GPT-6.1 Terra : automatiser le travail sur écran
Découvrez GPT-6.1 Terra, le modèle d’OpenAI qui automatise les tâches sur écran : usages concrets, coûts annoncés, limites et précautions pour les entreprises.
GPT-6.1 Terra : l'IA passe de l'écran à l'action
Automatiser une tâche de bureau ne revient pas seulement à écrire du texte ou à répondre à une question. Une partie du travail se fait directement dans des logiciels : ouvrir une facture reçue par courriel, recopier des données dans un outil comptable, remplir un formulaire, ou vérifier une fiche. Jusqu'ici, ces étapes demandaient souvent des intégrations sur mesure ou une intervention humaine.
OpenAI présente GPT-6.1 Terra comme un modèle pensé pour ce type de travail « à l'écran ». Il peut analyser une interface, cliquer, saisir du texte et passer d'une application à une autre. L'entreprise annonce aussi de meilleurs résultats sur certains tests visuels et de programmation, avec un tarif API inférieur à celui de son prédécesseur. Mais ces performances viennent d'évaluations internes.
L'intérêt de Terra ne se joue donc pas uniquement sur le prix ou les scores annoncés. La vraie question est plus concrète : quelles tâches peut-il faire sans transformer un gain de temps en nouvelle source d'erreurs, de coûts ou de risques liés aux données ? Voilà ce que le modèle peut faire, dans quels cas il peut être utile, et comment juger son intérêt pour un contexte professionnel en France et en Europe.
Ce que GPT-6.1 Terra change dans l'usage de l'IA
Un modèle qui manipule des interfaces
GPT-6.1 Terra succède à GPT-5.6 Terra dans la gamme présentée par OpenAI. L'entreprise le positionne, dans sa suite, entre les modèles Luna et des modèles plus puissants comme Sol et Astra. La différence la plus visible tient à la « computer use » : le modèle lit ce qui apparaît à l'écran, puis agit dans l'interface en cliquant, en saisissant du texte ou en naviguant entre des applications.
Au fond, ça change le point d'arrivée. Un assistant conversationnel produit une réponse, puis quelqu'un doit la transformer en action. Ici, le modèle peut exécuter une partie du travail directement, en passant par l'interface, comme le ferait un utilisateur.
Cela ne veut pas dire qu'il « comprend parfaitement » tous les logiciels, ni qu'il remplace une automatisation classique. Les interfaces évoluent, les menus se déplacent, les droits d'accès varient, et certaines actions sont difficiles à rattraper. Cela dit, l'approche peut être pertinente quand il n'y a pas d'API adaptée, ou quand le parcours traverse plusieurs outils différents.
Des performances annoncées, à remettre en contexte
OpenAI dit avoir amélioré Terra sur plusieurs évaluations. Sur un test portant sur l'analyse d'un film plan par plan et la création d'un journal horodaté pour une équipe de restauration, l'entreprise annonce un gain de 15 points de pourcentage par rapport au modèle précédent, pour environ un tiers de son coût. Elle affirme aussi un résultat comparable à GPT-6 Astra pour un dixième du prix, sur ce même test.
Terra aurait aussi réduit son taux d'erreur sur un jeu de questions conçu pour piéger les systèmes d'IA : de 53,6 % à 16,7 % au réglage le plus faible, selon OpenAI. Ces chiffres aident à situer le modèle, mais ils ne suffisent pas à prouver qu'il sera fiable dans un vrai processus métier. Les conditions de test, la formulation des consignes et le contexte d'exécution comptent énormément.
À retenir : Terra vise surtout l'automatisation d'actions dans des interfaces, avec des capacités visuelles et un coût API annoncés en baisse. L'enjeu, c'est de mesurer sur vos tâches, pas de déduire la fiabilité opérationnelle d'un score publié par l'éditeur.
Quelles tâches professionnelles peut-il automatiser ?
Du traitement de factures à la saisie de formulaires
Le cas le plus évident, ce sont les flux de factures entrantes. Terra peut lire le document, en extraire les informations utiles, puis saisir ces données dans un logiciel comptable. En France, cela peut viser la date, le montant, le fournisseur ou le numéro de facture. Mais la saisie n'est qu'une partie : il faut ensuite vérifier les doublons, gérer la TVA, appliquer les règles d'imputation et traiter les cas ambigus.
Même logique pour des formulaires administratifs, la préparation de propositions commerciales ou la mise à jour de dossiers dans un outil interne. Et on peut aussi imaginer des usages autour de documents plus techniques (par exemple relire un dessin technique) ou des tâches de préparation (comme une première version de montage vidéo). OpenAI cite ce type de scénarios comme exemples associés au modèle.
La bonne cible n'est pas seulement une tâche répétitive. C'est une tâche répétitive dont les entrées sont assez prévisibles, dont on peut contrôler le résultat, et pour laquelle une erreur reste rattrapable. Copier des données dans un brouillon, par exemple, est moins risqué que valider un paiement ou envoyer automatiquement un document à un client.
Concevoir un processus avec contrôle humain
Si vous voulez éviter que le modèle prenne trop d'autonomie, décomposez le flux en étapes :
- Lire et extraire les données du document ou de l'écran.
- Vérifier les champs obligatoires, les formats et les incohérences simples.
- Préparer une action dans l'application cible, sans valider tout de suite.
- Faire contrôler les cas à risque par une personne.
- Garder une trace : données d'entrée, actions réalisées, corrections.
C'est là que l'on réduit vraiment le risque. Si Terra saisit un mauvais montant, l'opérateur peut corriger avant validation. À l'inverse, si le modèle valide une action irréversible « tout seul », le contrôle arrive trop tard.
Il faut aussi comparer ce mode d'emploi avec une automatisation classique. Quand un outil propose une API stable et que le processus est bien cadré, une automatisation déterministe est souvent plus fiable et plus facile à auditer. L'action par écran devient intéressante quand l'intégration directe est impossible, trop chère à développer, ou insuffisante pour couvrir un parcours entre plusieurs applications.
Quel est le coût réel de GPT-6.1 Terra ?
Un tarif API annoncé à la baisse
OpenAI annonce un tarif développeur de 1 dollar par million de jetons en entrée et de 5 dollars par million de jetons en sortie. D'après l'entreprise, cela représente la moitié du tarif de GPT-5.6 Terra. OpenAI indique aussi que Terra reviendrait moins cher que Claude Opus 5.5 sur des tâches comparées, avec un coût annoncé autour d'un neuvième.
Mais ce montant ne suffit pas à estimer le coût réel d'une automatisation complète. Une utilisation « sur écran » peut demander plusieurs observations, actions et vérifications. Il faut également compter les reprises en cas d'échec, le temps de contrôle humain, l'intégration au processus existant et le traitement des exceptions. En clair : une facture API basse ne garantit pas un cas d'usage rentable.
Pour une entreprise en Europe, le prix en dollars doit aussi être rapproché de la facturation réelle (conversion, taxes éventuelles, conditions contractuelles). Le plus utile reste d'estimer un coût par tâche terminée, plutôt que de raisonner uniquement « au million de jetons ».
Mesurer le coût par résultat fiable
Un pilote utile suit au minimum quatre indicateurs :
- Coût moyen par dossier traité, en incluant tentatives échouées et contrôles humains.
- Taux d'erreur significative, en séparant une faute de format d'une erreur de montant ou de bénéficiaire.
- Taux d'intervention humaine, autrement dit la proportion de dossiers qui demandent correction ou validation approfondie.
- Temps total de traitement, entre la réception de la tâche et l'enregistrement fiable.
Comparez ensuite avec votre méthode actuelle, et si possible avec une automatisation classique. Il arrive qu'un modèle coûte moins cher par appel tout en déclenchant davantage de vérifications. À l'inverse, il peut valoir le coup sur des parcours variés quand créer et maintenir des intégrations sur mesure coûterait trop cher.
OpenAI indique que Terra est disponible via ChatGPT Plus, Pro, Enterprise et Edu, ainsi que dans Codex. L'abonnement et l'usage via API répondent à des besoins différents : l'un aide surtout à tester en environnement utilisateur, l'autre s'intègre davantage à un système technique, avec une mesure plus « à l'échelle ».
Quelles sont ses limites et les précautions à prendre ?
Une interface pilotable reste une interface fragile
Même si le modèle sait cliquer et saisir, il peut être perturbé par des changements d'interface, une fenêtre qui apparaît au mauvais moment, ou un chargement incomplet. Dans un processus réel, ce genre de détail arrive souvent. Le système doit alors détecter qu'il a perdu le fil, s'arrêter et demander de l'aide, au lieu de continuer avec une hypothèse erronée.
OpenAI affirme que Terra reste davantage dans le périmètre de la tâche et signale mieux ses limites que son prédécesseur. C'est une amélioration intéressante, mais ça ne remplace pas des garde-fous côté processus. Il faut notamment limiter les droits du compte utilisé, séparer la préparation d'une opération de sa validation, et prévoir un moyen clair d'arrêter l'automatisation.
La prudence doit être maximale pour les paiements, les changements de coordonnées bancaires, la gestion de comptes clients, les décisions RH et les actes administratifs. Si vous traitez des déclarations à l'URSSAF ou des données liées à l'emploi, un test « qui marche une fois » ne suffit pas à autoriser un traitement sans contrôle. C'est la gravité d'une mauvaise saisie qui détermine le niveau d'autonomie.
Données, sécurité et exigences européennes
OpenAI indique que Terra atteint le niveau « Critical » pour ses capacités en cybersécurité dans son Preparedness Framework, et qu'il bénéficie des mêmes protections que GPT-6 Astra. Cette classification suggère que le modèle fait l'objet d'une attention particulière pour des capacités jugées sensibles. Mais ce n'est pas une garantie, à elle seule, que votre déploiement sera sûr, conforme et adapté à votre organisation.
Avant un pilote, vérifiez ce qui est réellement envoyé au modèle : quelles données, qui peut y accéder, quelles traces sont conservées, et comment les incidents seront gérés. En Europe, il faut aussi intégrer les exigences du RGPD : finalité du traitement, minimisation des données, base légale, durée de conservation, et information des personnes concernées, selon le cas.
Une approche raisonnable consiste à commencer avec des données fictives ou minimisées, puis tester sur un échantillon contrôlé. Fixez à l'avance les actions interdites, les seuils d'escalade et les critères d'arrêt. Enfin, documentez : une automatisation doit rester compréhensible et auditable, surtout quand elle touche un processus financier ou administratif.
Conclusion : tester avant de généraliser
GPT-6.1 Terra vise à rendre l'IA utile dans les logiciels déjà utilisés par les équipes, en automatisant des étapes qui échappent souvent aux intégrations classiques. La baisse de prix annoncée et les progrès revendiqués en vision et en exécution en font un candidat sérieux à tester sur des tâches répétitives, notamment la saisie et le traitement documentaire.
Mais la décision ne devrait pas reposer uniquement sur les chiffres d'OpenAI. Commencez par un processus limité, définissez les erreurs acceptables, mesurez le coût par résultat fiable, et gardez une validation humaine lorsque le risque d'une mauvaise action est élevé. Si le test confirme un gain net et maîtrisé, étendez progressivement. Sinon, une automatisation plus simple restera souvent le meilleur choix.