Quelques jours seulement après la sortie de GPT-5.6, OpenAI a signalé une nouvelle forte hausse de son adoption. Au moment du rapport initia...
À peine quelques jours après la sortie de GPT-5.6, OpenAI a signalé une nouvelle forte augmentation de l’adoption. Au moment du rapport initial, Codex et ChatGPT Work avaient dépassé 8 millions d’utilisateurs actifs, et OpenAI avait une nouvelle fois réinitialisé les limites d’utilisation pour tout le monde.
Cette croissance est frappante, mais la leçon la plus utile se trouve peut-être cachée dans les nouvelles directives de prompting de GPT-5.6 d’OpenAI. L’entreprise encourage désormais les développeurs à supprimer les règles répétées, les exemples inutiles, les descriptions d’outils gonflées et les instructions pas à pas dont le modèle n’a plus besoin.
Pour GPT-5.6 Sol, un prompt efficace consiste moins à contrôler chaque mouvement qu’à définir la destination : le résultat requis, les contraintes strictes, les preuves disponibles, les limites d’approbation et le critère d’achèvement.
Tibo, qui dirige Codex et ChatGPT chez OpenAI, a annoncé que le nombre combiné d’utilisateurs actifs de Codex et ChatGPT Work avait atteint 8 millions. OpenAI a également réinitialisé à nouveau les limites d’utilisation et continue de fonctionner sans la limite de taux de cinq heures précédente.
Le rythme était inhabituellement rapide. Selon le rapport original, le nombre d’utilisateurs combinés est passé de 6 millions à 7 millions, puis à 8 millions en quelques jours après le lancement de GPT-5.6.
Les réinitialisations d’utilisation sont également devenues si fréquentes qu’elles sont devenues une plaisanterie récurrente parmi les utilisateurs. Certaines personnes ont décrit le modèle comme une réinitialisation quotidienne qui rendait les limites hebdomadaires invisibles, en particulier pour ceux qui n’avaient pas entièrement consommé leur allocation rétablie avant la prochaine réinitialisation.
Les réinitialisations ne doivent pas être interprétées comme un droit permanent ou une politique de produit fixe. Il s’agissait de réponses publiques à une augmentation rapide de l’adoption, et les limites peuvent varier selon le plan, le modèle, la charge de travail et la capacité actuelle.
Sam Altman a déclaré que la demande pour GPT-5.6 Sol augmentait rapidement et a crédité l’équipe d’inférence d’avoir étendu la capacité pour la soutenir. Il a également prévenu que les utilisateurs pourraient rencontrer occasionnellement des interruptions de service pendant que l’infrastructure continue de s’adapter.
Cet avertissement est important car une réinitialisation de l’utilisation ne supprime pas le coût sous-jacent du service d’un modèle de raisonnement. Davantage d’utilisateurs, des exécutions d’agents plus longues, des outils parallèles et des paramètres de raisonnement plus élevés peuvent tous augmenter la demande de calcul.
La conclusion pratique est simple : des limites rétablies peuvent créer plus d’espace pour expérimenter, mais les équipes doivent toujours concevoir leurs workflows en fonction de la qualité mesurée, de la latence et
Le coût, plutôt que de supposer une capacité illimitée.
Altman a également déclaré que GPT-5.6 Sol était proposé à environ la moitié du prix d’un modèle concurrent qu’il a appelé Fable, tout en utilisant environ deux fois moins de tokens pour de nombreuses tâches comparables.
Si un modèle coûte deux fois moins cher par token et accomplit le même travail avec environ deux fois moins de tokens, le coût total peut approcher le quart de la référence de comparaison dans ces cas spécifiques.
Il ne s’agit pas d’une formule universelle. La propre documentation d’OpenAI recommande à plusieurs reprises de tester des charges de travail représentatives, car le choix du modèle, l’effort de raisonnement, l’utilisation d’outils, la mise en cache, la latence et les exigences de sortie affectent tous le coût final.
Néanmoins, la tendance est claire : la valeur de GPT-5.6 ne réside pas seulement dans le fait que chaque token peut être moins cher. Le modèle est également conçu pour obtenir un travail plus utile avec moins de tokens.
Pour plusieurs générations de modèles d’IA, l’ingénierie des prompts signifiait souvent ajouter plus de structure.
Les équipes construisaient de longs prompts système avec des rôles détaillés, des avertissements répétés, des blocs XML, des instructions de persistance, des exemples, des descriptions d’outils et des étapes de processus explicites. Chaque fois que le modèle échouait, une nouvelle règle était ajoutée.
GPT-5.6 Sol change cet équilibre.
Les directives actuelles du modèle d’OpenAI indiquent que GPT-5.6 a une meilleure compréhension des intentions et n’a souvent pas besoin que chaque étape intermédiaire soit prescrite. Les développeurs doivent toujours fournir le contexte du domaine, les contraintes strictes, les limites d’approbation, les exigences de preuve et les critères de succès, mais ils peuvent donner au modèle plus de liberté pour choisir la voie de travail.
Dans un échantillon des évaluations internes de l’agent de codage d’OpenAI, des prompts système plus légers auraient :
OpenAI décrit ces chiffres comme indicatifs plutôt qu’universels. Ils doivent être validés par rapport aux tâches, aux outils et à la suite d’évaluation utilisés dans votre propre application.
Un prompt pratique pour GPT-5.6 peut généralement s’organiser autour de quatre éléments :
La tâche est-elle considérée comme terminée ?
Cette approche donne au modèle un contrat clair sans le forcer à suivre un chemin rigide.
Une ancienne invite pourrait attribuer au modèle un rôle d'ingénieur senior en sécurité, spécifier chaque étape de navigation dans les fichiers, dicter l'ordre d'analyse, répéter des avertissements, et prescrire le flux de travail exact du rapport.
Une version plus légère de GPT-5.6 pourrait ressembler à ceci :
Résultat :
Auditer ce dépôt et identifier les vulnérabilités de sécurité de haute gravité.
Contraintes :
Se concentrer sur l'authentification et la validation des entrées.
Ne pas modifier la configuration de production ni modifier les fichiers.
Signaler chaque problème une fois sans répéter le même risque dans plusieurs sections.
Preuves :
Utiliser la documentation d'architecture jointe et l'inventaire des dépendances.
Ne pas inventer de détails d'implémentation manquants.
Critères d'acceptation :
Pour chaque constat, inclure l'emplacement du fichier, les preuves à l'appui, l'impact probable,
et une correction pratique.
Avant de terminer, vérifier chaque constat par rapport à ces exigences.
Le modèle peut alors décider d'inspecter d'abord un répertoire spécifique, d'utiliser des sous-agents, d'exécuter un test non destructif, ou de comparer les dépendances à des motifs connus.
L'utilisateur définit ce qu'est un bon travail. Le modèle choisit une route efficace dans les limites autorisées.
Des invites plus légères ne signifient pas abandonner le contrôle. Cela signifie déplacer le contrôle là où il compte.
Indiquer quelles actions le modèle peut effectuer de manière indépendante et lesquelles nécessitent une confirmation.
Par exemple, lire des fichiers, inspecter des journaux, modifier du code local dans le champ d'application, et exécuter des tests non destructifs peuvent être autorisés. Les écritures externes, les achats, les actions destructrices, les modifications de production, ou une expansion matérielle du champ d'application devraient normalement nécessiter une approbation.
Une limite claire est plus utile que de répéter « demande-moi d'abord » tout au long de l'invite.
Demander au modèle de vérifier son résultat par rapport aux critères d'acceptation avant la livraison.
C'est particulièrement utile pour la révision de code, la recherche, la génération de documents, l'analyse de données, et les flux de travail multi-outils. La règle de vérification doit être concrète : confirmer les champs requis, tester le changement, citer des preuves, ou comparer le résultat final avec une référence fournie.
Commencer avec la plus petite invite et le plus petit ensemble d'outils qui fonctionnent déjà.
Supprimer ou ajouter une catégorie à la fois, puis réexécuter les mêmes évaluations. Cela facilite l'identification de l'instruction qui améliore réellement la qualité et de celle qui n'ajoute que des jetons.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Réécrire l'ensemble d'une pile d'invites en une seule fois peut produire un résultat plus propre, mais cela rend également les échecs plus difficiles à diagnostiquer.
GPT-5.6 suit les instructions de près. C'est utile lorsque l'invite est cohérente, mais cela rend les contradictions plus coûteuses.
Une invite peut demander une réponse complète dans une section et une réponse très courte dans une autre. Elle peut dire au modèle d'agir de manière autonome, puis répéter qu'il doit demander une approbation avant chaque modification. Elle peut exiger
tous les détails disponibles tout en imposant une limite de sortie stricte.
Les modèles antérieurs ignoraient parfois un aspect du conflit. Un modèle plus performant en matière de suivi d'instructions pourrait tenter de satisfaire les deux, produisant un comportement hésitant, des demandes d'approbation inutiles, ou une sortie qui ne répond clairement à aucune des deux exigences.
La solution ne consiste pas à ajouter un autre paragraphe expliquant quelle règle est la plus importante. La solution consiste généralement à supprimer ou à concilier le conflit.
Les directives de formulation concise d'OpenAI recommandent de supprimer :
L'invite doit préserver :
Une règle utile est de conserver les instructions qui peuvent changer le résultat et de supprimer celles qui ne font que répéter votre processus préféré.
Un ensemble de conseils utilisateurs largement partagés recommande de nettoyer les anciens lots d'instructions, d'activer la mémoire Codex lorsque cela est approprié, et de commencer avec un paramètre de raisonnement modéré avant d'augmenter.
Les directives officielles soutiennent la même approche mesurée.
Lors de la migration depuis GPT-5.5 ou GPT-5.4, OpenAI recommande de conserver le paramètre de raisonnement actuel comme référence et de tester ce paramètre en parallèle avec un niveau inférieur. GPT-5.6 peut maintenir ou améliorer la qualité avec moins de jetons, mais la meilleure configuration dépend de la charge de travail.
Pour de nombreuses tâches de production :
Choisir le paramètre le plus élevé par défaut peut gaspiller des ressources sans améliorer le résultat.
Le changement profond n'est pas seulement technique. C'est un changement dans la manière dont les gens collaborent avec les agents d'IA.
L'ancienne approche considérait le modèle comme un assistant junior qui avait besoin que chaque étape soit décrite à l'avance. L'utilisateur planifiait l'itinéraire entier, et le modèle l'exécutait.
La nouvelle approche est plus proche de la direction d'un opérateur expérimenté. L'utilisateur définit le
objectif, limites, preuves et seuil de qualité. Le modèle planifie et exécute le chemin, s'arrêtant lorsqu'il atteint une décision ou une action nécessitant une approbation humaine.
Cela n'élimine pas l'ingénierie des prompts. Cela élève le niveau auquel cette ingénierie a lieu.
Le travail le plus précieux ne consiste plus à rédiger des centaines d'instructions procédurales. Il s'agit de décider :
À mesure que les modèles deviennent plus performants, des prompts excessivement détaillés peuvent créer les frictions mêmes qu'ils étaient censés éviter.
GPT-5.6 Sol est le modèle phare de la famille GPT-5.6 d'OpenAI. OpenAI le positionne pour les workflows de production complexes, le codage, le travail de connaissance, l'utilisation d'outils et les tâches où la qualité et l'efficacité des tokens sont toutes deux importantes.
GPT-5.6 peut inférer davantage le workflow souhaité par l'utilisateur et n'a pas toujours besoin que chaque étape intermédiaire soit prescrite. Supprimer les instructions répétées ou contradictoires réduit la surcharge des prompts et donne au modèle un objectif plus clair.
Un prompt solide doit définir le résultat, le contexte pertinent, les contraintes strictes, les limites d'approbation, les exigences de preuve, les critères de succès et le format de sortie requis. N'incluez des instructions de processus que lorsqu'elles codent une exigence réelle ou corrigent un échec mesuré.
Non. Partez d'un prompt qui fonctionne déjà, supprimez un groupe d'instructions à la fois et réexécutez les mêmes évaluations. Conservez tout ce qui protège la sécurité, les autorisations, le comportement du produit, les exigences de sortie ou un cas limite connu.
Non. Le modèle ne doit avoir de liberté que dans des limites clairement définies. Les écritures externes, les actions destructrices, les achats, les changements de production ou l'extension du périmètre doivent toujours nécessiter une approbation explicite le cas échéant.
Non. OpenAI décrit l'amélioration de score de 10 à 15 %, la réduction de tokens de 41 à 66 % et la réduction de coûts de 33 à 67 % comme des résultats directionnels issus d'évaluations internes d'agents de codage. Les résultats réels dépendent de l'application, du prompt, des outils, des paramètres de raisonnement et des critères d'évaluation.
Commencez par le paramètre utilisé par votre workflow de production actuel et comparez-le avec un niveau inférieur. N'augmentez l'effort de raisonnement que lorsque des évaluations représentatives montrent une amélioration utile justifiant la latence et le coût supplémentaires.
modèles.
Le rapport initial a mis en lumière deux évolutions liées : la croissance rapide de Codex et ChatGPT Work, ainsi qu'un changement dans la manière dont OpenAI recommande d'utiliser les prompts avec son modèle le plus récent.
GPT-5.6 Sol est conçu pour prendre en charge davantage de planification par lui-même. Les prompts les plus efficaces se concentrent de plus en plus sur le résultat attendu, les contraintes, les preuves, les validations et les critères d'achèvement, plutôt que de dicter chaque étape.
Les équipes doivent simplifier leurs prompts progressivement et valider chaque modification à l'aide d'évaluations représentatives. Un prompt plus court n'est pas automatiquement meilleur ; il doit être plus clair, non redondant, avec des instructions mesurables.
La leçon essentielle est de définir précisément la destination, de fixer clairement les limites et de cesser de micro-gérer l'itinéraire.
Partez d’une phrase et obtenez un site complet en quelques minutes.
