La plupart des professionnels utilisent ChatGPT comme une boîte à questions, alors que l’outil sert aujourd’hui à produire des livrables et à exécuter des tâches entières. Ce guide ChatGPT fait le tour de ce qui compte vraiment pour un usage de travail : choisir le bon modèle dans une gamme qui change tous les mois, installer un contexte qui persiste, et passer de la réponse au résultat.
Pour résumer
- Le choix du modèle pèse plus sur le coût et la qualité que la formulation du prompt.
- La mémoire et les Projets suppriment le travail de réexplication qui mange le temps réel.
- Canvas, les GPTs personnalisés, Codex et ChatGPT Work déplacent l’outil du conseil vers la production.
Faire résumer cet article par une IA
ChatGPTChoisir un modèle dans une gamme qui bouge tous les mois
Le premier réflexe à prendre n’est pas d’écrire un meilleur prompt, c’est de regarder quel modèle est sélectionné dans le menu déroulant. Sur une même question, l’écart de qualité et de coût entre deux modèles de la gamme dépasse largement ce qu’une reformulation peut apporter, et cet écart se lit d’abord sur la facture, une mécanique que nous avions détaillée dans notre guide sur la façon de ne plus gaspiller ses jetons. Ce guide ChatGPT commence donc par là plutôt que par les astuces de formulation.
La gamme se lit sur deux étages. En haut, GPT-6 Astra, sorti le 3 septembre 2026 et présenté par OpenAI comme un saut générationnel sur le raisonnement, le code et le pilotage d’un ordinateur. En dessous, la famille GPT-5.6, déclinée en plusieurs variantes dont Sol, Terra et Luna, qui reste parfaitement adaptée au volume quotidien.
Astra se déploie sur les plans Plus, Pro, Business et Enterprise, ainsi que par l’API, Microsoft Azure et AWS Bedrock. Les plans Pro, Business et Enterprise ouvrent en plus l’accès à GPT-6 Astra Pro, une déclinaison qui pousse le raisonnement plus loin.
La règle d’arbitrage tient en une question : est-ce que la tâche a une bonne réponse évidente, ou faut-il explorer pour la trouver ? Reformuler un email, résumer un compte rendu, extraire des données d’un tableau : le modèle le plus rapide de la gamme suffit, et le surcoût du modèle le plus lourd n’achète rien.
À l’inverse, dès qu’il faut tenir plusieurs contraintes simultanément, un modèle de raisonnement change le résultat. Construire un plan de migration qui respecte un budget et un calendrier, lire un contrat atypique pour en sortir les clauses à risque, trancher entre trois architectures : le temps de traitement supplémentaire se rembourse en un seul aller-retour évité.
L’erreur la plus coûteuse en environnement professionnel est l’inverse de celle qu’on imagine. Ce n’est pas d’utiliser un modèle trop faible, c’est de laisser un modèle de raisonnement sur des tâches de volume. Le raisonnement se facture en jetons produits, et une centaine de reformulations lancées sur le modèle le plus lourd coûte un multiple de la même série passée sur le modèle rapide.
Cette discipline de consommation n’est pas propre à ChatGPT. Les mêmes réflexes valent sur les autres assistants, où le poste de dépense se déplace exactement de la même façon dès qu’un modèle lourd reste branché sur du volume.
Côté abonnements, deux repères suffisent pour cadrer un budget. Plus est à 20 dollars par mois et ouvre l’essentiel des fonctions décrites dans ce guide. Pro est à 200 dollars par mois, avec des quotas nettement plus larges sur le modèle le plus lourd, et ses inscriptions ont été suspendues le 10 septembre 2026 face à la demande.
Avant de trancher entre les deux, mesurez plutôt que d’estimer. Notre test complet de ChatGPT Plus détaille ce que le plan à 20 dollars couvre réellement à l’usage, et la plupart des profils individuels n’atteignent jamais le plafond qui justifierait de monter.
Un troisième chemin existe et il est régulièrement négligé par les équipes techniques. Passer par l’API plutôt que par un abonnement transforme une dépense forfaitaire en consommation mesurée, ce qui devient intéressant dès que l’usage est irrégulier ou concentré sur quelques automatisations lourdes. Le calcul bascule dans l’autre sens pour un usage quotidien étalé, où le forfait reste plus simple à piloter qu’une facture variable.
Installer un contexte permanent plutôt que le réécrire
La deuxième couche de ce guide ChatGPT porte sur une perte de temps invisible. Le temps réellement perdu avec un assistant ne se situe pas dans l’attente de la réponse. Il se situe dans la réexplication : redonner son métier, son secteur, son ton, ses contraintes, à chaque nouvelle conversation. Deux mécanismes suppriment ce coût, et ils fonctionnent différemment.
La mémoire est le mécanisme passif. Une fois activée, ChatGPT conserve d’une session à l’autre les éléments qu’il juge durables : votre fonction, vos préférences de format, les projets récurrents que vous évoquez. Vous n’avez rien à déclarer, il retient au fil des échanges.
C’est confortable et c’est exactement pour cette raison qu’il faut l’auditer. Les réglages de personnalisation permettent de consulter ce qui a été retenu, de corriger une information devenue fausse et d’effacer ce qui n’a rien à faire là. Un changement de poste ou de client rend une partie de cette mémoire activement nuisible, puisqu’elle oriente les réponses sur un contexte périmé.
Les Projets sont le mécanisme actif, et ils comptent davantage en usage professionnel. Un Projet regroupe des conversations autour d’un même dossier, avec des instructions qui s’appliquent à toutes et des fichiers accessibles depuis n’importe laquelle d’entre elles.
La valeur d’un Projet se joue entièrement à la rédaction de ses instructions, et c’est l’étape que presque tout le monde bâcle. Quelques lignes précises valent mieux qu’une page : à qui vous vous adressez, quel format de sortie vous attendez, quelles formulations proscrire, et surtout ce qu’il ne faut jamais inventer quand l’information manque.
L’instruction la plus rentable est justement celle-là. Demander explicitement de signaler une incertitude plutôt que de combler un trou change la nature des livrables produits, parce qu’elle déplace l’effort de relecture vers les endroits qui en ont besoin.
Les fichiers viennent compléter ce contexte. Glisser un document dans une conversation permet de le faire lire, analyser et interroger, et la même logique vaut pour un tableur ou une présentation. Sur un document long, extraire la section pertinente avant de la charger donne des résultats plus fiables que de tout envoyer d’un bloc.
Les connecteurs poussent le principe un cran plus loin en donnant accès à vos outils existants plutôt qu’à des copies. C’est puissant et cela mérite une revue sérieuse avant activation, parce que la question à trancher n’est pas ce que l’outil peut lire, mais ce qu’il verra encore dans six mois quand personne ne pensera plus à vérifier ce réglage.
La contrepartie de ce confort est une règle de sélection qu’il vaut mieux poser une fois pour toutes. Tout ce qui entre dans une conversation, dans un Projet ou dans un connecteur sort du périmètre que vous contrôlez seul, et cela suffit à écarter d’office les données couvertes par un accord de confidentialité, les éléments nominatifs sur des salariés et les informations sous embargo.
La solution pratique n’est presque jamais de renoncer à la tâche. Elle consiste à anonymiser avant de charger, en remplaçant les noms par des rôles et les montants réels par des ordres de grandeur. L’analyse produite reste valable dans la quasi-totalité des cas, parce que ce que vous demandez porte sur une structure et non sur l’identité des lignes.
D’autres articles sur Horizon
- ChatGPT Pro n’accepte plus de nouveaux abonnés
- Anthropic modélise un chômage des cols blancs à 17,9 %
- Paul Christiano entre au comité qui valide les IA d’OpenAI
Passer de la réponse au livrable
Le dernier volet de ce guide ChatGPT est celui qui change le plus les journées. La bascule qui sépare un usage amateur d’un usage professionnel tient en une phrase : arrêter de demander un texte dans un fil de conversation et commencer à faire produire un objet. Quatre fonctions servent à ça, et elles se recouvrent peu.
Canvas est la plus immédiatement utile et la plus ignorée. Au lieu de recevoir une version révisée dans le fil, vous travaillez sur un document partagé où les modifications sont visibles et acceptables une par une. Sur un texte long, la différence de méthode est franche : vous demandez de resserrer un paragraphe précis, le reste ne bouge pas.
Les GPTs personnalisés servent à figer une configuration que vous réutilisez. Vous définissez un comportement, vous chargez des documents de référence, et vous obtenez une version de l’outil qui connaît votre contexte par défaut. Aucune compétence technique n’est requise, et la granularité des instructions permet d’interdire un format autant que d’en imposer un.
La différence avec un Projet est utile à comprendre pour ne pas doublonner. Un Projet organise votre travail à vous sur un dossier donné. Un GPT personnalisé fabrique un outil qui se distribue, se partage avec une équipe et s’utilise sans rien réexpliquer.
Codex est la brique qui exécute du code, et son intérêt dépasse les équipes de développement. La compétence qu’il exige n’est pas d’écrire des lignes, c’est de savoir découper une tâche, valider une étape et rattraper un agent qui part de travers. Nous avons documenté cette façon de travailler dans notre guide sur l’automatisation des tâches répétitives d’un pro, et les réflexes décrits s’appliquent quel que soit l’agent employé.
ChatGPT Work, lancé le 9 juillet 2026, est le mode qui va le plus loin. Il exécute des tâches en plusieurs étapes à travers vos outils métier et rend un livrable fini plutôt qu’une réponse à recopier. C’est sur cette base qu’OpenAI a construit ChatGPT for Financial Services, annoncé le 10 septembre 2026 avec Morgan Stanley et Evercore comme partenaires de conception.
Ce produit sectoriel mérite d’être regardé même si la finance n’est pas votre métier, parce qu’il indique la direction. OpenAI l’a taillé pour la recherche d’entreprise, l’analyse de données financières et la production de supports client, c’est-à-dire précisément le périmètre d’un poste d’entrée en banque.
La conclusion pratique à en tirer est une question de séquence, pas d’outillage. Un professionnel qui veut exploiter ChatGPT sérieusement commence par le choix de modèle, installe ensuite son contexte permanent, et n’ouvre les fonctions de production qu’une fois ces deux couches en place. L’ordre inverse produit des livrables impressionnants en démonstration et inutilisables en réunion.
Affaire à suivre sur Horizon.
