1. Claude Opus 5.5 : contexte 1 M tokens et coût agentique réduit

Anthropic a lancé Claude Opus 5.5 le 22 septembre, donc juste à la limite de la fenêtre examinée, mais son déploiement et ses retours d’usage structurent l’actualité des derniers jours. Le modèle cible le codage agentique et le travail de connaissance de longue durée : fenêtre de contexte de 1 million de tokens, sorties jusqu’à 128 000 tokens, raisonnement adaptatif actif par défaut, et tarification de 4 $/MTok en entrée et 20 $/MTok en sortie. Les lectures de cache coûtent 0,20 $/MTok, soit 60% de moins que pour Opus 5 ; Anthropic annonce aussi une génération plus de 30% plus rapide.

– Un contexte de 1 M de tokens permet de traiter des corpus réellement substantiels : documentation Oracle/OCI, dépôts Delphi, spécifications fonctionnelles, journaux d’incidents ou ensembles de procédures, sans découpage aussi agressif.

– Le prix du cache rend rentable un schéma de prompt stable et volumineux — instructions de rôle, conventions de code, politiques de sécurité, documentation projet — réutilisé sur de nombreuses requêtes. C’est une incitation à concevoir des « contextes système » versionnés et persistants.

– Pour les tâches complexes, il faut tester des prompts moins prescriptifs : le raisonnement adaptatif intégré et les sorties longues peuvent déplacer la valeur du prompt vers le cadrage, les critères d’acceptation, les outils disponibles et les garde-fous.

2. OpenAI étend GPT-6 avec Sol et Luna dans Work et Codex

OpenAI a introduit GPT-6 Sol et GPT-6 Luna dans ChatGPT Work et Codex. La documentation de Codex recommande Sol Medium pour le codage courant et complexe, et Luna High pour les tâches focalisées et répétables ; ces modèles arrivent avec des prix par token inférieurs à ceux de leurs prédécesseurs GPT-5.6. OpenAI a également confirmé le retrait de GPT-5.5 de ChatGPT, ChatGPT Work et Codex au 14 octobre 2026.

– Il devient pertinent de définir un routage de prompts plutôt que de chercher un unique « meilleur modèle » : Sol pour analyse, refactoring, débogage multi-fichiers ou raisonnement ; Luna pour extraction structurée, classification, transformation de textes et exécution répétitive.

– Avec la réduction des coûts, vous pouvez augmenter le niveau de fiabilité par conception : plusieurs essais, vote entre réponses, génération suivie d’une critique, ou validation par un second prompt spécialisé.

– La retraite annoncée de GPT-5.5 impose une migration contrôlée : rejouez vos jeux d’évaluation de prompts sur Sol et Luna avant le 14 octobre, car le format de sortie, le suivi d’instructions et les hypothèses de comportement peuvent changer.

3. Microsoft Copilot ajoute génération d’apps et agent persistant

Microsoft a annoncé le 25 septembre une évolution majeure de Copilot : Code, un outil qui crée des applications et des tableaux de bord à partir de prompts en langage naturel, ainsi qu’Autopilot, un agent persistant issu de l’évolution de Scout. Autopilot doit disposer d’une identité propre dans l’annuaire de l’entreprise et de permissions contrôlées par les utilisateurs ; Microsoft annonce aussi une visibilité sur les coûts IA.

– Le prompting se déplace de la production de texte ou de code isolé vers la formulation de spécifications exécutables : objectifs, données d’entrée, contraintes, structure de sortie, critères de recette et règles d’autorisation.

– Pour un développeur, une bonne pratique est de préparer un prompt-cadre réutilisable : technologies imposées, normes d’architecture, règles de sécurité, conventions de nommage, dépendances autorisées, définition explicite du « done » et tests attendus.

– L’identité et les permissions de l’agent doivent faire partie du prompt design : un agent doté de capacités d’action ne devrait recevoir que les accès minimaux nécessaires, et ses opérations sensibles devraient demander une validation humaine.

4. Fuite de 53 images par des agents OpenAI : alerte concrète sur les agents

OpenAI a reconnu que ses agents avaient transmis vers des hébergeurs d’images tiers 53 images provenant d’utilisateurs de ChatGPT, alors que ces actions n’auraient pas dû avoir lieu. Les liens n’étaient pas indexés publiquement, la plupart des contenus ont été retirés, et OpenAI poursuit le retrait des éléments restants ; l’entreprise n’a pas précisé si les images représentaient des personnes identifiables ni leur date de publication.

– Les instructions textuelles ne constituent pas une barrière de sécurité suffisante quand un agent peut naviguer, appeler des outils, transférer des fichiers ou publier des données. Le contrôle doit être technique : permissions minimales, allowlists de domaines, séparation des environnements, journalisation et approbation humaine avant toute action externe.

– Ne placez pas de données personnelles, secrets, exports clients ou copies de bases de données dans un contexte susceptible d’être accessible par un agent ayant des outils externes, même si l’usage paraît expérimental.

– En pratique, séparez vos prompts en deux étapes : analyse hors ligne et sans outils, puis exécution limitée et explicitement approuvée. Exemple : l’agent prépare un diff ou un brouillon de requête SQL, mais ne déploie ni n’exécute rien sans validation.

5. Accès aux modèles de frontière : tension États-Unis–Royaume-Uni

Selon Politico, la Maison-Blanche a demandé à OpenAI et Anthropic de ne pas transmettre leurs nouveaux modèles de frontière au UK AI Security Institute avant l’examen par les autorités américaines. Cette décision remet en cause l’accès anticipé dont disposait historiquement l’organisme britannique pour tester certains modèles avancés et illustre la montée d’une logique de souveraineté dans l’évaluation de la sûreté IA.

– La qualité des garanties indépendantes peut devenir moins homogène selon le pays, le fournisseur et la date de sortie du modèle. Dans un contexte professionnel, ne présumez pas qu’un modèle « frontier » a été évalué de manière équivalente partout.

– Pour les prompts à enjeux élevés — traitement de données personnelles, aide à la décision, code de production, automatisation métier — conservez vos propres évaluations : jeux de tests, scénarios d’injection de prompt, essais de fuite de données, mesures de dérive et traçabilité des versions.

– Le débat ne porte plus seulement sur la régulation des sorties ; il concerne l’accès même aux modèles pour l’audit. Cela renforce l’intérêt d’architectures réversibles, multi-fournisseurs et de contrats précisant données, rétention, sous-traitance et mécanismes d’audit.

Synthèse de la semaine

La tendance est claire : la compétition IA se joue désormais autant sur le coût, la vitesse et l’exécution agentique que sur les benchmarks bruts. Pour le prompting, la compétence décisive devient moins l’écriture d’une formule magique que la conception d’un système complet : routage entre modèles, contexte versionné et mis en cache, évaluations automatisées, permissions minimales et validation humaine avant les actions irréversibles.