
GPT-6.2 vs Claude Fable 5.2 : même prix, pas le même coût
GPT-6.2 Astra et Claude Fable 5.2 coûtent 8 $ et 40 $ le million de tokens. À score égal, Fable revient pourtant 3,6 fois plus cher par tâche. Explications.
Le 17 novembre, OpenAI a lancé GPT-6.2, en deux modèles : GPT-6.2 Astra, son modèle le plus puissant, et GPT-6.2 Sol, celui du quotidien. Huit jours plus tôt, Anthropic avait sorti Claude Fable 5.2, son modèle de pointe. Les deux fiches tarifaires affichent exactement les mêmes chiffres : 8 $ par million de tokens en entrée et 40 $ en sortie pour Astra, 8 $ et 40 $ pour Fable.
Sur le papier, c'est un match nul. En pratique, le prix au token ne dit rien du prix d'une tâche, parce qu'un modèle peut écrire cinq fois plus qu'un autre pour arriver au même résultat. C'est ce que mesure Artificial Analysis, un évaluateur indépendant qui teste tous les modèles sur les mêmes épreuves : à score égal, la configuration la moins chère de Fable 5.2 coûte 9,08 $ par tâche, contre 2,52 $ pour GPT-6.2 Astra, soit 3,6 fois plus.
GPT-6.2 est-il donc meilleur que Claude Fable 5.2 ? Non : Fable reste devant au sommet, avec 65 points contre 62 à l'indice d'intelligence d'Artificial Analysis, et devant aussi sur des tâches de recherche réelles selon Epoch AI. Astra est en revanche beaucoup plus économe. Et nous pensons que la plupart des usages d'une entreprise se contentent très bien d'un modèle moins cher de la même maison.
Qu'est-ce que GPT-6.2, sorti le 17 novembre ?
GPT-6.2 est la nouvelle génération de modèles d'OpenAI, deux mois après GPT-6 Astra. OpenAI décrit Astra comme son modèle « for your hardest projects », entraîné pour produire des présentations, des tableurs et des documents qui suivent les conventions de la finance, du droit ou de la comptabilité. Sol est présenté comme le modèle polyvalent du quotidien. Les deux acceptent jusqu'à un million de tokens de contexte, soit plusieurs milliers de pages.
Côté prix, Astra baisse : ses tokens coûtent 20 % de moins que ceux de GPT-6 Astra, et les tokens d'entrée déjà vus (le cache) 60 % de moins. Sol garde les tarifs de GPT-6.1 Sol : 2 $ en entrée et 10 $ en sortie, quatre fois moins qu'Astra. Dans ChatGPT à crédits, Astra vaut 200 crédits par million de tokens en entrée et 1 000 en sortie, contre 250 et 1 250 pour GPT-6 Astra ; Sol en vaut 50 et 250.
Dans ChatGPT, les deux modèles ne sont proposés que dans Work et Codex, pas dans la conversation classique, sur les offres Plus, Pro, Business, Enterprise et Edu. En Enterprise et Edu, ils restent désactivés tant qu'un administrateur ne les a pas ouverts. Le déploiement est progressif : sur le forum d'OpenAI, un client Business en France ne voyait pas encore les modèles au lendemain de l'annonce. Une fois activé, c'est Sol qui démarre par défaut les nouvelles conversations de Work. Le choix entre Astra, Sol et les autres modèles de ChatGPT, crédit par crédit, est détaillé dans notre guide pour faire durer les crédits ChatGPT Entreprise.
GPT-6.2 Astra ou Claude Fable 5.2 : lequel est le plus intelligent ?
L'indice d'intelligence d'Artificial Analysis est une note sur 100 qui agrège neuf épreuves : travail de bureau sur documents, automatisation, code, sciences, connaissances générales. Il a l'intérêt d'être mesuré de la même façon pour tous les modèles, par un tiers qui ne vend pas de modèle. À effort de réflexion maximal, Claude Fable 5.2 est premier sur 92 modèles avec 65 points ; GPT-6.2 Astra suit avec 62, cinq points de plus que GPT-6 Astra ; GPT-6.2 Sol obtient 57.
Les autres évaluateurs indépendants vont dans le même sens. Selon The Decoder, Epoch AI place Astra à égalité avec Fable 5.2 sur son indice général, mais derrière lui sur des tâches tirées de ses propres recherches, où Astra a « joué trop prudemment » et sauté des estimations clés. Au classement de Vals AI, Fable 5.2 est premier, Astra septième et Sol neuvième.
Chaque éditeur compare son modèle à un adversaire qui l'arrange
Les annonces des deux éditeurs, elles, se contredisent. OpenAI affirme que sur Agents' Last Exam, un test de travail professionnel en plusieurs étapes, Astra devance Fable 5.2 de 5,5 points pour 5 % de son coût, et qu'il fait plus que doubler son taux de réussite sur un test juridique de Harvey. Anthropic, de son côté, publie un tableau où Fable 5.2 bat GPT-6 Astra sur le code, l'usage d'un ordinateur ou le raisonnement : 74,2 % contre 57,2 % sur Humanity's Last Exam, par exemple.
Aucune de ces deux grilles n'est un match à armes égales. Anthropic compare Fable au GPT-6 Astra de septembre, le seul disponible le 9 novembre. OpenAI choisit les épreuves où Astra brille, et précise en petits caractères que neuf tâches de Fable ont été exclues d'Agents' Last Exam. Sur le juridique, Vals AI contredit d'ailleurs OpenAI : Astra n'y est que 30e sur son test de recherche juridique. Les chiffres qu'un éditeur publie sur son propre modèle restent des arguments de vente tant qu'un tiers ne les a pas reproduits.
Même prix au token : pourquoi Fable 5.2 coûte-t-il plus cher par tâche ?
Le coût par tâche, c'est ce que coûte réellement une demande menée à son terme : le prix des tokens multiplié par le nombre de tokens que le modèle a lus et écrits, réflexion comprise. Artificial Analysis le calcule sur les neuf épreuves de son indice, pour chaque modèle et chaque niveau d'effort, c'est-à-dire le temps de réflexion qu'on accorde au modèle avant qu'il réponde.
Les résultats, relevés le 18 novembre sur la comparaison d'Artificial Analysis :
| Modèle (effort) | Indice d'intelligence | Coût par tâche | Durée par tâche |
|---|---|---|---|
| Claude Fable 5.2 (max) | 65 | 26,54 $ | 41 min |
| Claude Fable 5.2 (xhigh) | 62 | 14,83 $ | 24 min |
| Claude Fable 5.2 (high) | 62 | 9,08 $ | 15 min |
| GPT-6.2 Astra (max) | 62 | 4,00 $ | 13 min |
| GPT-6.2 Astra (xhigh) | 62 | 2,52 $ | 7 min |
| Claude Fable 5.2 (medium) | 56 | 3,80 $ | 6 min |
| GPT-6.2 Astra (medium) | 57 | 1,62 $ | 4 min |
Le prix des tokens étant le même, tout l'écart vient de leur nombre. Pour passer l'ensemble de l'indice en effort « xhigh », Fable 5.2 a écrit 144 millions de tokens, GPT-6.2 Astra 27 millions, pour le même score de 62. Fable écrit environ cinq fois plus pour arriver au même résultat. Artificial Analysis le classe d'ailleurs 89e sur 91 en verbosité. Il génère pourtant deux fois plus vite, 111 tokens par seconde contre 53, mais il en écrit tellement plus que la tâche prend deux fois plus de temps.
Ce que coûte un point d'intelligence au sommet
Fable 5.2 garde un vrai avantage : en effort maximal, il monte à 65, là où Astra plafonne à 62. Ces trois points se paient 26,54 $ par tâche, contre 4,00 $, soit 6,6 fois plus. Pour une équipe de recherche qui attaque un problème que personne n'a résolu, ces trois points peuvent valoir n'importe quel prix. Pour une entreprise qui fait analyser des contrats ou des tableaux financiers par milliers, l'écart de facture compte bien plus que l'écart de score.
Les neuf épreuves d'Artificial Analysis sont longues et exigeantes, souvent menées par un agent qui enchaîne les étapes. Sur une demande courte, résumer un e-mail ou reformuler un paragraphe, la verbosité de Fable pèse beaucoup moins. Et écrire plus n'est pas toujours un défaut : c'est aussi ce qui permet à Fable d'aller plus loin sur les problèmes ouverts, là où Epoch AI reproche à Astra sa prudence.
Et GPT-6.2 Sol, le modèle du quotidien ?
Pour la plupart des usages, le duel Astra contre Fable est un faux problème : les deux éditeurs eux-mêmes recommandent un modèle plus petit par défaut. Anthropic conseille de commencer par Claude Opus 5.5 pour la plupart des tâches de code et de connaissance, et de ne monter à Fable que pour les travaux les plus ambitieux. OpenAI fait démarrer les conversations de Work sur Sol.
Sur l'indice d'Artificial Analysis, GPT-6.2 Sol atteint 57 points pour 1,01 $ par tâche en effort maximal. Claude Opus 5.5 obtient le même score en effort « xhigh » pour 6,05 $. Sol fait aussi bien que GPT-6 Astra, le modèle phare de septembre, pour environ 15 % de son coût par tâche. Fable 5.2 en effort moyen (56 points) coûte 3,80 $ : près de quatre fois Sol, pour un point de moins. OpenAI va plus loin : sur FrontierCode 2.0, un test qui vérifie si des modifications de code passeraient la relecture des mainteneurs d'un vrai projet, Sol arrive à un demi-point d'Astra pour environ un cinquième du coût.
Sol a cependant un défaut sur le code. Selon The Decoder, Artificial Analysis le mesure trois points sous GPT-6.1 Sol sur son indice des agents de code, avec une chute de 14 points sur une épreuve où il omet plus souvent les faits importants dans ses réponses. Pour une équipe de développement qui a calé ses outils sur GPT-6.1 Sol, un test sur ses propres dépôts avant de basculer nous paraît prudent.
Quels sont les défauts connus de GPT-6.2 ?
Le plus sérieux vient d'OpenAI lui-même. Dans sa fiche système, l'éditeur mesure à quelle fréquence un modèle passe sous silence un obstacle qui l'a empêché de finir : un fichier supprimé, un outil indisponible. GPT-6.2 Astra l'a fait dans 22,28 % des essais, contre 11,09 % pour GPT-6 Astra. OpenAI se dit « préoccupé par cette régression » et soupçonne ses efforts pour rendre les réponses plus concises. Une consigne ajoutée dans Codex limite le problème, mais elle ne s'applique pas aux appels directs de l'API. Un agent construit sur Astra peut donc annoncer une tâche terminée alors qu'elle ne l'est pas.
Sur les questions factuelles difficiles d'Artificial Analysis, Astra invente une réponse au lieu de dire qu'il ne sait pas dans 59 % des cas, et Sol dans 55 %. Ces questions sont choisies pour être très dures : le chiffre ne dit pas qu'Astra se trompe une fois sur deux au quotidien, mais qu'il préfère une réponse à un aveu d'ignorance. Des testeurs qui avaient accès au modèle en avant-première décrivent des boucles improductives et des tâches abandonnées trop tôt ; OpenAI répond que des changements importants ont été faits dans les derniers jours avant la sortie.
La sortie de GPT-6.2 a fait réagir : le fil de discussion sur Hacker News a réuni 1 291 points et 808 commentaires en une journée. Le coût par tâche y est salué ; le passage des benchmarks au travail réel, beaucoup moins.
Que signifie le seuil « High » en auto-amélioration ?
OpenAI classe ses modèles par niveau de risque dans son « Preparedness Framework ». GPT-6.2 Astra est le premier modèle public d'OpenAI à atteindre le seuil « High » en auto-amélioration, c'est-à-dire sa capacité à accélérer la recherche en IA. Selon OpenAI, ce seuil revient à donner à chacun de ses chercheurs un ingénieur de recherche très compétent comme assistant, par rapport à 2024.
Pour une entreprise, la conséquence pratique est ailleurs. Astra et Sol atteignent le seuil « Critical » en cybersécurité, et OpenAI a resserré les garde-fous sur les demandes liées aux failles, au risque de bloquer de la recherche de vulnérabilités légitime. Anthropic fait le même choix : Fable 5.2 bloque la plupart des tâches de cybersécurité, réservées à sa version Mythos sur dossier. Une équipe de sécurité qui compte sur l'un ou l'autre pour ses tests d'intrusion devra passer par ces programmes vérifiés.
Données et souveraineté : où partent vos requêtes ?
Sur ce terrain, GPT-6.2 a un avantage concret. Dans l'API, Astra et Sol acceptent la résidence des données en Union européenne, moyennant 10 % de plus sur le prix. Fable 5.2, lui, impose une conservation de 30 jours des requêtes pour la surveillance de sécurité, sauf dérogation, et Anthropic ne propose en direct que deux zones de traitement, monde ou États-Unis. Nous avons détaillé ce régime dans notre article sur Claude Fable et le zero data retention.
Mais la résidence règle le lieu, pas le droit applicable. OpenAI et Anthropic sont des sociétés américaines : le CLOUD Act leur impose de remettre aux autorités américaines les données sous leur contrôle, « regardless of whether […] located within or outside of the United States ». Ni GPT-6.2 ni Fable 5.2 n'est une IA souveraine, quel que soit le centre de données choisi. Nous expliquons cette distinction sur notre page IA souveraine et dans notre analyse de la dépendance numérique américaine.
Pour les données qui ne doivent pas quitter la juridiction européenne (M&A, santé, ressources humaines), l'alternative existe, avec un écart de niveau qu'il faut assumer. Chez Ask This Guy, nous utilisons Qwen 3.8 27B, un modèle à poids ouverts hébergé chez OVHcloud : il obtient 20 points à l'indice d'Artificial Analysis, très loin des 62 d'Astra, mais suffisant pour la recherche documentaire et la rédaction courante.
Ce qu'une DSI peut en retenir
Le prix au token n'est plus un bon critère de choix : deux modèles affichés au même prix peuvent coûter jusqu'à 6,6 fois plus l'un que l'autre par tâche. Le seul chiffre qui compte est le coût de vos tâches, mesuré sur vos données. Un test sur une cinquantaine de demandes réelles, avec le nombre de tokens consommés et le temps de réponse de chaque modèle, en dit plus que tous les classements.
Astra et Fable sont faits pour les travaux les plus longs et les plus difficiles : un agent qui modifie une base de code entière, une modélisation financière complexe, un problème scientifique ouvert. Pour l'essentiel du reste, GPT-6.2 Sol ou Claude Opus 5.5 font aussi bien pour une fraction du prix. Dans ChatGPT Enterprise, cela passe par l'activation des modèles 6.2 par l'administrateur, puis par le choix du modèle par défaut.
Reste le cas des agents. La régression d'Astra sur les obstacles tus confirme une règle que nous appliquons déjà : un agent ne se croit pas sur parole. Des tests automatiques, une vérification de la présence des fichiers attendus, un contrôle humain sur les étapes à risque coûtent moins cher qu'une tâche déclarée finie qui ne l'est pas. C'est aussi pourquoi nous orientons chaque demande vers le plus petit modèle qui suffit, plutôt que de tout envoyer au plus gros : le paradoxe de Jevons montre qu'une baisse du prix unitaire fait souvent grimper la facture totale.
Questions fréquentes sur GPT-6.2 et Claude Fable 5.2
GPT-6.2 est-il disponible dans ChatGPT ?
Oui, depuis le 17 novembre 2026, mais seulement dans ChatGPT Work et Codex, pas dans la conversation classique. GPT-6.2 Astra et GPT-6.2 Sol sont ouverts aux offres Plus, Pro, Business, Enterprise et Edu. En Enterprise et Edu, un administrateur doit d'abord les activer. Le déploiement est progressif : certains comptes ne les voient pas encore.
Combien coûte GPT-6.2 ?
Dans l'API, GPT-6.2 Astra coûte 8 $ par million de tokens en entrée, 0,40 $ en entrée mise en cache et 40 $ en sortie, 20 % de moins que GPT-6 Astra. GPT-6.2 Sol coûte 2 $, 0,10 $ et 10 $. Dans ChatGPT à crédits, Astra vaut 200 crédits par million de tokens en entrée et 1 000 en sortie, Sol 50 et 250.
GPT-6.2 est-il meilleur que Claude Fable 5.2 ?
Pas au sommet. Selon Artificial Analysis, Claude Fable 5.2 obtient 65 points à effort maximal, contre 62 pour GPT-6.2 Astra, et Epoch AI comme Vals AI le placent devant sur les tâches réelles. En revanche, Astra atteint 62 points pour 2,52 $ par tâche, quand Fable en dépense au moins 9,08 $ pour le même score.
Quelle différence entre GPT-6.2 Astra et GPT-6.2 Sol ?
Astra est le modèle de pointe d'OpenAI, pour les tâches longues et difficiles ; Sol est le modèle du quotidien, quatre fois moins cher par token. Selon Artificial Analysis, Astra obtient 62 points pour 4,00 $ par tâche et Sol 57 points pour 1,01 $. Sur le test de code FrontierCode 2.0, OpenAI annonce Sol à un demi-point d'Astra pour environ un cinquième du coût.
GPT-6.2 peut-il traiter les données en Europe ?
Oui dans l'API : GPT-6.2 Astra et Sol acceptent la résidence des données en Union européenne, facturée 10 % de plus. Cela garantit le lieu de traitement, pas la juridiction : OpenAI reste une société américaine soumise au CLOUD Act, qui peut l'obliger à remettre des données stockées en Europe.
Qu'est-ce que le coût par tâche d'un modèle d'IA ?
C'est le coût réel d'une demande menée à son terme : le prix des tokens multiplié par le nombre de tokens lus et écrits par le modèle, réflexion comprise. Deux modèles au même prix au token peuvent avoir des coûts par tâche très différents si l'un écrit beaucoup plus que l'autre, comme Claude Fable 5.2 face à GPT-6.2 Astra.
Pendant deux ans, les éditeurs ont rivalisé sur le prix du token. Avec GPT-6.2, OpenAI met en avant autre chose : le nombre de tokens qu'il faut pour finir une tâche, autrement dit faire le même travail en écrivant moins. La question à poser à un fournisseur d'IA n'est plus « combien coûte un million de tokens ? », mais « combien de tokens vous faut-il pour faire mon travail ? ». Peu de factures permettent aujourd'hui d'y répondre.


