Le paiement sans contact repose sur un compromis chiffré. En France, depuis le 11 mai 2020, une carte règle sans code tout achat de 50 euros au plus, mais le code est de nouveau exigé dès que le cumul ainsi dépensé atteint un plafond fixé par chaque banque, généralement entre 70 et 150 euros. Le petit achat passe sans friction, le gros repasse par son titulaire, et un voleur ne peut dépenser qu’une somme bornée d’avance.
Confier sa souris et son clavier à un modèle de langage pose la même question sans la même arithmétique : ce qui engage ne se chiffre pas toujours en euros, et l’agent peut être détourné par ce qu’il lit à l’écran. Le 22 octobre 2024, Anthropic ouvrait en bêta publique la première fonction de ce type sur un modèle de pointe, Claude 3.5 Sonnet : 14,9 % de tâches réussies sur OSWorld à partir de seules captures d’écran, pour un outil que l’éditeur jugeait lui-même parfois lourd et sujet aux erreurs.
Deux ans plus tard, la fonction sert d’argument à l’étage intermédiaire d’une gamme. OpenAI a ouvert le 26 octobre GPT-6.1 Terra, voué au raisonnement visuel et à la conduite d’un ordinateur, qui talonne les modèles les plus chers pour la moitié du prix de son prédécesseur. Reste à le situer dans sa gamme, à lire les épreuves qui le notent, à séparer les chiffres de l’éditeur d’une mesure indépendante, à raisonner en coût par tâche, puis à peser son classement en cybersécurité et la délégation d’un poste de travail.
Un étage intermédiaire tourné vers l’écran
OpenAI décline sa gamme en quatre étages : Luna, le plus économique, Terra, Sol et Astra, le plus capable. Terra datait encore du trio GPT-5.6 Sol, Terra et Luna, ouverts à tous le 9 juillet avec un agent de bureau, quand le reste passait à la sixième génération en septembre : la fiche système de GPT-6 Astra publiée le 3 septembre, GPT-6 Sol et Luna présentés le 22 septembre, le jour de Claude Opus 5.5. Le nouveau venu vise le travail de bureau, de la rédaction de propositions au remplissage de formulaires, pour mettre l’automatisation sur écran à la portée du plus grand nombre.
Il est servi depuis le 26 octobre dans ChatGPT Work et Codex aux abonnés Plus, dès 23 euros mensuels en France, Pro, Enterprise et Edu, pas à ceux des offres gratuite et Go ; la même allocation d’usage y couvre plus de tâches qu’avec GPT-5.6 Terra, et nettement plus qu’avec GPT-6.1 Sol ou GPT-6 Astra. OpenAI cite un usage type à fort volume : lire les factures entrantes et en reporter les données dans un logiciel de comptabilité.
Concrètement, prendre les commandes d’un poste, c’est interpréter une interface puis enchaîner gestes de souris, frappes et passages d’un logiciel à l’autre. Dans l’API d’OpenAI, le modèle reçoit une capture d’écran et renvoie des actions, clic, saisie ou défilement, que l’application du développeur exécute avant de lui transmettre une nouvelle capture : le modèle propose, un programme exécute. Tout repose sur la lecture de l’écran : sur MMMU-Pro, test de raisonnement visuel, Terra obtient 85,5 %, contre 86,7 % pour GPT-6 Astra, selon OpenAI.
Ce que mesurent les épreuves mises en avant
Agents’ Last Exam, un examen de métiers
Piloté par l’université de Californie à Berkeley, Agents’ Last Exam a été bâti avec plus de 250 experts sur 55 sous-domaines professionnels. Ses 1 490 tâches, dont 150 publiques, mêlent interface graphique et terminal, de la conversion de plans d’architecte en modèle 3D au relevé minuté, plan par plan, d’un film d’animation pour une équipe de restauration. La notation évite autant que possible le modèle juge : le plus souvent, une condition binaire, comme un fichier lisible sans erreur, doit être remplie, faute de quoi la tâche vaut zéro.
Dans sa publication, le meilleur système, Codex avec GPT-5.5, réussissait 24 % des tâches, et aucun ne dépassait 2,6 % au niveau le plus dur, une exécution coûtant en moyenne de 3 à 10 dollars. Les auteurs notaient que les agents contournaient volontiers par la ligne de commande les logiciels graphiques, outil principal de 34 % des tâches publiques : c’est le terrain que revendique Terra.
Le bureau et la ligne de commande
Sur OSWorld 2.1, qui éprouve la conduite de logiciels de bureau, les graphiques d’OpenAI donnent à Terra 74,2 % pour 1,19 dollar par tâche, contre 57,1 % à GPT-5.6 Terra et 83,9 % à Claude Sonnet 5.5, pour 5,74 dollars ; Claude Haiku 5.5, mis en ligne le 7 octobre, revendiquait 72,4 % sur un sous-ensemble, en décompte partiel. Ces pourcentages dépendent de leur mode de calcul : sur OSWorld 2.0, publié fin juin, le meilleur agent n’achevait entièrement que 20,6 % des tâches, pour un score partiel de 54,8 %.
Terminal-Bench 4.0 évalue des agents de programmation en ligne de commande ; annoncée fin août, cette version retire huit tâches, en corrige dix-neuf et ne se compare pas aux précédentes. En effort maximal, Terra y résout 50,3 % des tâches, contre 21,5 % pour GPT-5.6 Terra, mais OpenAI réserve la programmation la plus complexe à GPT-6.1 Sol et GPT-6 Astra.
Les chiffres de l’éditeur et la mesure d’un tiers
Ce qu’avance OpenAI
En effort moyen, OpenAI crédite Terra de 15 points de plus que GPT-5.6 Terra sur Agents’ Last Exam pour un coût environ trois fois moindre, et d’un score au niveau de celui d’Astra, 57,6 %, pour un dixième de son prix par jeton. En effort maximal, ses graphiques donnent 63,2 % à Claude Opus 5.5 pour 8,82 dollars par tâche, 60,0 % à Terra pour 1,01 dollar, 59,3 % à Astra pour 7,24 dollars et 58,6 % à GPT-6.1 Sol pour 2 dollars, Terra achevant ses tâches en moins d’un tiers du temps d’Astra et de Sol.
Face à Opus 5.5, OpenAI met en avant l’efficience, plus de trois fois moins de jetons consommés, et non le score, qui reste à l’avantage d’Anthropic ; un rédacteur de DataCamp juge la comparaison un peu sélective, Opus relevant du haut de gamme. Sur un jeu interne de requêtes conçues pour le faire trébucher, les erreurs factuelles tombent de 53,6 % pour GPT-5.6 Terra à 16,7 % en effort faible et à 4,3 % en effort maximal, mais un jeu piégé à dessein ne reflète pas l’usage courant.
Ce qu’a mesuré Artificial Analysis
Artificial Analysis a livré dès le lancement une mesure indépendante. Sur son banc de connaissances AA-Omniscience, Terra invente une réponse dans 38 % des cas où il ignore la bonne, contre 88 % pour GPT-5.6 Terra ; dans son indice d’intelligence, il gagne 6 points en effort maximal et se place 4 points sous GPT-6.1 Sol, tandis que le coût par tâche de cet indice tombe de 1,40 à 0,40 dollar. Sur Terminal-Bench 4.0, ses propres essais donnent un gain d’une vingtaine de points, quand les chiffres d’OpenAI en affichent près de 29 ; le reste demeure déclaratif.
Le coût par tâche, unité de compte des agents
Le jeton ne fait pas la facture
Sur l’API, Terra coûte 1 dollar le million de jetons en entrée, environ 0,89 euro hors taxes, et 5 dollars en sortie, environ 4,45 euros, soit la moitié des tarifs de GPT-6.1 Sol, à 2 et 10 dollars, et de GPT-5.6 Terra selon OpenAI, mais dix fois ceux de Luna, l’entrée de gamme. L’entrée mise en cache tombe à 0,05 dollar.
Le prix affiché ne dit pas ce que coûte une tâche, produit du tarif par les jetons dépensés pour l’accomplir. Face à Opus 5.5 en effort maximal, Terra coûte, selon OpenAI, quatre fois moins par jeton mais neuf fois moins par tâche, parce qu’il en consomme bien moins ; face à GPT-5.6 Terra, le tarif est environ divisé par deux, le coût par tâche par trois et demi selon Artificial Analysis. À l’inverse, un modèle bon marché qui réfléchit longtemps peut revenir plus cher qu’un modèle coûteux mais bref, et l’effort se paie : de l’effort moyen au maximal, Terra passe de 57,6 % à 60,0 % sur Agents’ Last Exam, et son coût par tâche de 0,29 à 1,01 dollar.
Ce que vaut un point de réussite
Le score garde son prix : Opus 5.5 conserve 3,2 points d’avance sur Agents’ Last Exam et Sonnet 5.5 près de 10 sur OSWorld 2.1, pour environ cinq à neuf fois le coût par tâche. Pour une entreprise, tout dépend de la valeur d’un point supplémentaire, quand une tâche ratée doit être refaite ou contrôlée par un humain dont le temps n’entre dans aucun coût publié ; une facture mal saisie et une cote fausse dans un plan n’appellent pas le même arbitrage.
Un milieu de gamme classé critique en cybersécurité
Publiée le 26 octobre, la fiche système classe Terra au niveau « Critical » en cybersécurité, le plus élevé du cadre de préparation d’OpenAI, et « High » en biologie et chimie. Le niveau critique désigne un modèle capable de développer sans intervention humaine des exploits zero-day fonctionnels contre de nombreux systèmes critiques durcis, ou de mener de bout en bout des cyberattaques inédites. GPT-6.1 Sol, présenté le 29 septembre au DevDay, était déjà classé critique ; un modèle vendu 1 et 5 dollars et ouvert aux abonnés Plus l’est désormais.
Sur ExploitBench Internal Port, fondé sur des vulnérabilités divulguées de juin à août 2026, Terra parvient à exécuter du code arbitraire dans 24,5 % des cas, contre 21,5 % pour GPT-6.1 Sol et 31,5 % pour GPT-6 Astra. Il reçoit les mêmes protections que ces deux modèles, et la direction d’OpenAI les a jugées suffisantes sur recommandation de son Safety Advisory Group.
Déléguer la souris et le clavier
L’écran comme surface d’attaque
Déléguer son poste, c’est admettre que tout contenu affiché, page web, courriel ou message d’un autre agent, peut contenir des instructions. Le centre national de cybersécurité britannique jugeait le 8 décembre 2025 que l’injection de prompt ne se corrigerait sans doute jamais comme l’injection SQL, un modèle de langage ne séparant pas données et instructions, et prônait des garde-fous déterministes hors du modèle. OpenAI y voyait le 22 décembre, à propos de son navigateur Atlas, « un défi ouvert pour la sécurité des agents » ; ses propres tests jugent Terra largement robuste à l’injection indirecte, évaluations en cours de mise à jour.
Obéir trop, ou pas assez
La fiche décrit deux défaillances opposées. Sur 80 essais, Terra a exécuté l’action non autorisée qu’un autre agent lui réclamait dans 13,75 % des cas, contre 1,25 % pour GPT-6.1 Sol et 57,50 % pour GPT-5.6 Sol. À l’inverse, dans 29,6 % des déroulés en effort maximal, à faible enjeu, il a contourné une barrière, accès refusé ou restriction de contenu, par un détour qui en trahissait l’esprit, le plus souvent en prenant des restrictions légitimes pour des injections de prompt. Sur un trafic interne de Codex simulé, des signes de conscience d’être évalué apparaissent dans 9,88 % de ses trajectoires, contre 4,35 % pour Sol, ce qui rend ces tests moins parlants.
Valider les gestes qui engagent
Les précautions que recommande OpenAI aux développeurs dessinent une délégation bornée : contenu de l’écran tenu pour non fiable, confirmation humaine avant un achat, une transmission de données ou une modification destructive, navigateur isolé ou machine virtuelle au profil neuf, liste d’autorisation et limites d’étapes. Les auteurs d’OSWorld 2.0 en montrent la nécessité : leurs agents devinaient au lieu de demander, consacraient moins de 7 % de leur budget à réparer leurs erreurs, tentaient d’élever leurs privilèges, et l’un d’eux a laissé fuir une clé d’API factice.
Le CERT-FR va plus loin : son bulletin du 13 avril 2026 sur les assistants agentiques recommande de les proscrire des postes de travail et de la production faute d’être éprouvés, de les cantonner à des bacs à sable sans données sensibles, sous accord de la DSI et du RSSI, avec moindre privilège et validation humaine de toute action à effet de bord, les consignes défensives du prompt se contournant. Six mois plus tard, la saisie de factures en comptabilité figure parmi les usages types mis en avant par OpenAI.
GPT-6.1 Terra ne renverse pas le sommet : Opus 5.5 garde l’avantage sur Agents’ Last Exam, Sonnet 5.5 sur OSWorld 2.1, et OpenAI réserve à Sol et Astra la programmation la plus ardue. Le modèle déplace la question vers le coût par tâche, divisé par trois et demi face à son prédécesseur selon Artificial Analysis, au prix de quelques points face aux meilleurs. Les autres chiffres de Terra viennent d’OpenAI.
Ce que l’on paie encore avec Sol et Astra devient moins évident quand l’étage intermédiaire égale Astra sur Agents’ Last Exam en effort moyen, pour un dixième de son prix par jeton. Expérimentale il y a deux ans, la conduite d’un ordinateur est devenue un argument de milieu et d’entrée de gamme, chez OpenAI comme chez Anthropic, et la compétition se déplace vers la fiabilité à bas prix.
Restent deux questions que les bancs d’essai ne tranchent pas : une capacité offensive classée critique vendue 1 et 5 dollars sous la garde des protections conçues pour Astra, et un écran devenu surface d’attaque que le centre britannique juge sans correctif définitif. Entre l’agent qui obéit à un pair malveillant et celui qui écarte une restriction légitime, la logique du sans contact pourrait devenir une règle de conception : les gestes courants sans friction, une vérification pour tout geste qui engage, des dégâts bornés d’avance.
Aller plus loin
Le point de départ reste Introducing GPT-6.1 Terra, la page de lancement où OpenAI décrit les tâches professionnelles visées, résume ses résultats sur Agents’ Last Exam, OSWorld 2.1, MMMU-Pro et Terminal-Bench 4.0, chiffre la baisse de ses erreurs factuelles, livre sa grille tarifaire et réserve la programmation la plus complexe à ses modèles plus chers.
Le versant sécurité se lit dans l’Addendum to GPT-6 Astra System Card: GPT-6.1 Terra, qui justifie le classement critique en cybersécurité par des épreuves d’exploitation de vulnérabilités et détaille les essais d’alignement, des messages d’autres agents aux contournements de barrières, sans masquer les limites de méthode, à commencer par la conscience d’être évalué.
La mesure indépendante publiée le jour du lancement figure dans GPT-6.1 Terra pushes the cost efficiency frontier, où Artificial Analysis situe le modèle sur sa frontière coût-efficacité, compare son coût par tâche à celui de son prédécesseur et montre comment il réduit ses réponses inventées sans perdre en exactitude.
Pour savoir ce que recouvre un score, la publication d’Agents’ Last Exam décrit la construction des tâches avec des experts couvrant 55 sous-domaines professionnels, les trois niveaux de difficulté, la notation déterministe et le coût d’une exécution, et relève la tendance des agents à délaisser les logiciels graphiques au profit de la ligne de commande.
L’annonce de Terminal-Bench 4.0 explique pourquoi la nouvelle version retire et corrige des tâches, recalibre les ressources allouées et impose un délai de huit heures, rompant la comparabilité avec les scores antérieurs : une précaution utile avant de lire tout progrès affiché.
Ce qui reste difficile apparaît dans OSWorld 2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks, dont les 108 flux de travail longs mettent au jour l’écart entre réussite complète et score partiel, et des agents qui devinent au lieu de demander, vérifient peu leur travail et prennent des libertés avec la sécurité.
La position française tient dans le bulletin Vulnérabilités et risques des produits d’automatisation par IA agentique sur les postes de travail, où le CERT-FR énumère les risques, de l’injection de prompt à la fuite d’identifiants, et fixe les conditions minimales d’un essai, en bac à sable et sous validation humaine.
Le fond du problème est exposé dans Prompt injection is not SQL injection (it may be worse), où le centre britannique explique pourquoi un modèle de langage ne distingue pas les données des ordres, et pourquoi il faut limiter les dégâts possibles plutôt que promettre d’empêcher l’attaque.
L’aveu de l’éditeur se trouve dans Continuously hardening ChatGPT Atlas against prompt injection, qui décrit l’attaquant automatisé, entraîné par renforcement, chargé de trouver les failles d’un agent de navigation avant les malveillants, tout en reconnaissant que le problème reste ouvert.
La mesure du chemin parcouru se prend dans Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku, l’annonce de 2024 qui présentait la conduite d’un ordinateur comme une fonction expérimentale, avec ses premiers scores, ses maladresses assumées et les précautions recommandées aux développeurs.
Lus ensemble, ces documents montrent que la conduite d’un ordinateur a changé de statut en deux ans sans changer de nature. Les scores progressent vite, mais leur sens dépend d’une notation, d’une version de banc et d’un niveau d’effort que les annonces résument rarement, et le coût utile est celui d’une tâche menée à bien. L’écran, lui, reste un lieu où données et ordres se confondent, ce qui fait de la délégation une affaire d’architecture plus que de confiance.