# D3 · ChatGPT Surfaces and Features
Choisir le bon modèle et la bonne fonctionnalité ChatGPT — des modèles de Luna à GPT-6 Pro, Projects, canvas, search, deep research, study mode, memory, fichiers, analyse de données, images, voix, GPTs, tâches planifiées, sites, workspace agents et company knowledge.
import { Accordions, AccordionItem, Tabs, TabItem } from '@prosefly/astro-components';
Ce domaine pèse **14 % de l'examen blanc — soit environ 8 des 60 items**. Il teste une compétence par-dessus tout : face à une tâche, choisir le **bon modèle et la bonne fonctionnalité** plutôt que de tout faire dans un chat simple avec le modèle par défaut. L'examen ne récompense pas la mémorisation d'une liste de fonctionnalités ; il récompense l'adéquation entre une capacité et un besoin — Search pour les faits actuels, deep research pour un rapport sourcé, un projet pour le contexte récurrent, l'analyse de données pour le calcul réel, et le modèle le moins cher suffisant pour le travail.
## Ce qu'il faut savoir
ChatGPT n'est pas une chose unique ; c'est un sélecteur de modèle plus une boîte à outils. En septembre 2026, les choix de modèle vont du très économique **GPT-5.6 Luna** en passant par **Terra** et **Sol** (et **Sol Pro**), un léger **GPT-5 Thinking Mini**, jusqu'au **GPT-6 Pro** (propulsé par **GPT-6 Astra**) sur les plans de niveau supérieur. Par-dessus le modèle, vous choisissez des fonctionnalités : Projects, canvas, Search, deep research, study mode, memory, le téléversement de fichiers, l'analyse de données, la génération d'images, la voix, les GPTs, les tâches planifiées, Sites, workspace agents et company knowledge. Bien choisir fait la différence entre un résultat rapide et fiable, et un résultat lent et non ancré.
## Objectifs d'apprentissage
À la fin de cette page, vous devriez être capable de :
1. Sélectionner un **modèle ChatGPT** approprié pour une tâche selon la capacité et le coût.
2. Distinguer **Search** de **deep research** et savoir quand chacun s'applique.
3. Choisir entre un chat simple, un **Project**, **canvas** et **memory** pour conserver le contexte.
4. Acheminer le calcul vers l'**analyse de données** et utiliser correctement le **téléversement de fichiers**.
5. Choisir la bonne fonctionnalité pour les images, la voix, les tâches récurrentes et les tâches sur données internes.
6. Appliquer un tableau de décision unique pour sélectionner une surface sous pression temporelle.
---
## 3.1 Choisir un modèle ChatGPT
Les modèles échangent capacité, vitesse et coût. Choisissez le moins puissant qui satisfait la tâche.
| Modèle | Position | À utiliser quand |
| --- | --- | --- |
| **GPT-5.6 Luna** | Coût le plus bas, rapide | Tâches claires, répétables, à haut volume : extraction, classification, brouillons simples |
| **GPT-5.6 Terra** | Généraliste pragmatique | Le choix quotidien par défaut pour la plupart du travail de connaissance |
| **GPT-5.6 Sol / Sol Pro** | Capacité supérieure | Travail complexe, ouvert, à plus haute valeur nécessitant un raisonnement plus fort |
| **GPT-5 Thinking Mini** | Raisonnement léger | Tâches rapides qui bénéficient tout de même d'un peu de réflexion pas-à-pas |
| **GPT-6 Pro (GPT-6 Astra)** | Capacité maximale, plans de niveau supérieur | Le travail bout-en-bout le plus difficile : raisonnement soutenu, jugement, multi-outil |
Les anciens modèles restent disponibles, mais pour le nouveau travail, choisissez parmi la gamme actuelle. Le réflexe à combattre est « utiliser le modèle le plus puissant pour tout » — c'est lent et coûteux pour les tâches que Terra ou Luna gèrent parfaitement.
:::tip[Signal d’évaluation]
« Extraction/classification à haut volume et répétitive » → Luna. « La tâche de raisonnement/jugement la plus difficile » → GPT-6 Pro / Astra. « Travail courant généraliste » → Terra. Si un énoncé dit `MOST cost-effective`, il attend le *modèle le moins cher qui satisfait encore l'exigence*, pas le modèle le moins cher tout court.
:::
## 3.2 Search versus deep research
Les deux dépassent la date de coupure des connaissances du modèle, mais ils répondent à des besoins différents.
| | **Search** | **Deep research** |
| --- | --- | --- |
| Objectif | Réponse rapide et actuelle avec des liens | Un rapport structuré, multi-sources |
| Temps | Secondes | Minutes (il parcourt de nombreuses sources) |
| Sortie | Une réponse courte avec des citations | Une synthèse longue et organisée avec des citations |
| À utiliser quand | « Quel est le dernier X ? », un fait à confirmer | « Compilez un briefing sur le paysage concurrentiel » |
```text
need current info?
│
├─ a quick fact / a few links ─────────► Search
└─ a thorough, sourced report ─────────► deep research
```
Les deux sont la réponse au problème de date de coupure des connaissances de D1/D2 : lorsqu'une tâche nécessite une information actuelle, ajoutez une fonctionnalité de récupération plutôt que de faire confiance à la mémoire du modèle.
## 3.3 Conserver le contexte : chat vs Project vs canvas vs memory
Un item D3 fréquent demande *où* un élément de contexte devrait résider.
| Surface | Idéale pour | Durée de vie |
| --- | --- | --- |
| **Chat simple** | Tâches ponctuelles ; pas de réutilisation | La conversation uniquement |
| **Project** | Travail récurrent partageant les mêmes instructions et fichiers de référence | Persiste à travers de nombreux chats dans le projet |
| **Canvas** | Itérer sur un seul document ou fichier de code côte à côte avec l'édition | Le document que vous construisez |
| **Memory** | Petits faits durables vous concernant ou vos préférences, à appliquer partout | Persiste à travers toutes les conversations jusqu'à modification/suppression |
- Placez le matériel **stable et réutilisable** (un guide de style, des faits produit, des instructions personnalisées) dans un **Project**.
- Utilisez **canvas** lorsque vous rédigez et révisez un seul artéfact et voulez éditer en ligne plutôt que re-coller.
- Utilisez **memory** pour des préférences légères (« Je travaille en fuseau horaire européen », « préférer l'orthographe britannique »), pas pour des documents volumineux. Memory s'étend en tant que fonctionnalité, et memory-with-past-chats est signalé comme bientôt disponible ; ne la surchargez pas.
## 3.4 Fichiers et analyse de données
Le **téléversement de fichiers** permet au modèle de lire des documents, des tableurs, des images et plus encore. L'**analyse de données** va plus loin : elle exécute du vrai code sur vos données pour calculer, tracer et transformer — le lieu correct pour l'arithmétique exacte que le modèle brut rate (D2).
Téléversez un PDF ou un document et posez des questions dessus. Le modèle lit le contenu dans le contexte. Bon pour résumer, extraire et répondre à partir d'un document — mais vérifiez l'extraction contre la source.
Téléversez un CSV ou un tableur et demandez des totaux, des filtres, des tableaux croisés ou des graphiques. Il exécute un calcul réel, donc une somme ou un graphique est digne de confiance d'une manière qu'un nombre deviné par le modèle ne l'est pas. C'est le correctif des faiblesses arithmétiques et de comptage.
:::tip[Signal d’évaluation]
« Calculez / totalisez / tracez ce tableur de façon fiable » → analyse de données (calcul réel), pas une estimation en chat simple. « Résumez ce PDF » → téléversement de fichier, puis vérifiez.
:::
## 3.5 Study mode, génération d'images et voix
| Fonctionnalité | Ce qu'elle fait | À utiliser quand |
| --- | --- | --- |
| **Study mode** | Vous guide à travers un sujet avec des questions et des étapes au lieu de simplement donner les réponses | Vous voulez *apprendre*, pas seulement obtenir une réponse |
| **Génération d'images** | Produit des images à partir d'une description (aussi disponible avec Thinking) | Vous avez besoin d'un visuel : un graphique de diapositive, une image de concept |
| **Voix / voix avec vidéo** | Parler à ChatGPT et entendre ses réponses | Brainstorming mains libres, s'exercer à une conversation |
Study mode mérite d'être souligné car il correspond à la posture d'enseignement propre de l'Academy : il agit comme un tuteur plutôt qu'un distributeur de réponses, ce qui est exactement l'attitude que l'évaluation récompense.
## 3.6 GPTs, tâches planifiées, Sites et workspace agents
Ce sont les surfaces « au-delà d'un simple chat ».
| Surface | Ce que c'est | À utiliser quand |
| --- | --- | --- |
| **GPTs** | Des versions personnalisées et partageables de ChatGPT avec des instructions/outils fixes | Vous répétez une tâche spécialisée et voulez un assistant réutilisable et partageable |
| **Tâches planifiées** | ChatGPT exécute un prompt selon un planning | Un digest récurrent, un rappel ou une vérification |
| **Sites** | Publier du contenu que ChatGPT vous aide à construire | Vous avez besoin d'une page publiée simple |
| **Workspace agents** | Travail délégué, à plusieurs étapes, au sein d'un espace de travail avec supervision | Une tâche structurée que vous voulez exécuter avec des points de revue |
| **Company knowledge** | ChatGPT répond en s'ancrant dans les sources internes connectées de votre organisation | Questions dont les réponses résident dans les systèmes internes |
**Company knowledge** est l'équivalent interne de Search : au lieu du web ouvert, il ancre les réponses dans les sources connectées de votre organisation — le bon choix quand la bonne réponse se trouve à l'intérieur de l'entreprise, pas sur Internet.
```text
where does the answer live?
│
├─ open web, current ───────► Search / deep research
├─ inside our org's systems ─► company knowledge
├─ in this one document ─────► file upload
└─ in the model's training ──► plain chat (then verify)
```
## Cadre de décision
Utilisez le **tableau de sélection de surface** : lisez la colonne « J'ai besoin de… », prenez la surface à droite.
| J'ai besoin de… | Utiliser | Pas ça |
| --- | --- | --- |
| Confirmer un fait actuel rapidement | Search | Chat simple (périmé, risque d'hallucination) |
| Produire un rapport sourcé multi-sources | Deep research | Search (trop superficiel) |
| Réutiliser les mêmes instructions et fichiers sur de nombreux chats | Project | Re-coller dans chaque chat |
| Rédiger et réviser un document en ligne | Canvas | Copier-coller entre le chat et l'éditeur |
| Retenir une petite préférence durable | Memory | Un Project (surdimensionné) |
| Calculer ou tracer de vrais chiffres de façon fiable | Analyse de données | Demander au modèle d'estimer |
| Répondre depuis une source interne d'entreprise | Company knowledge | Recherche web |
| Faire la tâche de raisonnement la plus difficile | GPT-6 Pro / Astra | Luna (sous-dimensionné) |
| Faire de l'extraction simple à haut volume à moindre coût | Luna | GPT-6 Pro (surdimensionné) |
| Exécuter un prompt selon un planning récurrent | Tâches planifiées | Se rappeler de le faire manuellement |
La valeur : il convertit un vague « comment faire ceci dans ChatGPT ? » en un lookup d'une ligne qui vous empêche de recourir par défaut à un chat simple avec le modèle le plus puissant pour tout.
## Erreurs fréquentes
| Erreur | Pourquoi elle survient | Que faire à la place |
| --- | --- | --- |
| Utiliser le modèle le plus puissant pour tout | Cela paraît le plus sûr | Ajuster le modèle à la tâche ; Terra/Luna couvrent la plupart du travail |
| Demander des faits actuels en chat simple | Il répond quand même | Utiliser Search ou deep research pour tout ce qui est sensible au temps |
| Utiliser Search quand un rapport complet est nécessaire | Search est plus rapide à saisir | Utiliser deep research pour la synthèse multi-sources |
| Re-coller le même contexte dans chaque chat | Habitude des chats simples | Placer le contexte réutilisable dans un Project |
| Faire confiance à un total calculé par le modèle | Le nombre semble juste | Utiliser l'analyse de données pour un calcul réel |
| Surcharger memory avec des documents | Memory sonne comme du stockage | Réserver memory aux petites préférences ; utiliser Projects/fichiers pour le volume |
| Chercher sur le web des réponses internes | Search est le réflexe par défaut | Utiliser company knowledge pour les sources internes |
| Copier-coller un document entre le chat et l'éditeur | C'est ce que vous avez toujours fait | Utiliser canvas pour éditer en ligne |
## Mise en situation
**Scénario.** Amara, responsable marketing, a quatre tâches avant la fin de la journée : (1) confirmer le tarif qu'un concurrent vient d'annoncer, (2) produire un briefing de cinq pages sourcé sur les perspectives réglementaires du secteur, (3) nettoyer et totaliser un tableur de dépenses de campagne de 500 lignes, et (4) répondre à une question sur les directives de marque internes de son entreprise qui se trouvent sur un disque interne connecté. Elle s'apprête à tout faire dans un seul chat simple avec GPT-6 Pro parce que « c'est le plus intelligent ».
**Trace de raisonnement d'expert.**
1. **La tâche 1 nécessite des faits actuels.** Un prix tout juste annoncé est au-delà de toute coupure ; un chat simple refuserait ou hallucinerait. **Search** renvoie une réponse rapide et citée.
2. **La tâche 2 est un rapport multi-sources.** Search est trop superficiel ; **deep research** parcourt de nombreuses sources et produit la synthèse organisée et citée dont elle a besoin.
3. **La tâche 3 est un calcul exact sur 500 lignes.** Le modèle devinerait un total plausible-mais-faux ; l'**analyse de données** exécute du vrai code sur le fichier, donc les totaux et les graphiques sont dignes de confiance.
4. **La réponse à la tâche 4 réside à l'intérieur de l'entreprise.** La recherche web la manquerait ; **company knowledge** ancre la réponse dans la source interne connectée.
5. **Choix du modèle.** GPT-6 Pro est surdimensionné et lent pour les parties extraction/résumé ; Terra (ou Luna pour l'extraction simple) est plus rentable. Réservez le modèle supérieur au raisonnement véritablement difficile, ce qu'aucune de ces quatre tâches ne requiert strictement.
**Résultat conforme à l'examen :** Search pour le prix, deep research pour le briefing, analyse de données pour le tableur, company knowledge pour la question interne — et un modèle dimensionné par tâche plutôt que GPT-6 Pro pour tout dans un seul chat.
## Pièges de l'évaluation
| Piège | Pourquoi il est tentant | Le discriminant |
| --- | --- | --- |
| « Utiliser GPT-6 Pro pour tout » | Le modèle supérieur paraît le plus sûr | `MOST cost-effective` attend le modèle le moins cher suffisant ; Terra/Luna suffisent pour la plupart du travail |
| « Le chat simple peut répondre aux questions actuelles » | Il répond toujours | Les faits actuels nécessitent Search / deep research ; le chat simple est plafonné à la coupure |
| « Search suffit pour un rapport complet » | Les deux utilisent le web | Deep research fait une synthèse multi-sources ; Search renvoie une réponse rapide |
| « Demander au modèle de totaliser le tableur » | Il produit un nombre | L'analyse de données exécute un calcul réel ; le modèle estime |
| « Stocker tout le manuel dans memory » | Memory sonne comme du stockage | Memory est pour les petites préférences ; le volume va dans Projects/fichiers |
| « Recherche web pour la politique interne » | Search est le réflexe | Company knowledge ancre les réponses dans les sources internes |
| « Re-coller le contexte dans chaque chat » | Ça fonctionne, plus ou moins | Un Project maintient les instructions et fichiers partagés |
## Questions d'entraînement
A. GPT-6 Pro (Astra).
B. GPT-5.6 Sol Pro.
C. GPT-5.6 Luna.
D. GPT-5 Thinking Mini.
**Réponse : C.** Luna est conçu pour les tâches claires, répétables et à haut volume comme la classification et l'extraction au coût le plus bas. A et B sont surdimensionnés et coûteux. D ajoute un raisonnement dont la tâche n'a pas besoin.
A. Chat simple avec le modèle par défaut.
B. Search, qui renvoie une réponse actuelle avec des liens.
C. Memory.
D. Canvas.
**Réponse : B.** Un prix tout juste annoncé est au-delà de la coupure du modèle, donc Search récupère et cite le chiffre actuel. A serait périmé ou halluciné. C et D ne récupèrent pas d'information actuelle.
A. Search.
B. Deep research.
C. Génération d'images.
D. Tâches planifiées.
**Réponse : B.** Deep research parcourt de multiples sources et produit une synthèse organisée et citée. Search (A) donne une réponse rapide, pas un rapport multi-sources. C et D sont sans rapport avec la recherche.
A. Re-collé dans chaque nouveau chat.
B. Dans un Project avec des instructions personnalisées et des fichiers de référence.
C. Dans un seul très long chat maintenu ouvert indéfiniment.
D. Dans la génération d'images.
**Réponse : B.** Un Project maintient les instructions et fichiers partagés à travers de nombreux chats, ce qui est exactement le cas du contexte récurrent. A est un gaspillage et source d'erreurs. C atteint les limites de contexte et l'encombrement. D est sans rapport.
A. Demander au modèle en chat simple d'additionner la colonne.
B. L'analyse de données, qui exécute un calcul réel sur le fichier.
C. Search.
D. La voix.
**Réponse : B.** L'analyse de données exécute du vrai code, donc les totaux et graphiques sont dignes de confiance, contrairement à un nombre estimé par le modèle. A est exactement la faiblesse arithmétique à éviter. C et D ne calculent pas.
A. Rechercher sur le web ouvert.
B. Company knowledge, qui ancre les réponses dans les sources internes connectées.
C. Génération d'images.
D. GPT-6 Pro sans outil.
**Réponse : B.** Company knowledge est conçu pour répondre à partir des sources internes connectées de l'organisation. A cherche au mauvais endroit. C est sans rapport. D s'appuie sur des données d'entraînement qui ne contiennent pas les documents internes.
A. Study mode.
B. Tâches planifiées.
C. Sites.
D. Analyse de données.
**Réponse : A.** Study mode guide l'apprenant avec des questions et des étapes plutôt que de simplement donner la réponse. B, C et D servent des objectifs sans rapport.
A. Memory.
B. Canvas.
C. Search.
D. Un GPT.
**Réponse : B.** Canvas est la surface d'édition côte à côte pour itérer sur un seul document. A stocke de petites préférences. C récupère des faits. D est un assistant personnalisé réutilisable, pas un éditeur en ligne.
A. Digest hebdomadaire récurrent → tâches planifiées.
B. Total fiable d'un CSV → analyse de données.
C. Titre d'actualité actuel → memory.
D. Manuel interne volumineux stocké → memory.
E. Rapport multi-sources → génération d'images.
**Réponse : A et B.** Une tâche planifiée exécute un prompt récurrent selon un planning, et l'analyse de données calcule de façon fiable sur un fichier. C devrait utiliser Search. D devrait utiliser un Project/des fichiers. E devrait utiliser deep research.
A. GPT-6 Pro est surdimensionné et plus coûteux pour l'extraction ou le résumé simples.
B. Terra est un généraliste pragmatique pour la plupart du travail quotidien, et Luna convient aux tâches simples à haut volume.
C. Seul GPT-6 Pro peut accéder à Search.
D. Les modèles moins chers ne peuvent pas produire de réponses correctes.
E. Le choix du modèle n'a aucun effet sur le coût ou la latence.
**Réponse : A et B.** Ajuster le modèle à la tâche économise coût et latence, et Terra/Luna couvrent la plupart du travail correctement. C et E sont faux. D est faux — les modèles moins chers sont corrects sur les tâches adaptées.
A. Un chat ponctuel.
B. Un GPT personnalisé.
C. Canvas.
D. Search.
**Réponse : B.** Un GPT personnalisé encapsule des instructions et des outils fixes dans un assistant réutilisable et partageable. A ne persiste pas. C sert à l'édition de documents. D récupère des faits.
A. Lui faire confiance parce que le fichier a été fourni.
B. Utiliser le téléversement de fichier pour lire le document, mais vérifier le chiffre énoncé contre le texte source.
C. Passer à la génération d'images.
D. Stocker le PDF dans memory à la place.
**Réponse : B.** Le téléversement de fichier met le document en contexte, mais l'extraction peut encore mal lire, donc vérifiez le chiffre précis contre la source. A fait trop confiance à l'extraction. C et D ne répondent pas au besoin de résumer le document.
## À retenir
- Choisissez le modèle le moins puissant qui satisfait la tâche : Luna pour le travail simple à haut volume, Terra comme généraliste, Sol/Sol Pro pour le travail complexe, GPT-6 Pro (Astra) pour le raisonnement le plus difficile.
- **Search** pour un fait actuel rapide avec des liens ; **deep research** pour un rapport sourcé multi-sources.
- Conservez le contexte réutilisable dans un **Project**, itérez un document dans **canvas**, gardez les petites préférences dans **memory**.
- Acheminez le calcul exact vers l'**analyse de données** ; vérifiez les résumés issus du **téléversement de fichiers** contre la source.
- Utilisez **company knowledge** pour les réponses internes, **Search** pour le web ouvert.
- Les GPTs, les tâches planifiées, Sites et workspace agents étendent ChatGPT au-delà d'un simple chat.
- La bonne question est toujours : « où réside la réponse et quel est le moindre effort pour l'atteindre de façon fiable ? »