Bien choisir entre les modèles Sol, Terra et Luna dans ChatGPT Work

Cette vidéo explique de façon détaillée comment choisir efficacement entre les modèles Sol, Terra et Luna dans ChatGPT Work, en illustrant leurs cas d'usages dans la gestion de tâches marketing et la production de supports automatisés.

Détails de la leçon

Description de la leçon

Dans cette leçon, vous découvrirez la distinction fondamentale entre les modèles Sol, Terra et Luna disponibles sur ChatGPT Work. La vidéo propose une approche pédagogique en mettant en scène plusieurs scénarios, notamment dans la gestion de campagnes marketing pour une marque de cosmétique fictive.

Sol est présenté comme le modèle le plus puissant et qualitatif, idéal pour la synthèse de documents complexes, la production d'analyses stratégiques ou la création de livrables à forte valeur ajoutée. L’utilisation de Sol, équipée d’un niveau d’intelligence ajustable, doit être réservée aux tâches critiques ou à fort enjeu, en raison de sa consommation élevée en tokens.

Terra occupe une place intermédiaire, servant à exécuter les tâches courantes comme le brainstorming, l’idéation, la structuration de tableaux ou la création de supports internes. Sa performance et son efficience le rendent pertinent pour toutes les tâches de réflexion ou de préparation, sans surcharger la capacité d’IA.

Luna est le modèle orienté vers la production volumique rapide : déclinaison de visuels, génération massive de variantes, tâches répétitives ou d’adaptation à grande échelle. L’alternance entre ces trois modèles est ainsi illustrée par plusieurs exemples pratico-pratiques, mettant en avant leur complémentarité et leur utilité dans une logique d’optimisation des ressources.

Enfin, la vidéo aborde les questions de paramétrage du niveau d’intelligence et de vitesse d’exécution, la gestion des plugins, ainsi que l’importance de la sobriété dans la consommation des tokens selon les besoins réels.

Objectifs de cette leçon

Permettre aux apprenants de sélectionner le modèle IA le plus adapté (Sol, Terra, Luna) selon la nature de leur tâche ;
maîtriser l’alternance efficace des modèles pour optimiser réactivité et consommation de tokens ;
comprendre les cas d’usage réels pour automatiser création de présentations, brainstorming, ou déclinaison massives de contenus.

Prérequis pour cette leçon

Avoir des connaissances de base sur ChatGPT et l’intelligence artificielle ;
être familier avec les outils numériques de productivité et la gestion de projets marketing ;
idéalement, disposer d’un accès à ChatGPT Work et à ses différentes fonctionnalités modèles.

Métiers concernés

Les usages de cette leçon concernent principalement les responsables marketing, chefs de produit, consultants en transformation digitale, community managers, designers de contenus, mais aussi les formateurs souhaitant illustrer l’optimisation de l’IA générative dans l’environnement professionnel.

Alternatives et ressources

En dehors de ChatGPT Work, on pourra recourir à Microsoft Copilot, Notion AI, Jasper, Google Gemini ou Llama 2 pour des usages similaires d’automatisation de tâches, bien que la granularité des modèles et la gestion des tokens diffèrent. La suite Google Workspace avec Duet AI est également une solution alternative pour les usages collaboratifs.

Questions & Réponses

Le choix du modèle dépend de la complexité de la tâche : Sol est utilisé pour les opérations stratégiques complexes ou la création de livrables destinés à la direction, Terra pour les réflexions courantes ou supports internes, et Luna pour la production en volume. La consommation en tokens et la nécessité d’adapter la vitesse et l’intelligence du modèle sont également à prendre en compte.
Ajuster le niveau d’intelligence (léger, moyen, élevé, max) influence la profondeur et la qualité de la génération, tandis que la vitesse gère la rapidité d’exécution. Une combinaison adaptée permet d’optimiser le coût en tokens tout en obtenant un résultat approprié aux attentes.
Luna doit être privilégié pour générer un grand nombre de déclinaisons ou des contenus à valeur ajoutée moins complexe, afin d’économiser des ressources tout en obtenant des résultats corrects et rapides, là où Sol serait surdimensionné pour une tâche purement productive et répétitive.