GPT-5.6 change l’économie des agents d’analyse

OpenAI a réduit le prix de GPT-5.6 Luna de 80 % cette semaine, selon une analyse publiée le 1er août 2026 par MotherDuck. Dans le même temps, GPT-5.6 Sol consomme plus du double de tokens par session que GPT-5.5 dans un usage Codex, d’après des logs comparés sur deux fenêtres de 14 jours. Résultat : l’analyse agentique devient moins chère, mais pas forcément moins gourmande, ce qui rebat les cartes pour les équipes data et les éditeurs d’outils.

Un modèle plus petit, mais suffisamment bon pour l’analyse

MotherDuck dit avoir vu GPT-5.6 Luna devenir très compétitif sur un benchmark SQL agentique : la version « max effort » aurait dépassé Gemini-3-Flash en mode low, avec 99,8 % de précision et un prix cinq fois inférieur. Sur un benchmark de modélisation sémantique, le coût tomberait encore davantage, jusqu’à être dix fois inférieur à celui de la semaine précédente, l’équipe attribuant ce gain supplémentaire à des améliorations de cache [à vérifier].

Le message est clair : pour certaines tâches de données, il n’est plus nécessaire d’appeler le modèle le plus puissant du moment. Luna serait assez bon pour produire du SQL correct, vite, et à un coût qui ouvre la porte à des usages jusqu’ici freinés par la facture. C’est là que l’addition cesse d’être un détail de tableur.

La latence devient le nouveau point de blocage

Quand l’IA répond plus vite, le goulot d’étranglement se déplace. MotherDuck estime qu’un moteur analytique rapide devient alors plus utile qu’une base transactionnelle classique pour les workflows agentiques, car une base analytique peut être jusqu’à 1 000 fois plus rapide qu’une base transactionnelle dans un cadre adapté. Un entrepôt qui met 30 secondes à démarrer laisse, selon la même logique, de la place pour dix questions d’agent sur une plateforme à faible latence.

Dans ce contexte, l’expérience utilisateur compte autant que la précision. Pour des produits face client, quelques secondes gagnées sur la réponse changent la perception du service, et parfois le modèle économique autour.

Le contexte redevient un actif stratégique

Les sources concordent sur un point : un modèle moins coûteux ne dispense pas d’un bon contexte. MotherDuck décrit le « context layer » comme la couche qui rassemble les détails propres à une entreprise ou à un domaine, afin qu’un agent puisse interpréter correctement les données. Plus le modèle est petit, plus cette documentation fine devient rentable, car elle compense une partie de la baisse de capacité brute.

Le sujet n’est pas seulement technique. Si une équipe ajoute un programme de remises, un agent peut se tromper dans le calcul du revenu sans contexte à jour. Et ce genre d’erreur n’est jamais très amusant quand elle finit dans une présentation au comité de direction.

Des tests plus fréquents, et plus proches du métier

MotherDuck défend aussi une autre idée : les tests d’IA, ou « evals », doivent dépasser les simples contrôles de qualité des données. Pour un agent d’analyse, il faut comparer une question en langage naturel à la réponse correcte attendue, en tenant compte du contexte métier et de la base connectée. L’entreprise dit que ces évaluations coûtent désormais cinq fois moins cher, ce qui permet de les lancer plus souvent et de mieux suivre les régressions.

Vincent Schmalbach, de son côté, montre qu’une version GPT-5.6 Sol en mode xhigh peut consommer 16,45 millions de tokens par session contre 7,30 millions pour GPT-5.5 xhigh, soit 2,25 fois plus, sur deux fenêtres de 14 jours comparables. Le total passe de 12,17 milliards à 28,22 milliards de tokens, soit 2,32 fois plus. Autrement dit, le coût unitaire baisse ou stagne, mais l’usage réel peut grimper vite.

Pour les équipes, la vraie question devient l’architecture

Ces deux sources racontent la même bascule sous des angles différents. D’un côté, l’IA d’analyse devient assez bon marché pour être utilisée plus largement. De l’autre, sa consommation peut exploser dès que les usages gagnent en confort ou en profondeur. Les équipes data devront donc arbitrer entre modèle, latence, contexte et fréquence des tests, sans se laisser enfermer par un seul fournisseur.

MotherDuck va jusqu’à recommander des outils de test « frontier lab agnostic », c’est-à-dire capables de changer de modèle sans réécrire tout le système. Ce n’est pas glamour, mais c’est probablement plus sain qu’une dépendance totale à un seul laboratoire. Et dans l’IA, les additions arrivent souvent avant les surprises.