Tout le monde passe à côté de GPT-4o : Pourquoi les gens le préfèrent à GPT-5

OpenAI a positionné GPT-5 comme un bond vers l'AGI. Il a été présenté comme un modèle avec des "capacités de niveau doctorat" en raisonnement, rédaction et codage.

\ La promesse incluait moins d'hallucinations, un nouveau mode Thinking, et un routage qui pourrait s'ajuster entre vitesse et profondeur.

\ Mais le lancement a-t-il vraiment tenu ses promesses ? Les problèmes étaient là dès le début. Et au lieu de l'enthousiasme, GPT-5 a généré de la frustration et même de la nostalgie pour GPT-4o.

\ Alors que s'est-il passé ? Et qu'est-ce que nous pouvons en apprendre ?

La promesse de GPT-5 et la réalité

La proposition de valeur de GPT-5 était claire sur le papier. Le routage adaptatif améliorerait l'efficacité. Un mode Thinking dédié débloquerait un raisonnement plus profond. Et la promesse que les hallucinations deviendraient moins fréquentes.

\ Mais dès le début, les choses ont commencé à mal tourner. Dès le premier jour, le système de routage a échoué. Cela a rendu GPT-5 plus lent et moins capable que GPT-4o.

\ Puis les anciens modèles ont été retirés sans avertissement. Pour les entreprises, cela a perturbé les flux de travail et déstabilisé les plans d'adoption.

\ De nombreuses équipes avaient optimisé leurs processus autour de GPT-4o, pour découvrir que le passage à GPT-5 introduisait plus de friction au lieu de moins.

La réaction des développeurs

Les développeurs ont connu la régression la plus visible. GPT-5 Codex était quatre à sept fois plus lent que GPT-4.1 sur des tâches standard.

\ Ce ralentissement a brisé le flux des sessions de codage, et les développeurs ont dû rester inactifs en attendant les résultats au lieu d'itérer en temps réel.

\ Sans option de retour en arrière, la productivité a chuté. Des concurrents comme Claude Code et DeepSeek ont soudainement offert une meilleure vitesse et utilisabilité.

Pourquoi GPT-4o est toujours meilleur

GPT-4o et ses variantes étaient loin d'être parfaits, mais ils fonctionnaient. Ils offraient un équilibre entre vitesse, créativité et fiabilité qui les rendait fiables. Les entreprises ont adapté leurs opérations autour de lui parce qu'il était cohérent.

\ Le ton a également joué un rôle. GPT-4o semblait plus humain sans être trop familier. GPT-5, en comparaison, a été critiqué pour ses réponses plus plates et un style plus froid et mécanique.

\ De nombreux utilisateurs se sont attachés à la façon dont ils interagissaient avec GPT-4o, et le changement leur a donné l'impression que quelque chose d'essentiel avait été perdu. Ce qui semblait autrefois être un partenaire collaboratif semble maintenant transactionnel.

\ Cette différence, combinée à des performances plus lentes et des flux de travail perturbés, explique pourquoi GPT-4o inspire toujours la loyauté tandis que GPT-5 peine à gagner la confiance.

La vraie leçon sur la fiabilité

Cette situation a mis en évidence à quel point les systèmes deviennent fragiles lorsqu'ils dépendent d'un seul modèle ou fournisseur. Lorsque GPT-4o a été supprimé, les organisations sans stratégie de repli se sont retrouvées exposées.

\ La conception du système doit anticiper un changement constant. S'il y a une chose que nous savons sur le rythme de la technologie, c'est qu'elle ne va pas ralentir de sitôt.

\ Il existe des moyens pratiques d'y remédier. Les couches d'abstraction rendent l'adaptation possible lorsque les fournisseurs modifient ou retirent des modèles. La planification de la régression évite les revers lorsque les mises à jour ne parviennent pas à apporter des améliorations. Ces approches protègent le capital, maintiennent les opérations stables et réduisent le risque de perturbation.

\ GPT-5 a montré que le progrès ne vient pas toujours avec un numéro de version. Il a mis en évidence la fragilité des stratégies d'adoption axées sur le modèle dans des environnements où les fournisseurs évoluent plus rapidement que les entreprises ne peuvent s'adapter.

\ La leçon n'est pas de s'accrocher à GPT-4o. La leçon est de concevoir des systèmes qui peuvent résister à la volatilité.

. . .

Nick Talwar est un Directeur de la technologie (CTO), ancien de Microsoft, et un ingénieur IA pratique qui aide les dirigeants à naviguer dans l'adoption de l'IA. Il partage des idées sur les stratégies axées sur l'IA pour générer un impact sur les résultats.

→ Abonnez-vous à lui sur LinkedIn pour découvrir ses dernières réflexions.

→ Abonnez-vous à son Substack gratuit pour des articles approfondis livrés directement dans votre boîte de réception.

→ Regardez la session en direct pour voir comment les leaders des industries hautement réglementées utilisent l'IA pour réduire le travail manuel et générer du ROI.