Contexte technique
J’ai voulu vérifier ce qui se passait réellement avec GPT-5.6 Sol Max, car l’histoire semblait étrange : les gens s’attendent à une qualité maximale, mais ils obtiennent un mode bridé sans même s’en rendre compte. Pour l’implémentation IA, c’est une mauvaise surprise, surtout si vous construisez des chaînes où le comportement du modèle doit être prévisible.
La confirmation est assez terre-à-terre. Dans ChatGPT classique, il n’y a pas de commutateur automatique universel Max pour tout le monde, mais dans ChatGPT Work et Codex, le niveau d’effort de raisonnement max doit être activé manuellement via les paramètres et configurations. Si vous ne le faites pas, le modèle ne fonctionne pas en mode de raisonnement maximal.
Et là, je ne mélangerais pas trois choses : le Sol standard, le mode max et les modes renforcés séparés comme ultra ou Sol Pro. Ce n’est pas la même chose. Max n’est pas un bouton magique « rends-le parfait », mais un mode de raisonnement plus lourd avec un temps et une consommation de jetons accrus.
Pour les jetons, c’est prévisible mais désagréable. OpenAI indique ouvertement que max et ultra augmentent la consommation by design, sans donner de coefficients publics précis. La visualisation du tweet ne fait que confirmer ce que je constate dans les exécutions réelles : Max engloutit énormément, et sur les tâches longues, ce n’est plus cosmétique, c’est un facteur d’architecture.
Impact sur les entreprises et l’automatisation
Première conséquence simple : si une équipe pense tester le mode haut de gamme sans avoir activé Max, la comparaison des modèles et des prompts est faussée. Ensuite viennent les fausses conclusions sur la qualité, les SLA et le retour sur investissement.
Deuxièmement : je déconseille de construire l’automatisation IA directement sur Max sans réfléchir. Mieux vaut garder un routage : mode par défaut pour les tâches de masse, Max uniquement pour les points coûteux où un raisonnement plus profond est vraiment nécessaire.
Troisièmement : les budgets. Si un agent écrit du code, valide des hypothèses ou exécute des workflows multi-étapes, une simple erreur de configuration peut facilement se traduire par des milliers de jetons supplémentaires par exécution. C’est exactement le genre de choses que nous nettoyons chez Nahornyi AI Lab avant le lancement, car l’intégration IA ne casse pas en démo, mais à l’échelle.
Si vous avez une histoire similaire et que les coûts ont déjà commencé à grimper, vous pouvez simplement décomposer votre scénario par couches : où avez-vous besoin de Max, où le mode normal suffit, et où il vaut mieux repenser entièrement l’architecture IA. Chez Nahornyi AI Lab, c’est généralement par là que je commence, car une automatisation IA bien faite doit économiser des ressources, pas les brûler à cause d’une erreur de paramétrage.