GPT-4o : une IA temps réel qui voit, entend et parle

Le 13 mai 2024, dans une salle sobre filmée en direct, la directrice technique d'OpenAI présente un nouveau modèle et lui adresse la parole comme à un interlocuteur. La machine répond dans la foulée, sans le silence gêné auquel les assistants vocaux nous avaient habitués. On l'interrompt, elle s'arrête ; on lui montre une équation griffonnée sur une feuille, elle la lit ; on lui demande de raconter une histoire d'une voix plus théâtrale, elle module son ton. Ce modèle s'appelle GPT-4o, où la lettre « o » veut dire « omni ». Avec ce GPT-4o omni temps réel, OpenAI réunit pour la première fois le texte, le son et l'image dans un seul et même système, entraîné d'un bout à l'autre, et rapproche l'échange avec une intelligence artificielle de la fluidité d'une conversation humaine. Cet article mesure ce qui s'est joué ce jour-là, à partir des chiffres annoncés et vérifiés, sans les gonfler.

Converser à voix haute avec un assistant qui voit ce que montre la caméra du téléphone était, la veille encore, un fantasme de science-fiction. Les usages qui se dessinent — traduire une conversation en direct, faire relire un raisonnement, décrire une scène à qui ne peut la voir — méritent qu'on s'arrête sur le moment où ils deviennent envisageables. Car GPT-4o ne se contente pas d'améliorer des scores sur des tableaux comparatifs : il change la texture de l'interaction, en supprimant les délais qui trahissaient la machine derrière l'assistant.

Un mot de méthode, comme toujours dans cette chronique. Les mesures citées ici — latences, écarts de prix, dates de déploiement — proviennent de l'annonce officielle d'OpenAI, de sa documentation, et de la presse technologique qui a couvert la présentation en direct. Lorsqu'un chiffre relève de l'estimation ou de la communication d'entreprise, il est signalé comme tel. On ne prend pas une annonce marketing pour une donnée établie, et on ne confond pas une démonstration soignée avec un usage courant.

Ce que c'était : un seul modèle pour le texte, le son et l'image

Le 13 mai 2024, OpenAI publie sur son site un billet intitulé « Hello GPT-4o » et diffuse une présentation en direct, menée par sa directrice technique Mira Murati. Le calendrier n'est pas anodin : l'événement se tient la veille de la conférence annuelle de Google, prévue le 14 mai. Le message central tient en une idée simple : GPT-4o accepte en entrée n'importe quelle combinaison de texte, d'audio, d'image et de vidéo, et produit en sortie du texte, de l'audio et de l'image.

Ce qui distingue vraiment ce modèle tient à sa construction. Là où les versions précédentes assemblaient plusieurs systèmes spécialisés, GPT-4o est un réseau de neurones unique, entraîné de bout en bout sur le texte, la vision et le son ensemble. Cette unification n'est pas un détail d'ingénieur : elle est la cause directe de la fluidité perçue. Quand un seul modèle traite l'ensemble, l'information ne transite plus par une chaîne d'outils qui se passent le relais en ajoutant chacun son délai.

GPT-4o (« o » pour « omni ») est une étape vers une interaction bien plus naturelle entre l'humain et l'ordinateur : il accepte en entrée n'importe quelle combinaison de texte, d'audio, d'image et de vidéo, et génère n'importe quelle combinaison de sorties en texte, audio et image.
— OpenAI, « Hello GPT-4o », 13 mai 2024

La mesure qui change tout : la latence de la voix

Le chiffre le plus commenté de l'annonce est une durée. GPT-4o peut répondre à une entrée audio en 232 millisecondes au minimum, avec une moyenne de 320 millisecondes. OpenAI le rapproche explicitement du temps de réaction humain dans une conversation, qui se situe dans cet ordre de grandeur. Pour saisir l'ampleur du progrès, il faut le comparer à ce qui existait juste avant, dans le mode vocal antérieur de ChatGPT : les temps de réponse moyens y étaient de 2,8 secondes avec un modèle de la génération GPT-3.5, et de 5,4 secondes avec GPT-4.

Passer d'un délai de plusieurs secondes à environ un tiers de seconde n'est pas une amélioration incrémentale : c'est un changement de nature. En dessous d'un certain seuil, l'attente cesse d'être perçue comme une attente. La conversation devient possible avec ses relances, ses interruptions, ses hésitations partagées. Au-dessus, l'échange reste un jeu de questions-réponses séparées par des blancs. C'est précisément ce seuil que GPT-4o a franchi pour la voix.

Ce gain provient directement de l'architecture unifiée. Le mode vocal précédent reposait sur une chaîne de trois modèles distincts : un premier transcrivait la parole en texte, un deuxième raisonnait sur ce texte, un troisième reconvertissait la réponse en parole. Chaque maillon ajoutait sa propre latence, et surtout, chaque conversion faisait perdre de l'information. Le modèle central ne recevait qu'une transcription écrite : il ne percevait ni le ton, ni les rires, ni les silences, ni la présence de plusieurs voix, et ne pouvait restituer aucune de ces nuances en retour. En traitant l'audio directement, GPT-4o supprime ces pertes en même temps que ces délais.

Ce que le modèle sait faire, en chiffres

Sur les capacités brutes, OpenAI positionne GPT-4o au niveau de son précédent modèle de pointe. Le billet officiel indique qu'il égale les performances de GPT-4 Turbo sur le texte en anglais et sur le code, avec une amélioration notable sur le texte dans les langues autres que l'anglais. Autrement dit, l'intelligence ne recule pas ; elle se maintient tout en devenant plus rapide, moins chère et multimodale nativement.

Trois mesures de coût et de vitesse résument l'offre faite aux développeurs. Dans l'interface de programmation, GPT-4o est présenté comme deux fois plus rapide que GPT-4 Turbo, à un tarif réduit de moitié, avec des limites de débit cinq fois plus élevées. Cette combinaison — même niveau de performance, moitié du prix, double de la vitesse — explique une large part de l'accueil favorable reçu par le modèle auprès de celles et ceux qui construisent des applications par-dessus l'interface de programmation.

Mesure	Mode vocal antérieur	GPT-4o (13 mai 2024)
Latence audio moyenne	2,8 s (GPT-3.5) / 5,4 s (GPT-4)	~320 ms (232 ms au minimum)
Traitement des modalités	Trois modèles en chaîne	Un seul réseau de bout en bout
Vitesse (API, vs GPT-4 Turbo)	Référence	~2× plus rapide
Tarif API (vs GPT-4 Turbo)	Référence	~50 % de moins
Limites de débit (vs GPT-4 Turbo)	Référence	5× plus élevées

Une démonstration qui montre l'usage plutôt qu'un score

La présentation en direct a délibérément privilégié des scènes concrètes plutôt que des tableaux de résultats. On y a vu l'assistant guider un exercice de respiration en temps réel, adapter son intonation à la demande — récit dramatique, voix robotique, ou même chanté —, et se laisser interrompre en pleine phrase sans perdre le fil. Une application de bureau pour Mac a été montrée, intégrant le mode vocal jusque-là réservé au téléphone. Dans un autre moment, la directrice technique s'est fait traduire des phrases entre l'italien et l'anglais à la volée.

Ces démonstrations, il faut le noter avec la prudence d'usage, sont des mises en scène préparées. Elles indiquent une intention et un potentiel, non une garantie de comportement dans toutes les conditions. La valeur d'une démonstration se mesure à ce qu'elle promet ; sa vérification se fait ensuite, à l'usage, sur la durée. C'est d'ailleurs l'un des enseignements de cette chronique : on retient la promesse, on attend les mesures indépendantes pour la confirmer.

Le contexte : d'une chaîne d'outils à un modèle unifié

GPT-4o n'apparaît pas dans le vide. Il vient corriger une limite précise de l'état de l'art de l'époque, et pour la comprendre, il faut regarder ce qui l'a précédé de près.

Un an plus tôt, en mars 2023, OpenAI avait présenté GPT-4, un modèle sensiblement plus capable que ses prédécesseurs, notamment sur le raisonnement, et déjà doté d'une aptitude à analyser des images en plus du texte. En novembre 2023, une déclinaison nommée GPT-4 Turbo avait apporté un contexte plus large et un coût réduit. Ces modèles formaient le sommet des capacités de l'entreprise au moment où GPT-4o est arrivé. Sur le texte et le code en anglais, GPT-4o ne prétend pas les surpasser : il vise à les égaler, en changeant tout le reste.

Le mode vocal existait déjà, mais autrement

Un point mérite d'être clarifié, car il est souvent mal compris. Le mode vocal de ChatGPT n'a pas été inventé le 13 mai 2024. Il existait auparavant, mais reposait sur le montage en trois étapes décrit plus haut : transcription de la parole, raisonnement sur le texte, synthèse vocale de la réponse. Ce dispositif fonctionnait, mais il était lent, et il aplatissait la richesse du son en une simple suite de mots. Le modèle ne pouvait pas savoir si l'utilisateur parlait vite ou lentement, sur un ton amusé ou pressé.

La rupture de GPT-4o consiste à remplacer cette chaîne par un modèle unique qui perçoit et produit directement le son. Sur le papier, cela paraît une simplification ; en pratique, c'est un défi d'entraînement considérable, puisqu'il faut apprendre à un même réseau à traiter des signaux de natures très différentes dans un espace de représentation commun. OpenAI a d'ailleurs reconnu que ce modèle était le premier de ce genre au sein de l'entreprise, et qu'il restait beaucoup à explorer sur ce qu'il permettait comme sur ses limites.

Avec GPT-4o, nous avons entraîné un unique nouveau modèle de bout en bout sur le texte, la vision et l'audio, ce qui signifie que toutes les entrées et sorties sont traitées par le même réseau de neurones.
— OpenAI, « Hello GPT-4o », 13 mai 2024

Pourquoi ce moment, précisément

Plusieurs courants convergeaient à ce moment. D'un côté, la maturité des grands modèles de langage rendait le raisonnement textuel suffisamment fiable pour qu'on cherche à le rendre plus accessible plutôt qu'à l'améliorer encore. De l'autre, la concurrence poussait à l'innovation sur l'expérience d'usage. Google préparait ses propres avancées multimodales, dévoilées le lendemain à sa conférence annuelle ; d'autres laboratoires travaillaient sur des assistants capables de percevoir plusieurs modalités. Le terrain de jeu se déplaçait des scores bruts vers la qualité de l'interaction.

Un troisième facteur, plus discret, tient au tarif. En divisant par deux le coût d'accès au modèle dans l'interface de programmation, OpenAI abaissait la barrière pour les développeurs et rendait viables des usages qui, à un prix supérieur, seraient restés trop coûteux. La baisse du coût par requête est un levier de diffusion aussi puissant qu'une amélioration de performance : elle décide de ce qu'il est raisonnable de construire. Cette dimension économique, souvent reléguée derrière les prouesses techniques, mérite qu'on la mesure avec la même attention.

Un quatrième élément, plus technique, concerne le traitement du texte lui-même. GPT-4o s'est accompagné d'un nouveau système de découpage du texte en unités élémentaires, ce que les spécialistes appellent la tokenisation. Un découpage plus efficace signifie qu'une même phrase se représente avec moins d'unités, en particulier dans les langues autres que l'anglais, qui étaient auparavant pénalisées par un fractionnement plus fin. Concrètement, cette optimisation réduit le nombre d'unités à traiter pour une phrase donnée dans de nombreuses langues, ce qui améliore à la fois la vitesse et le coût effectif pour les utilisateurs concernés. C'est l'un de ces gains discrets, invisibles à l'usage courant, mais qui pèsent sur l'économie réelle d'un modèle et sur son équité entre les langues.

Ce que ça a changé : une interaction en temps réel, mise à la portée de tous

L'apport immédiat de GPT-4o se lit sur deux plans distincts : la nature de l'interaction, et l'étendue du public qui pouvait y accéder.

La voix devient un vrai canal d'échange

En amenant la latence de la réponse vocale sous le seuil de la conversation naturelle, GPT-4o a transformé la voix d'une fonction gadget en un mode d'échange crédible. Répondre en un tiers de seconde, pouvoir être interrompu, percevoir le ton de la question : ces trois éléments, réunis, font passer l'assistant vocal d'une commande à un dialogue. La différence n'est pas seulement de confort. Elle ouvre des usages qui supposaient la fluidité : la traduction d'une conversation en direct, l'assistance mains libres, l'aide à des personnes qui lisent difficilement un écran.

La perception directe de l'image participe du même mouvement. Un modèle qui reçoit un flux visuel peut décrire une scène, lire un texte manuscrit, commenter un graphique montré à la caméra. Combinée à la voix rapide, cette capacité dessine un assistant qui voit et entend en même temps qu'il parle, au lieu de traiter chaque canal séparément. C'est ce faisceau de capacités, plus que chacune prise isolément, qui a marqué les esprits lors de la présentation.

Ce point mérite qu'on s'y arrête, car il touche à l'accessibilité. Un assistant capable de décrire à voix haute, en temps réel, ce que capte une caméra ouvre des usages concrets pour les personnes malvoyantes : identifier un objet, lire une étiquette, se repérer dans une pièce. De même, la traduction orale à la volée abaisse la barrière de la langue dans un échange direct. Ces bénéfices, moins spectaculaires qu'une démonstration de chant, sont peut-être les plus durables. Ils illustrent une constante : une avancée technique prend sa pleine valeur lorsqu'elle résout un besoin réel pour des personnes qui en étaient jusque-là privées.

L'intelligence de pointe ouverte au plus grand nombre

Le second changement est d'ordre d'accès. Jusque-là, le modèle le plus capable d'OpenAI, GPT-4, était réservé aux personnes payant un abonnement. Avec GPT-4o, l'entreprise a annoncé mettre ce niveau d'intelligence à la portée de tous les utilisateurs de ChatGPT, y compris ceux qui n'ont pas d'abonnement, dans la limite d'un nombre de messages alloué. Une fois ce quota atteint, l'interface revenait à un modèle plus léger de la génération précédente. Les abonnés, eux, bénéficiaient d'un volume de messages plus élevé.

Ce qui est particulier avec GPT-4o, c'est qu'il apporte une intelligence de niveau GPT-4 à tout le monde, y compris à nos utilisateurs sans abonnement.
— Mira Murati, directrice technique d'OpenAI, présentation du 13 mai 2024

Cette ouverture est une décision autant qu'une prouesse. Rendre le modèle deux fois plus rapide et deux fois moins cher dans l'interface de programmation a rendu économiquement soutenable de le proposer sans coût direct pour l'utilisateur, dans une limite raisonnable. La performance technique et la stratégie d'accès se répondent : sans le gain d'efficacité, l'ouverture à grande échelle n'aurait pas été tenable. C'est un cas où l'optimisation du coût de fonctionnement se traduit directement en élargissement du public.

Une diffusion progressive, pas instantanée

Il faut ici corriger une simplification fréquente. Toutes les capacités de GPT-4o n'ont pas été disponibles le jour même. Les capacités de texte et de vision ont été proposées assez vite, dans ChatGPT comme dans l'interface de programmation pour les développeurs. Mais le nouveau mode vocal avancé, celui qui incarnait la fluidité montrée à la présentation, a fait l'objet d'un déploiement échelonné, réservé d'abord à un groupe restreint d'abonnés, avant un élargissement progressif au fil des mois suivants.

Ce décalage entre l'annonce et la mise à disposition complète mérite d'être noté sans dramatisation. Il tient à des considérations de sûreté et d'infrastructure : ouvrir d'un coup une fonctionnalité vocale en temps réel à des centaines de millions de personnes exige une capacité de calcul et des garde-fous que l'on met en place par étapes. La leçon, pour qui lit les annonces avec méthode, est de distinguer ce qui est démontré de ce qui est immédiatement accessible. Les deux dates ne coïncident pas toujours.

• Le jour de l'annonce (13 mai 2024) — présentation du modèle, démonstrations en direct, mise à disposition annoncée des capacités de texte et de vision.
• Dans les semaines qui suivent — déploiement du texte et de la vision dans ChatGPT et l'interface de programmation, y compris pour les utilisateurs sans abonnement, dans une limite de messages.
• Les mois suivants — déploiement échelonné du mode vocal avancé, d'abord auprès d'un petit groupe, puis élargi.

Un signal envoyé au marché

Au-delà du produit, GPT-4o a envoyé un signal clair sur la direction que prenait le domaine. La compétition ne se jouait plus seulement sur les scores de raisonnement, mais sur la qualité et la rapidité de l'interaction multimodale. La proximité calendaire avec la conférence de Google, le lendemain, a souligné cette bascule : deux acteurs majeurs présentaient, à un jour d'intervalle, leur vision d'un assistant capable de voir, d'entendre et de parler. Le curseur de l'innovation se déplaçait vers l'expérience vécue par l'utilisateur.

Ce déplacement a eu un effet d'entraînement. Rendre l'interaction vocale crédible a incité l'ensemble du secteur à investir cette voie, et a nourri les développements ultérieurs des uns et des autres. Une avancée bien mise en scène agit comme un aimant : elle attire les efforts de recherche et les investissements vers le terrain qu'elle défriche. GPT-4o a contribué à faire de la multimodalité en temps réel un objectif partagé plutôt qu'une curiosité de laboratoire.

Les perspectives : ce que ce modèle pourrait installer

Au lendemain de la présentation, GPT-4o se lit comme un point d'articulation possible. Il introduit moins une capacité radicalement inédite qu'il ne réunit le texte, le son et l'image dans un même modèle utilisable, et cette unification pourrait irriguer ce qui viendra. Prudence, toutefois : à ce stade, on raisonne sur des intentions annoncées et un potentiel démontré, non sur des faits accomplis.

Le déploiement à venir du mode vocal avancé

La promesse de la présentation reste, à cette date, à concrétiser. OpenAI annonce que le nouveau mode vocal avancé, celui qui donne corps à la fluidité montrée en direct, sera proposé dans les semaines à venir à un premier cercle d'abonnés, avant un élargissement graduel. Ce déploiement mesuré, plutôt qu'une ouverture immédiate, devrait permettre d'ajuster les garde-fous et d'absorber la charge de calcul. Il illustre une pratique désormais courante : décorréler l'annonce d'une capacité de sa mise à disposition générale, pour tenir compte des contraintes de sûreté et d'infrastructure.

Si la promesse tient, ce mode vocal pourrait faire de la conversation parlée avec un assistant une expérience ordinaire. Ce qui, à la présentation, relève de la démonstration soignée deviendrait alors un usage courant sur téléphone : demander une explication à voix haute, se faire traduire un échange, dicter et corriger sans toucher le clavier. La distance entre la promesse et la réalité d'usage ne se refermera qu'au fil des déploiements — et c'est là, précisément, qu'on jugera sur pièces.

Vers une famille de modèles plutôt qu'un modèle isolé

On peut raisonnablement s'attendre à ce que GPT-4o engendre des déclinaisons. La logique de l'offre pousse en général vers une segmentation : un modèle complet d'un côté, une version plus compacte et moins coûteuse de l'autre, destinée aux usages à fort volume où le prix par requête devient le facteur décisif. Une telle version économe rendrait abordables le traitement massif de texte et l'intégration dans des applications à budget serré. Rien de tel n'est annoncé à cette date, mais la dynamique de baisse des coûts observée avec GPT-4o rend cette évolution plausible.

Étape	Date	Repère
Annonce de GPT-4o	13 mai 2024	Modèle « omni » unifié, latence vocale ~320 ms
Texte et vision (ChatGPT + API)	Dans les semaines suivantes	Y compris pour les utilisateurs sans abonnement, dans une limite de messages
Mode vocal avancé (annoncé)	Semaines à venir, puis élargissement	Déploiement échelonné annoncé, d'abord aux abonnés

Une unification des modalités qui pourrait s'approfondir

La direction esquissée par GPT-4o — réunir texte, son et vision dans un réseau unique — laisse entrevoir un prolongement naturel : voir un même modèle apprendre à manier des modalités supplémentaires, ou affiner celles qu'il traite déjà. Le billet officiel mentionne d'ailleurs une génération d'images en sortie parmi les capacités du modèle, dont l'exploration ne fait que commencer. Si cette voie se confirme, la frontière entre modalités continuerait de s'estomper à mesure qu'un même système apprend à les traiter ensemble.

Cette hypothèse demande à être vérifiée par les faits. OpenAI reconnaît elle-même que GPT-4o est le premier modèle de ce genre dans l'entreprise, et qu'il reste beaucoup à explorer sur ce qu'il permet comme sur ses limites. La direction tracée en mai 2024 paraît prometteuse ; sa durabilité ne se jugera qu'avec le temps et les usages.

Ce que GPT-4o pourrait durablement installer

Trois pistes, à ce stade, paraissent solides. La première est la normalisation de l'interaction multimodale en temps réel. Parler à un assistant qui répond aussitôt, lui montrer une image, se faire lire un document : ces gestes, spectaculaires en mai 2024, pourraient entrer dans les habitudes et relever durablement la barre de ce qu'on attend d'un assistant.

La deuxième piste est d'ordre architectural. GPT-4o entend démontrer la valeur d'un modèle unique traitant plusieurs modalités de bout en bout, par rapport à l'assemblage de systèmes spécialisés. Cette approche, en supprimant les pertes d'information entre les maillons, pourrait montrer la voie à suivre — si les développements ultérieurs la confirment. L'unification passerait alors du statut de pari à celui de principe.

La troisième piste est économique et sociale. En abaissant le coût du modèle et en ouvrant son intelligence de pointe à un très large public, GPT-4o rappelle qu'une avancée ne prend toute sa portée que lorsqu'elle atteint le plus grand nombre. Voici, ramassées, les perspectives que l'on peut esquisser à cette date :

• Une interaction fluide en passe de devenir la norme — la réponse quasi instantanée à la voix pourrait rehausser le niveau d'attente pour tous les assistants.
• Un modèle unifié comme référence possible — traiter texte, son et image dans un même réseau pourrait s'imposer comme la direction dominante.
• Un accès élargi — l'intelligence de pointe mise à la portée d'utilisateurs sans abonnement, dans une limite de messages.
• Une segmentation de l'offre plausible — la coexistence probable d'un modèle complet et d'une version économe.
• Une trajectoire à confirmer — de la baisse des coûts à l'approfondissement de la multimodalité, une direction cohérente qui reste à éprouver.

La lecture des Métriques : des chiffres à manier avec soin

Dans cette chronique, on ne se contente pas de citer des mesures : on en interroge la portée. Quelques précautions s'imposent à propos de GPT-4o, pour éviter de sur-interpréter des chiffres pourtant réels.

La latence de 320 millisecondes est une moyenne annoncée par OpenAI, mesurée dans des conditions données. En usage réel, elle varie selon la qualité de la connexion, la charge des serveurs et la longueur de la demande. Le seuil de 232 millisecondes correspond au meilleur cas, pas au comportement systématique. Retenir « environ un tiers de seconde en moyenne, selon les conditions » est plus honnête que d'ériger le minimum en règle. Une moyenne n'est pas une garantie ; elle décrit une tendance centrale autour de laquelle les valeurs se dispersent.

De même, l'affirmation selon laquelle GPT-4o égale GPT-4 Turbo sur le texte anglais et le code, avec un progrès sur les autres langues, provient d'évaluations conduites par OpenAI. Ces mesures sont crédibles et cohérentes avec les tests indépendants qui ont suivi, mais elles émanent d'abord de l'entreprise qui présente son modèle. La bonne pratique consiste à les considérer comme un point de départ, à confirmer par des évaluations tierces, plutôt que comme un verdict définitif. C'est ainsi qu'on lit un tableau de résultats sans se laisser survendre.

Enfin, les gains de coût et de vitesse dans l'interface de programmation — moitié du tarif, double de la vitesse, limites de débit multipliées par cinq par rapport à GPT-4 Turbo — sont des paramètres d'offre annoncés à la sortie. Ils décrivent le rapport entre deux modèles à une date donnée, et n'ont de sens qu'en relatif. Sortis de leur comparaison d'origine, ces chiffres perdent leur signification. Les rappeler avec leur point de référence, c'est se donner les moyens de les comprendre.

GPT-4o égale la performance de GPT-4 Turbo sur le texte en anglais et le code, avec une amélioration significative sur le texte dans les langues autres que l'anglais, tout en étant bien plus rapide et 50 % moins cher dans l'API.
— OpenAI, « Hello GPT-4o », 13 mai 2024

Un tiers de seconde qui a rapproché la machine de la conversation

Au sortir de cette présentation de mai, l'apport de GPT-4o se mesure à un chiffre appelé à devenir banal : le délai presque nul entre une question posée à voix haute et la réponse de l'assistant. Ce que ce modèle réussit, ce n'est pas une percée théorique isolée, mais une synthèse — réunir le texte, le son et l'image dans un même réseau, abaisser la latence sous le seuil de la conversation, réduire le coût de moitié, et ouvrir cet ensemble au plus grand nombre. C'est la rencontre de ces éléments qui produit l'effet, davantage que chacun pris à part.

La leçon dépasse le cas de ce modèle. Elle rappelle qu'une avancée en intelligence artificielle ne se juge pas seulement à ses scores, mais à sa capacité à rendre l'interaction plus naturelle et à toucher un large public. GPT-4o ajoute moins d'intelligence qu'il ne rend l'intelligence existante plus fluide à utiliser et plus largement partagée. Dans une chronique consacrée aux mesures, c'est peut-être l'enseignement le plus utile : le chiffre qui compte n'est pas toujours celui d'un classement, mais celui qui change la façon dont on se sert de l'outil.

L'histoire, comme toujours, reste ouverte. Les modèles continueront sans doute de progresser, l'unification des modalités pourrait s'approfondir, et les questions de fiabilité, de coût de fonctionnement et d'accès équitable demeurent au premier plan. Le 13 mai 2024 ne clôt pas un chapitre : ce jour montre qu'un délai de réponse peut, à lui seul, faire basculer une technologie de la démonstration à l'usage quotidien. La suite se mesurera, elle aussi, une donnée après l'autre.

Sources

• OpenAI — « Hello GPT-4o » (annonce officielle, 13 mai 2024)
• TechCrunch — « OpenAI debuts GPT-4o 'omni' model now powering ChatGPT » (13 mai 2024)
• MIT Technology Review — GPT-4o, voix et vidéo dans un même modèle (13 mai 2024)
• Axios — « OpenAI debuts new model with enhanced real-time voice abilities » (13 mai 2024)
• CNN Business — « OpenAI unveils newest AI model, GPT-4o » (13 mai 2024)
• Wikipedia — GPT-4o (présentation, multimodalité, mode vocal)
• IBM — « What Is GPT-4o? » (latence, multimodalité, architecture unifiée)