10 000 emails triés pour 3 € : le tuto GPT-5.6 Luna en batch

Le 30 juillet, OpenAI a divisé par cinq le prix d'entrée de son modèle le plus léger. GPT-5.6 Luna passe à 0,20 $ le million de tokens en entrée et 1,20 $ en sortie, contre environ 1 $ auparavant. En clair : une baisse de 80 % annoncée en une ligne de blog, sans tambour. Et pour toute PME qui traite du volume — support client, tri de boîte mail, qualification de leads, modération d'avis — ça change l'équation.

Jusqu'ici, faire lire chaque email entrant par une IA coûtait trop cher pour être automatisé sans réfléchir. À ce nouveau tarif, et surtout en passant par l'API Batch (encore moitié moins), le calcul bascule. On vous montre le pipeline complet, de la version no-code en 30 minutes à l'appel API pour les gros volumes.

Ce que la baisse du 30 juillet change concrètement

GPT-5.6, sorti début juillet, se décline en trois tiers : Sol pour le raisonnement et le code, Terra pour l'usage général, et Luna pour le volume. On avait décortiqué cette gamme dans notre analyse de la famille GPT-5.6 sous contrôle de Washington. Luna était déjà le moins cher ; il devient carrément la référence low-cost de l'écosystème occidental.

Les chiffres officiels depuis le 30 juillet :

• Standard : 0,20 $ / million de tokens en entrée, 1,20 $ en sortie.
• API Batch (asynchrone, 24 h de délai max) : 0,10 $ en entrée, 0,60 $ en sortie — soit 50 % de remise automatique.

Pour situer : Claude Opus 5 est facturé 5 $/M en entrée. Sur une tâche de classification, Luna en batch revient donc 25 à 50 fois moins cher qu'un modèle frontier, pour un travail où la finesse d'un Opus ne sert à rien. Trier un email en « facture / réclamation / prospect / spam », n'importe quel modèle correct le fait. Autant payer le prix plancher.

Cette guerre des prix n'est pas un hasard : la pression vient de Chine, avec DeepSeek V4-Flash lancé le 31 juillet sous licence MIT à 0,14 $/M. OpenAI défend son terrain sur le segment volume. Bonne nouvelle pour vos factures.

Le cas d'usage : router 10 000 emails par mois

Prenons un scénario réaliste. Une PME reçoit 10 000 emails entrants par mois sur une adresse générique (contact@, support@). Objectif : que chaque message soit lu, catégorisé, tagué par urgence, et routé vers la bonne boîte ou le bon outil — sans qu'un humain trie à la main.

Faisons le calcul token par token, parce que c'est là que tout se joue :

• Email moyen : ~500 tokens. Plus le prompt de consigne (~300 tokens) = ~800 tokens en entrée par email.
• Sortie attendue : un JSON court (catégorie, urgence, résumé d'une ligne) = ~50 tokens.

Sur 10 000 emails : 8 millions de tokens en entrée, 0,5 million en sortie. En API Batch :

• Entrée : 8 × 0,10 $ = 0,80 $
• Sortie : 0,5 × 0,60 $ = 0,30 $

Total : 1,10 $, soit environ 1 € pour trier un mois entier de courrier. Comptez 2 à 3 € en réel une fois qu'on ajoute les emails longs (pièces jointes citées, fils de discussion) et quelques relances sur erreurs. On reste dans l'épaisseur du trait comptable.

Le pipeline pas à pas, version no-code (Make)

Pour démarrer sans écrire de code, Make fait le travail en trois modules. Comptez 30 minutes de montage.

Étape 1 — Le déclencheur

Module Email > Watch emails (IMAP) ou Gmail > Watch emails. Il surveille votre boîte et déclenche le scénario à chaque nouveau message. Récupérez le sujet et le corps texte.

Étape 2 — L'appel à Luna

Module OpenAI > Create a Chat Completion, modèle gpt-5.6-luna. Le prompt système fait tout le travail. Exigez une sortie JSON stricte :

« Tu es un routeur d'emails. Classe le message dans une seule catégorie parmi : facture, reclamation, prospect, rdv, spam, autre. Évalue l'urgence de 1 à 3. Résume en une phrase de 15 mots maximum. Réponds uniquement en JSON : {"categorie":"","urgence":0,"resume":""}. Aucun texte hors JSON. »

Activez le mode JSON dans les paramètres du module pour garantir un objet parsable. Réglez la température basse (0 à 0,2) : sur une tâche de tri, la créativité est votre ennemie.

Étape 3 — Le routage

Un module Router qui lit le champ categorie et envoie chaque email vers sa destination : une facture part vers votre outil compta, un prospect crée une ligne dans le CRM, un spam est archivé. Les urgence 3 déclenchent une notification Slack immédiate.

Cette logique de tri intelligent, on l'avait déjà appliquée aux réponses clients dans notre pipeline de veille concurrentielle à 87 €/mois — même colonne vertébrale, autre finalité.

Passer à l'API Batch pour les gros volumes

Make traite les emails un par un, en temps réel. Parfait sous quelques centaines par jour. Au-delà, ou pour un rattrapage massif (12 mois d'archives à reclasser), l'appel unitaire coûte deux fois plus cher et sature votre quota de requêtes. C'est là que l'API Batch devient imbattable : vous envoyez un fichier JSONL de milliers de requêtes, OpenAI les traite sous 24 h, et vous payez 50 % de moins.

Le principe tient en trois commandes. On prépare un fichier où chaque ligne est une requête, on l'uploade, on lance le batch :

[[terminal:# 1. Chaque ligne du .jsonl = une requête\n{"custom_id":"mail-001","method":"POST","url":"/v1/chat/completions","body":{"model":"gpt-5.6-luna","messages":[...],"temperature":0}}\n\n# 2. Upload du fichier\ncurl https://api.openai.com/v1/files -H "Authorization: Bearer $OPENAI_API_KEY" -F purpose=batch -F file=@emails.jsonl\n\n# 3. Lancement du batch (fenêtre 24h, -50%)\ncurl https://api.openai.com/v1/batches -H "Authorization: Bearer $OPENAI_API_KEY" -d '{"input_file_id":"file-abc","endpoint":"/v1/chat/completions","completion_window":"24h"}']]

Vous récupérez ensuite un fichier de résultats, une ligne de JSON par email, que vous réinjectez dans votre base ou votre CRM. Pour les habitués de n8n, la même séquence se scripte dans un nœud HTTP — on détaille cette mécanique de connexion API dans notre tuto n8n + MCP en 3 workflows.

Combien ça coûte vraiment en France, tous frais compris

Le compute Luna n'est qu'une partie de la note. Voici la facture réelle d'une PME qui automatise 10 000 emails/mois :

• Tokens GPT-5.6 Luna (batch) : ~2 à 3 € / mois.
• Make : à partir de 9 $/mois pour le plan Core, suffisant jusqu'à ~10 000 opérations. Au-delà, le plan Pro grimpe vers 16-30 $.
• Temps de mise en place : une demi-journée pour un profil à l'aise avec Make, une journée pour un débutant.

Soit un coût récurrent sous les 30 €/mois pour supprimer plusieurs heures de tri manuel par semaine. Le vrai poste, ce n'est pas Luna — c'est l'orchestrateur et votre temps de calibrage. On avait creusé ce décalage entre prix affiché des tokens et facture finale dans notre guide sur la facture IA qui explose quand même. La règle tient toujours : le modèle est rarement le poste le plus cher.

GPT-5.6 Luna ou Terra : lequel pour l'automatisation

Question légitime avant de tout bâtir sur Luna. La règle qu'on applique :

• Luna pour les tâches fermées et répétitives : classer, taguer, extraire un champ, détecter une intention. Sortie courte, structure imposée. C'est son terrain.
• Terra dès qu'il faut raisonner, rédiger une réponse client publiable, ou enchaîner plusieurs étapes. Luna décroche sur les consignes complexes et hallucine davantage sur les cas ambigus.

En pratique, on monte souvent un pipeline hybride : Luna trie tout en masse pour trois francs six sous, et seuls les 5 à 10 % de cas classés « à traiter » remontent vers Terra ou un humain. C'est exactement l'esprit du programmatic tool calling qui coupe la facture tokens des agents : ne payer le modèle cher que quand il apporte vraiment quelque chose.

Pour aller plus loin sur la construction d'agents qui produisent des livrables finis plutôt que du simple tri, notre tuto ChatGPT Work configuré pour une PME couvre l'autre bout du spectre.

Ce qu'on retient

La baisse de Luna n'est pas un gadget marketing : elle fait basculer des automatisations qui étaient jusqu'ici trop chères pour valoir le coup. Trier sa boîte mail entière pour le prix d'un café, c'est nouveau, et c'est ce mois-ci. Pour une PME qui croule sous le volume — support, admin, qualification — le retour sur investissement se mesure en jours.

Le piège serait de vouloir tout faire faire à Luna. Ce modèle excelle sur le tri et l'extraction, pas sur la rédaction fine ni le raisonnement multi-étapes. Cadrez-le, imposez du JSON, gardez un humain sur les 10 % de cas limites. À ces conditions, c'est l'un des meilleurs euros dépensés en IA cette année.