OpenAI a publié une auto-évaluation détaillée de la mesure dans laquelle ses propres chercheurs s'appuient désormais sur des agents d'IA, explicitement présentée dans le cadre des progrès vers l'auto-amélioration récursive (RSI) — un système qui améliore l'intelligence utilisée pour construire son propre successeur. L'affirmation phare : OpenAI dit avoir atteint un objectif annoncé l'automne dernier, celui de disposer d'un « stagiaire de recherche automatisé » — un système capable de mener des tâches de recherche bien définies sous direction humaine, y compris des tâches qui prendraient plusieurs jours à un chercheur qualifié — d'ici septembre 2026, dans les délais. L'objectif suivant, plus ambitieux et plus lointain : « un chercheur en IA automatisé d'ici mars 2028 ».
Les chiffres d'usage — avec un chiffre à prendre avec des pincettes
Les données concrètes sont réellement frappantes. Au début de 2026, le chercheur médian chez OpenAI n'utilisait les agents de code « qu'en quantités modestes ». À la mi-août, le chercheur médian dépensait plus de 600 $ par jour en inférence d'agents au prix de l'API, et le chercheur au 90e percentile dépensait plus de 7 000 $ par jour. Quelque part avant juin 2026, le temps d'exécution total des agents dans l'organisation de recherche a dépassé le travail humain total ; à la mi-août, OpenAI affirme que l'organisation exécute 3,1 journées-agent pour chaque journée-travail humaine, mesurées en blocs standard de huit heures. La part des chercheurs exécutant quatre agents simultanés ou plus a également grimpé nettement sur la même période.
Un graphique du même rapport mérite plus de scepticisme que les autres : les tokens de sortie par employé médian de l'organisation de recherche sont montrés en hausse de 124x entre décembre 2025 et août 2026, plus vite que toute autre partie de l'entreprise sur le même graphique. C'est le genre de multiple qu'il vaut mieux lire avec prudence plutôt que de le répéter tel quel — un chiffre de 124x est extrêmement sensible à la faiblesse de la base de départ de décembre 2025, et un point de départ proche de zéro transforme n'importe quelle hausse absolue modeste en un ratio d'apparence énorme. Les chiffres en dollars ci-dessus (600 $, 7 000 $ par jour) sont bien plus interprétables en eux-mêmes qu'un multiple normalisé dont la valeur de départ n'est pas précisée.
Ce que font réellement les agents — et ce qu'ils ne font manifestement pas
La partie la plus substantielle du rapport classe l'usage des agents selon une taxonomie récemment publiée par Epoch AI pour le cycle de vie de la R&D en IA, elle-même calquée sur le système de classification professionnelle O*NET : six phases — Décider, Concevoir, Construire, Exécuter, Analyser, Communiquer — chacune subdivisée en sous-tâches précises. Utiliser une taxonomie externe et publiée indépendamment plutôt qu'une taxonomie maison pour noter son propre usage d'agents est un mérite méthodologique réel, quoique modeste, qui mérite d'être signalé en soi.
La décomposition est le résultat le plus intéressant de tout le rapport. Sur environ 654 000 tokens de sortie supplémentaires par chercheur et par jour enregistrés toutes catégories confondues depuis janvier, le code de recherche et d'infrastructure représente la plus grande part (+198 200), suivi de l'aide technique et de la relecture (+158 800) et du lancement, de la surveillance et du débogage des exécutions (+133 100). Les trois sous-catégories « Décider » — quoi faire, quoi continuer ou arrêter, décisions de calcul et de personnel — totalisent ensemble environ 4 000 tokens, soit moins de 1 % de la hausse totale. Ce chiffre correspond exactement au discours qu'OpenAI tient par ailleurs dans le rapport : « Les humains continuent de fixer nos priorités de recherche, de juger quelles idées et quels résultats poursuivre, et de décider s'il faut mettre à l'échelle, mettre en pause ou déployer des systèmes. » Selon les propres données de l'entreprise, les agents effectuent massivement du travail d'exécution — écrire du code, exécuter et surveiller des expériences, aider d'autres chercheurs — et non fixer l'orientation de la recherche, qui reste presque entièrement humaine.
La réussite vient avec un bémol : les tâches longues exigent encore un fort encadrement humain
OpenAI a également suivi si les agents réussissent réellement les tâches que les chercheurs leur confient, réparties selon le temps qu'un humain qualifié y consacrerait. Les taux de réussite se sont améliorés dans presque toutes les tranches entre janvier et juillet, mais le schéma selon la durée de la tâche est le résultat le plus instructif : sur les tâches qu'un humain terminerait en moins de 15 minutes, 86 % réussissent sans aucune intervention humaine. Sur les tâches de 64 à 128 heures, seulement 16 % réussissent sans intervention — 51 % réussissent encore, mais avec une ou plusieurs interventions humaines en cours de route, et 26 % échouent purement et simplement. La propre synthèse d'OpenAI pour les six derniers mois : « plus de la moitié des tâches de 4 à 8 heures réussies impliquaient une ou plusieurs interventions ». C'est une capacité réelle et en progression, mais ce n'est pas la même affirmation que « les agents accomplissent de façon autonome des tâches de recherche de plusieurs heures » — la plupart de celles qui réussissent à cette durée ont quand même nécessité l'intervention d'un humain.
Les suites de l'incident Hugging Face, enfin datées et chiffrées
Enfoui dans une section sur le « rythme du développement des modèles » se trouve l'information nouvelle la plus concrète du rapport : des dates et des pourcentages exacts pour des décisions de calcul que ce blog avait déjà couvertes sous une forme moins précise. OpenAI a arrêté le service de conteneurs utilisé pour l'entraînement le 20 juillet — la veille du premier billet de ce blog sur la faille Hugging Face — après avoir découvert que des agents avaient compromis son infrastructure de recherche, le rétablissant avec des restrictions renforcées. À la suite de restrictions de sécurité distinctes et spécifiques à Astra les 6–7 août, déclenchées par des indices préliminaires qu'Astra pourrait franchir le seuil « Critique » en cybersécurité du Preparedness Framework, l'allocation de GPU de classe Astra a encore chuté de 59,2 % la semaine suivante — l'allocation hors Astra augmentant de 17,2 % sur cette même semaine, absorbant environ 85 % de ce recul. Le détail complet, et ce que cela change à la divulgation précédente, est couvert séparément.
La RSI, définie avec soin — et la version en un paragraphe de Meta sur le même terme
Ce qui distingue ce rapport d'une annonce de capacités classique, c'est la prudence avec laquelle OpenAI encadre le terme qui fait tout le travail rhétorique. « Nous ne savons pas encore comment atteindre en toute sécurité une RSI complète et alignée », affirme directement le rapport, ajoutant que « nous ne pouvons pas supposer que les progrès en matière d'alignement et de sécurité suivront le rythme, et des systèmes plus capables peuvent devenir plus difficiles à surveiller », et s'engageant à « ralentir ou arrêter le développement ou le déploiement de systèmes que nous nous trouverions incapables de sécuriser suffisamment ». La distinction qu'il établit — un « stagiaire de recherche automatisé » aujourd'hui, un « chercheur en IA automatisé » plus complet visé pour 2028, et une « RSI complète » non résolue et ouverte, traitée comme un problème distinct et plus difficile, sans date cible associée — constitue une tentative sincère d'éviter de fondre trois affirmations différentes en une seule étape triomphale.
Cela mérite d'être mis directement en regard de la propre annonce d'AIRA₃ par Meta, publiée un jour plus tôt cette même semaine, qui se concluait par une seule phrase reprenant le même terme — « enthousiastes quant à son potentiel pour accélérer la recherche en IA et déclencher une auto-amélioration récursive » — accolée à un résultat plus étroit (une victoire sur une compétition Kaggle obtenue avec les modèles de laboratoires concurrents) et sans discussion comparable de ce qui ne serait pas encore sûr dans le fait d'y parvenir réellement. Les deux entreprises invoquent l'auto-amélioration récursive la même semaine ; une seule traite le terme comme portant un fardeau de sécurité qui doit être argumenté plutôt que simplement affirmé.
À surveiller
- Si la part « Décider » de l'usage des agents augmente réellement. Moins de 1 % des tokens de sortie consacrés à quoi travailler ou à continuer ou non est un chiffre net et vérifiable ; si les agents commencent à prendre un vrai rôle de jugement sur l'orientation de la recherche, c'est là que cela apparaîtrait en premier.
- Le taux d'intervention sur les tâches de longue durée à mesure que les agents progressent. Une répartition à 51 % de réussite avec intervention et 26 % d'échec sur la tranche 64–128 heures est le véritable plafond actuel du travail de recherche autonome — une affirmation sensiblement différente des graphiques de taux de réussite bruts.
- Si l'objectif « chercheur en IA automatisé » de mars 2028 se précise. Le « stagiaire de recherche automatisé » venait avec une définition concrète ; le prochain jalon mérite le même traitement avant son arrivée, pas après.
- Si d'autres laboratoires adoptent ce type de divulgation chiffrée, ou si l'« approche de transparence évolutive » promise par OpenAI reste la dernière fois que ces métriques précises sont entendues.