lui dise quelque chose de vrai.

Le benchmark y attribue quand même un coût. Sur l’ensemble du panel, prendre la parole à contretemps coûtait environ 1,8 fois plus cher que de rester silencieux lorsqu’un message était nécessaire. Pour un agent Slack dont toute la prémisse est qu’il lit chaque fil, le mode de défaillance n’est pas une mauvaise réponse qui sera corrigée. C’est l’érosion lente du canal : une fois qu’une équipe apprend qu’un tiers des messages du bot sont du bruit, elle cesse de lire le moindre d’entre eux, et la valeur des messages corrects tombe à zéro avec eux.

Il y a un second échec, plus discret, dans le compte rendu. Dans une tâche d'accès aux données, Luna a trouvé l'enregistrement confirmant qu'un administrateur d'accès avait passé le relais à un successeur, puis a malgré tout orienté l'employé vers l'ancien administrateur. Lire les bonnes preuves et en tirer la mauvaise conclusion est un défaut différent de l'absence de preuves, et c'est celui qui survit à une correction de la qualité de la récupération.

Pourquoi sept dixièmes de centime changent la conception, pas seulement la facture

Le coût par token est la mauvaise unité pour cette décision, car le coût d’un agent proactif évolue avec le nombre de fils de discussion qu’il traite, et non avec le nombre de questions qu’on lui pose. Le propre graphique de Deepnote illustre concrètement ce point : 7 $ par 1 000 tâches pour GPT-6 Luna contre 3 020 $ par 1 000 pour Claude Fable 5.1. À 2 500 fils de discussion par mois, le même chiffre que le benchmark utilise pour Sol et Fable 5.2, la facture de Luna s’élève à environ 17,50 $.

Ce chiffre est suffisamment petit pour changer ce que vous construisez. À 3 $ la lecture, un agent proactif doit être sélectif avant même de se lancer : quelqu'un doit décider quels canaux méritent d'être surveillés, ce qui est exactement le jugement que le modèle était censé porter. À moins d'un centime la lecture, vous pouvez tout surveiller et laisser le modèle faire le tri, ce qui est la seule version du produit qui corresponde à l'argumentaire.

Cela permet aussi d’acheter une deuxième passe. Faites tourner GPT-6 Luna sur les 2 500 fils de discussion pour environ 17,50 $, demandez-lui de signaler les cinquante qui semblent ambiguës, puis envoyez-les à Claude Sonnet 5.5 à 0,42 $ chacun : 21 $ de plus, pour un total proche de 39 $ par mois. La version entièrement Fable 5.1 de la même couverture coûte 7 550 $. Que cette solution hybride batte réellement Luna seul n’a pas été testé - le benchmark a évalué des modèles, pas des harnais, et Deepnote le précise dans ses limites - mais c’est l’arithmétique qui rend l’expérience assez abordable pour être menée.

La plomberie est arrivée trois semaines plus tôt

Une lecture peu coûteuse à chaque appel ne représente que la moitié de ce dont un agent toujours actif a besoin ; l’autre moitié est un moyen peu coûteux de poser une question précise. Le 22 octobre 2026, OpenAI a sorti sa Decisions API de la phase bêta, et GPT-6 Luna est le seul modèle qu’elle prend en charge. Le point de terminaison renvoie des réponses typées plutôt que de la prose — une probabilité qu’une condition soit vraie, un choix dans une liste fixe, ou un score sur des niveaux ordonnés — et OpenAI affirme que ce point de terminaison est environ dix fois plus rapide que d’interroger le même modèle via la Responses API.

Pour un observateur Slack, c'est la bonne forme. « Ce fil contredit-il la date de sortie indiquée dans le message épinglé ? » est un prédicat, pas un paragraphe. La version de disponibilité générale a relevé le plafond à 400 questions par requête, ajouté la mise en cache des invites pour le contexte partagé, autorisé les images dans les instructions de chaque question et accepté les données structurées directement via une partie de contenu input_json. Un seul appel peut désormais évaluer toute une journée d'activité d'un canal par rapport à un ensemble de preuves fixe, au lieu d'un message à la fois.

Bon à savoir avant de concevoir votre intégration autour de cela : le nouveau mécanisme de mise en cache s’applique aux preuves partagées que vous envoyez, et non à la carte tarifaire de Luna, et les limites propres au modèle s’appliquent toujours : une fenêtre de contexte de 1 050 000 tokens, 922 000 en entrée maximum, 128 000 en sortie, et une date limite de connaissances au 18 mai 2026. L’appel de fonctions sur Chat Completions ne fonctionne qu’avec l’effort de raisonnement défini sur none ; tout ce qui utilise des outils intégrés doit passer par l’API Responses.

Là où s’arrêtent les preuves

Le benchmark est d'une franchise inhabituelle quant à ses propres limites, et celles-ci importent pour quiconque s'apprête à mettre un modèle face à une véritable équipe.

• Cinquante tâches, certaines catégories n’en comptant que cinq à huit, de sorte que les classements par catégorie sont des tendances plutôt que des ordres.

• Un instantané figé de l’entreprise dont les coéquipiers ne répondent jamais, qui mesure une contribution plutôt qu’un mois de contexte accumulé.

• Un seul niveau d’effort. Tous les modèles ont été exécutés en {{1}}élevé{{/1}} ; les paramètres inférieurs et supérieurs n’ont pas été testés, et la valeur par défaut de {{2}}Luna{{/2}} est moyenne, et non élevée.

• Slack uniquement. Les e-mails, les documents et toute action au-delà de l’envoi d’un message sont hors périmètre.

• Coûts historiques, et non des cotations en temps réel. Les montants par tâche sont des observations issues de l’exécution ; une variation du prix d’un fournisseur les modifie donc.

• Aucun routeur n'a été testé. Deepnote indique explicitement que ses conseils de routage constituent une recommandation de conception extrapolée à partir des résultats du modèle.

Il existe aussi une tension entre ce tableau et les mesures de vitesse indépendantes. Deepnote a chronométré Luna à 50 secondes par situation en effort élevé. Artificial Analysis, en l'exécutant à effort maximal, a mesuré un délai avant le premier token de réponse de 79,33 secondes — un ordre de grandeur de plus que la médiane de sa gamme de prix. Les deux chiffres peuvent être exacts, puisqu'ils mesurent des choses différentes avec des réglages différents, mais leur rapprochement est un avertissement : la latence perçue d'un agent toujours actif est déterminée par le curseur d'effort, et le pousser vers le haut pour courir après les zéros coûte des secondes avant de coûter des dollars.

Déployer un lecteur à ce prix

La version pratique de ce benchmark est un pipeline à deux niveaux, et c’est la raison pour laquelle l’écart de prix compte plus que l’écart de score. GPT-6 Luna, avec un effort faible ou moyen, se charge de la lecture : chaque fil, chaque canal, les décisions saisies via l’API Decisions. Un seuil appliqué à ces décisions fait remonter les cas ambigus vers un modèle plus puissant. Le modèle coûteux ne traite alors que des dizaines de fils par mois au lieu de milliers, et son coût cesse d’être une ligne budgétaire.

Ce pipeline est plus facile à exécuter lorsque les deux niveaux se trouvent derrière une seule clé. OrcaRouter expose GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 et plus de 200 autres modèles via un point de terminaison unique compatible OpenAI, sans marge - prix catalogue du fournisseur répercuté, ainsi une baisse de prix d’un fournisseur arrive de notre côté le jour même au lieu d’attendre qu’un revendeur révise son prix. Le DSL de routage compose les niveaux en un seul appel (première passe économique, escalade sur condition), le basculement automatique maintient le watcher actif si un fournisseur se dégrade, et la fusion de modèles permet à un panel de répondre ensemble lorsqu’une classification unique est trop lourde de conséquences pour être confiée à un seul modèle. Rien de tout cela ne change les chiffres ci-dessus ; cela supprime simplement le travail d’intégration entre eux.

Qu’est-ce qui ferait bouger ce chiffre ?

Deux choses rendraient cet article obsolète : un successeur GPT-6 Luna, ou une seconde exécution indépendante du même benchmark avec un ensemble de tâches plus vaste. La première relève du calendrier d'OpenAI. La seconde est déjà promise — Deepnote indique qu'un panel de 50 tâches sera remplacé par un échantillon plus large dans la prochaine version, et ses auteurs précisent clairement que le tableau actuel doit être lu comme une première mesure plutôt qu'un classement.

D’ici là, la conclusion défendable est plus étroite que la version chronologique et plus utile. GPT-6 Luna est le premier modèle suffisamment bon marché pour qu’un agent proactif puisse se permettre de se tromper sur l’opportunité de regarder, et c’est un vrai seuil — la différence entre un produit qui échantillonne son entreprise et un autre qui la lit. Il n’est pas encore assez fiable pour se tromper sur l’opportunité de parler. Le score de silence de quatre sur dix est la partie du tableau autour de laquelle concevoir : garder la lecture bon marché, maintenir l’écriture derrière un garde-fou, et placer le modèle coûteux là où se prend réellement la décision d’interrompre.