GPT-6 Astra à l'épreuve du réel : premier déploiement massif chez Databricks, et une leçon à contre-courant sur le coût de l'IA

Guy WASSEU

Auteur

Le 16 septembre 2026, Databricks — l'un des poids lourds mondiaux de la donnée et de l'IA — a annoncé avoir mis GPT-6 Astra, le tout dernier modèle d'OpenAI, entre les mains de la totalité de ses ingénieurs, soit environ 3 500 personnes. Le déploiement, précédé d'un pilote d'environ 200 utilisateurs, a été détaillé publiquement par deux cofondateurs de l'entreprise, Patrick Wendell (vice-président ingénierie) et Matei Zaharia (directeur technique). Au-delà de l'annonce, c'est l'un des rares retours d'expérience chiffrés sur ce qu'un modèle de pointe change vraiment quand une organisation entière s'en sert pour travailler — et non quand un laboratoire publie ses propres résultats.

OpenAI positionne précisément Astra comme un modèle « pour le travail » : usage de l'ordinateur, navigation, ingénierie logicielle, science. L'entreprise revendique un record de 74 % sur le test de codage DeepSWE v1.1, 57,9 % sur Terminal-Bench 4.0 (contre 37,3 % pour son précédent GPT-5.6 Sol et 55,8 % pour Claude Fable 5.1), et une capacité à « travailler dans les mêmes applications que les gens, même quand elles n'ont pas d'interface de programmation ». Le tarif affiché est de 10 dollars par million de jetons en entrée et 50 dollars en sortie. Ce sont les promesses. Le déploiement de Databricks en donne une lecture de terrain.

Excellent sur le complexe, sans effet sur le reste

Premier constat rapporté par Patrick Wendell : sur les tâches les plus difficiles — la conception de systèmes de haut niveau, le travail qui s'étale sur de longues séquences — Astra « surpasse sans ambiguïté » les meilleurs modèles utilisés jusque-là par l'entreprise, Opus 5 (Anthropic) et Sol 5.6 (OpenAI). C'est là, sur l'architecture et le raisonnement long, que le gain est net.

Second constat, plus instructif : sur les tâches de complexité moyenne ou faible, le passage à Astra n'améliore guère les résultats. Autrement dit, le codage courant était déjà traité correctement par la génération précédente ; le nouveau modèle n'y ajoute pas grand-chose. La marge de progression ne se trouve plus dans la routine — elle est déjà « saturée » — mais tout en haut de l'échelle de difficulté.

Un meilleur modèle, une facture plus lourde

C'est le chiffre qui a fait réagir : en basculant sur Astra, la dépense globale de l'organisation a augmenté d'environ 60 %. Il faut le lire correctement, et l'analyse indépendante du bulletin spécialisé Latent Space invite à la prudence : cette hausse ne traduit pas un prix au jeton plus élevé, mais un changement d'usage. Quand l'outil devient plus capable, on lui confie davantage de travail, sur des contextes plus longs — et la consommation grimpe. Databricks a d'ailleurs réagi en créant un budget dédié pour encourager un usage sélectif.

La leçon est à contre-courant du discours ambiant. On présente souvent l'IA comme une machine à réduire les coûts. Le premier grand test grandeur nature raconte autre chose : un modèle plus performant ne fait pas mécaniquement baisser la dépense, il déplace là où va l'argent — vers les problèmes difficiles, ceux qui justifient qu'on mobilise la meilleure intelligence disponible.

Ce que ça change pour les professionnels et les entrepreneurs

Pour qui dirige une équipe ou une entreprise, trois enseignements se dégagent de ce cas, au-delà du cas Databricks lui-même.

La valeur remonte vers le haut de l'échelle. Si un modèle courant traite déjà bien les tâches routinières, l'avantage compétitif ne se joue plus là. Il se joue sur ce que l'IA ne fait pas encore seule : la conception d'ensemble, l'arbitrage, la tenue d'un objectif sur la durée. Pour un professionnel, la compétence qui prend de la valeur n'est pas d'exécuter la tâche codifiée — c'est de cadrer le problème et de piloter la machine qui l'exécute.

Le budget d'IA devient une discipline de gestion. Donner le meilleur outil à tout le monde, sans garde-fou, fait grimper la note. La question n'est plus « faut-il adopter l'IA ? » mais « sur quelles tâches le modèle le plus cher est-il justifié, et sur lesquelles un modèle plus léger suffit ? ». Pour une petite structure comme pour un grand groupe, savoir router le bon travail vers le bon modèle devient un levier de marge à part entière.

Le retour sur investissement ne se lit pas dans la facture. Une dépense en hausse de 60 % peut être une excellente ou une mauvaise nouvelle, selon ce qu'elle produit. Le bon indicateur n'est pas le coût de l'IA, mais ce qu'elle permet de livrer en plus, et à quelle vitesse. C'est ce ratio, et non le montant, qu'un dirigeant doit suivre.

À prendre avec les précautions d'usage

Ces chiffres restent le retour d'une seule entreprise, communiqué par ses propres dirigeants, sans évaluation indépendante ni recul de plusieurs mois. Databricks n'est pas une organisation ordinaire : ses ingénieurs figurent parmi les plus aguerris du secteur, et ce qui vaut chez eux ne se transpose pas tel quel à une PME. Les benchmarks d'OpenAI, eux, sont auto-déclarés par l'éditeur. On tient donc un signal précieux — l'un des premiers ancrés dans un usage réel à grande échelle — mais un signal, pas une loi générale. Il confirme néanmoins une tendance de fond : la prochaine vague de gains, avec l'IA, se trouve moins dans l'automatisation du travail simple, déjà largement acquise, que dans l'attaque des problèmes complexes — et dans la capacité, très humaine, à décider où vaut la peine d'y consacrer les moyens.

Sources

Partager cet article