Recherche en IA, ce que les agents d’OpenAI réussissent seuls

Une chercheuse suit deux courbes sur un moniteur. À droite, le logo OpenAI accompagne le texte « 46 % sans intervention, tâches de 2 à 4 h ».

En octobre 2026, les agents d’OpenAI ont mené à bien, sans intervention humaine, environ 46 % des tâches de recherche qui leur avaient été confiées et qui auraient pris deux à quatre heures à une personne. Le taux estimé était de 23 % en mars. Derrière ce doublement, le rapport publié le 18 novembre révèle un écart marqué selon le travail demandé. Surveiller un entraînement et écrire le logiciel qui fait tourner un modèle en production donnent des résultats très différents. Rapport du 18 novembre, OpenAI

Ce que mesure le taux de 46 %

OpenAI a analysé un échantillon de sessions dans lesquelles ses équipes de recherche utilisaient des agents de programmation. Un agent Codex équipé de GPT-6 Astra a extrait les tâches initiées par les chercheurs. La durée correspond à une estimation du temps qu’aurait mis une personne à réaliser la tâche. Pour les cas sans intervention dont l’issue reste incertaine, le chiffre central retient par convention une réussite sur deux. Pour la tranche de quatre à huit heures, le taux estimé de réussite sans intervention passe de 13 % en mars à 35 % en octobre.

Les chercheurs choisissaient eux-mêmes les tâches qu’ils confiaient aux agents. D’un mois à l’autre, les missions d’une durée comparable ont donc pu changer de nature. Une meilleure sélection des tâches peut expliquer une partie du progrès observé, en plus des capacités croissantes des modèles. Le taux décrit le travail effectivement délégué chez OpenAI, avec les outils et les pratiques de ses équipes. Méthode du rapport

Les agents réussissent plus souvent à surveiller un entraînement qu’à le lancer

Entre le 1ᵉʳ août et le 18 octobre, OpenAI estime que 79 % des tâches de surveillance d’un entraînement ont abouti sans intervention. Le taux tombe à 35 % pour le lancement d’un entraînement et à 25 % pour l’écriture de code d’inférence et de mise à disposition des modèles. Ces estimations portent sur des catégories de travail différentes. Repérer une anomalie dans un journal d’exécution est souvent une mission circonscrite, tandis que modifier un service d’inférence amène à tenir compte du code existant, du matériel et des contraintes de performance. La grille de classement utilisée dans le rapport vient d’Epoch AI. Résultats par tâche · Grille d’Epoch AI

Davantage d’expériences, avec des résultats encore difficiles à attribuer

Sur les quatre semaines se terminant le 18 octobre, OpenAI a enregistré 68 % d’expériences de plus par expérimentateur actif que dans sa référence de 2025. C’est un indicateur d’activité. Pour savoir si ces essais ont accéléré la recherche, il faut aussi regarder lesquels ont produit un résultat exploitable et quelle part revient aux agents, aux moyens de calcul ou à l’organisation des équipes. Le rapport suit donc en parallèle un indice interne de capacités qui croise tests publics et privés. Mesures d’activité et de capacités

Codex intervient aussi dans la mise au point de certaines idées

Pour GPT-6.2 Astra, des chercheurs interrogés par OpenAI décrivent des idées de préentraînement développées en échangeant avec Codex. L’un d’eux rapporte avoir proposé l’idée principale, puis obtenu de meilleurs résultats après un changement suggéré par l’agent. Le rapport documente aussi des essais mal conçus et des résultats qui ont dû être repris. Le jugement du chercheur intervient encore pour décider quels essais lancer et quels résultats méritent d’être poursuivis. Entretiens avec les chercheurs d’OpenAI

Le test décisif reste la recherche de bout en bout

Le 20 novembre, l’organisme d’évaluation METR a publié ses propres essais sur des modèles accessibles au public. Il observe des progrès rapides sur certaines tâches longues et relève des difficultés de jugement lorsque les critères de réussite sont flous. Son indice composite fournit peu d’éléments en faveur d’une accélération du rythme de progression de l’ensemble des modèles testés. Pour mesurer l’effet des agents sur la recherche elle-même, il faudra suivre des projets entiers, du choix d’une hypothèse à la vérification du résultat, et compter le temps de relecture et de correction qu’ils mobilisent. Évaluation de METR

Références

About Salah YAHIAOUI

Salah YAHIAOUI publie sur The Pingouin des tutoriels Python et des décryptages sur l’intelligence artificielle. Les cas pratiques récents précisent leurs données, leurs tests et leurs limites. À propos, méthode éditoriale et contact.

View all posts by Salah YAHIAOUI →

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. Découvrez comment les données de vos commentaires sont traitées.