J’ai laissé GPT 5.6 Luna analyser tous les commentaires de ma chaîne YouTube pour me dire exactement quels types de vidéos je devrais produire ensuite. Et j’ai fait ça en déployant plusieurs agents IA différents, tous utilisant GPT 5.6 Luna, pour lire chaque commentaire. Le point le plus important, c’est que ce modèle est vraiment puissant et capable de gérer ce genre de charges de travail volumineuses pour une fraction du coût de modèles comme GPT Soul ou GPT Terra. Si vous regardez le prix des tokens, pour un million de tokens, Soul coûte 25 dollars. Pour GPT Luna, c’est moins de 2 dollars.
C’est pour ça que je vais vous montrer exactement comment j’ai construit ce pipeline de données complet, de zéro, en utilisant Codex et un plugin développé par OpenAI. Ce plugin vous aide à construire des applications d’agents IA avec les meilleures pratiques. On va bâtir tout ce pipeline de données de A à Z avec GPT 5.6 Luna. Je vais aussi vous montrer si ce modèle est vraiment bon, vraiment précis, combien il coûte, et si ça vaut le coup pour vous de l’essayer.
Installer le plugin développeur OpenAI
La première étape consiste à télécharger l’application de bureau GPT. Rendez-vous sur la page de téléchargement et prenez la version correspondant à votre système d’exploitation. Une fois l’application ouverte, j’ai créé un tout nouveau projet appelé « GPT test ». C’est un dossier complètement vide. Si je clique en haut à droite, il n’y a rien dans le dossier du projet. On part vraiment de zéro.
Ensuite, je passe en mode Codex. C’est le mode de codage. Je démarre une nouvelle conversation dans ce dossier vide et je commence à donner des instructions. Pour ça, je vais utiliser un plugin créé par OpenAI, le plugin développeur OpenAI. Ce plugin aide à construire des applications IA en suivant les meilleures pratiques d’OpenAI. Si vous ne l’avez pas, ce n’est pas un problème. Cliquez sur le bouton des plugins, cherchez « OpenAI developers plugin », et installez-le sur votre application de bureau GPT.
Une fois le plugin installé, revenez dans la fenêtre de discussion. Pour le référencer, tapez simplement le symbole @ suivi de « OpenAI developers ». Vous référencez ainsi le plugin qui va guider la construction de l’application.
Définir le pipeline de données avec un prompt détaillé
Ce qu’on essaie de faire ici, c’est de faire synthétiser par GPT Luna toutes les vidéos que j’ai publiées sur ma chaîne. Disons que j’ai plus de 300 vidéos, et pour chaque vidéo, il y a probablement quelques centaines de commentaires. On veut extraire tous les commentaires de chaque vidéo, utiliser l’API GPT Luna pour lire chaque vidéo et ses commentaires, puis agréger le tout. L’objectif est d’identifier les cinq sujets principaux que je n’ai pas encore traités et qui sont très demandés, sur une période donnée, en se basant sur la fréquence des commentaires, le nombre de votes positifs, les réponses, et la vidéo d’où provient le commentaire. Il faut aussi déterminer si un commentaire est une vraie demande ou juste un compliment.
Pour lancer ça, je prends une capture d’écran du schéma que j’ai en tête et je la fournis comme référence visuelle. Mon prompt ressemble à ceci : je veux que tu regardes l’image attachée et le lien de ma chaîne YouTube. Je veux construire un pipeline de données complet qui synthétise toutes mes vidéos et me donne les cinq meilleurs sujets de vidéos à produire ensuite. Le pipeline fonctionne comme suit : on récupère toutes les vidéos, puis pour chaque vidéo, on récupère tous ses commentaires, les métadonnées, les réponses, le nombre de votes. On met tout ça dans un dossier unique où chaque vidéo contient un fichier avec tous ses commentaires. Ensuite, on appelle GPT Luna via l’API. On lance plusieurs sous-agents pour lire toutes les vidéos et tous les commentaires, et un agent principal synthétise tout pour me dire quels sont les cinq sujets à traiter, qui ne sont pas encore sur ma chaîne et qui sont très demandés sur les 7, 30, 60, 90 derniers jours. Le classement doit se faire par période, en tenant compte de la fréquence d’apparition des commentaires, des votes, et du contexte de la vidéo d’origine. Et on s’assure de ne garder que les commentaires qui sont de vraies demandes, pas de simples compliments.
Je soumets ce prompt avec le plugin OpenAI en référence, et je laisse Codex générer la totalité du script.
Configurer les clés API
Une fois le script généré, la première chose à faire est d’obtenir votre clé API OpenAI. C’est elle qui alimentera les agents de synthèse. Codex vous demandera si vous voulez créer un fichier sécurisé pour stocker cette clé. Dites oui, pour qu’il crée le fichier et la variable d’environnement où vous pourrez saisir votre clé.
Codex a travaillé pendant environ huit minutes et a construit et vérifié l’intégralité du pipeline. Tout est fonctionnel. Il nous faut maintenant deux clés. La première est la clé API OpenAI, qui servira à appeler Luna. La seconde est une clé API Amplify. Amplify est une API qui permet de récupérer les données de votre chaîne YouTube : les transcriptions, les commentaires, les réponses, etc.
Pour la clé OpenAI, allez sur openai.com/api. Cliquez sur « Start building », puis sur « API keys ». Créez une nouvelle clé secrète. Copiez cette clé, retournez dans votre projet (j’utilise VS Code pour visualiser les dossiers), ouvrez le fichier .local et collez la clé dans la variable OPENAI_API_KEY.
Pour la clé Amplify, inscrivez-vous sur le site, allez dans les paramètres, puis dans la section API. Vous y trouverez votre token API personnel. Copiez-le et collez-le dans le même fichier .local, dans la variable prévue pour le token Amplify.
Lancer le pipeline et analyser les résultats
Une fois les deux clés configurées, Codex vous donne une commande à exécuter dans votre terminal. Copiez cette commande et lancez-la. Le script commence par un contrôle de configuration : il affiche le modèle utilisé, la chaîne cible, et le budget API. Il vous demande confirmation. Vous répondez « yes » pour lancer le scraping et la synthèse.
Le script découvre les vidéos et les transcriptions. Laissez-le tourner jusqu’à la fin. Une fois terminé, vous verrez le coût total de l’opération. Pour ma part, comme j’ai fait tourner le script plusieurs fois, le coût total affiché était d’environ 5 dollars, mais une exécution unique coûte environ 2 dollars. Gardez à l’esprit que ce montant couvre l’envoi de requêtes à toutes les vidéos de la chaîne, plusieurs fois, pour obtenir les meilleurs résultats sur différentes périodes.
Dans le dossier de sortie, vous trouverez des fichiers pour 7 jours, 14 jours, 30 jours. Chaque fichier a déclenché GPT Luna pour analyser l’ensemble des vidéos et synthétiser les résultats. Voici ce que ça donne concrètement. Pour les 7 derniers jours, le pipeline liste les cinq sujets de vidéos les plus demandés. Pour chaque sujet, il explique pourquoi il est tendance. Par exemple, un sujet remonté était : « Les commentateurs du cours de web design demandent à aller au-delà de l’interface et à voir la construction complète de l’application de suivi d’investisseurs, y compris le backend et le pipeline de données. » Le rapport indique le nombre total de commentaires, le nombre de votes, et fournit les commentaires exacts comme preuves.
En faisant défiler, on trouve d’autres sujets tendance suggérés pour les 7 derniers jours. On peut aussi consulter les résultats sur 14 jours. Les sujets sont triés par nombre de votes et de commentaires. On voit par exemple que « transformer le code d’horloge en design web » et « construire une version full stack backend » restent des sujets très tendance sur 14 jours. Un autre sujet concerne l’automatisation sécurisée de la recherche d’emploi sur LinkedIn avec une boucle de soumission humaine. Le rapport montre de quelle vidéo provient la demande et combien de commentaires ont été postés.
La précision est franchement élevée. J’ai validé que ces sujets étaient réellement tendance, et j’ai d’ailleurs appliqué cette méthode pour une vidéo dans notre communauté scolaire.
Points clés à retenir
- GPT 5.6 Luna gère des charges de travail massives pour un coût dérisoire comparé à d’autres modèles : moins de 2 dollars par million de tokens contre 25 dollars pour Soul.
- Le pipeline complet se construit avec l’application de bureau GPT, le mode Codex, et le plugin développeur OpenAI qui guide la construction avec les meilleures pratiques.
- Le prompt doit être extrêmement détaillé : il décrit chaque étape du pipeline, de la récupération des commentaires à la synthèse par des agents IA, en passant par les critères de filtrage (fréquence, votes, distinction entre demande et compliment).
- Deux clés API sont nécessaires : OpenAI pour appeler Luna, et Amplify pour scraper les données YouTube (commentaires, transcripts, métadonnées).
- Le script final génère des rapports classés par période (7, 14, 30 jours) avec les cinq sujets les plus demandés, le nombre de commentaires et de votes, et les commentaires sources comme preuves.
- La précision des résultats est élevée, avec des sujets qui reflètent de vraies tendances détectées dans les commentaires de la chaîne.
Ce pipeline change complètement la façon de décider quel contenu produire ensuite. Au lieu de deviner ce que votre audience veut, vous laissez les données parler, et vous le faites pour un coût qui ne vous ruine pas. Si vous voulez voir un guide complet pour débutant sur l’utilisation de l’application de bureau GPT avec Codex, j’ai une vidéo dédiée à ça.