D3 · ChatGPT Surfaces and Features

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.

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.

3.2 Search versus deep research

Les deux dépassent la date de coupure des connaissances du modèle, mais ils répondent à des besoins différents.

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.

• 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).

3.5 Study mode, génération d’images et voix

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 ».

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.

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.

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

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

Questions d’entraînement

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 ? »