L’autonomie des agents à l’épreuve de la recherche interne d’OpenAI
De nouvelles données d’OpenAI décrivent l’essor des agents, une autonomie inégale et l’évolution du travail humain dans la recherche en IA.
Sur les tâches de recherche estimées à deux à quatre heures de travail humain, les agents d’OpenAI atteignent un taux de réussite sans intervention humaine évalué à 46 % en octobre, contre 23 % en mars. Pour celles de quatre à huit heures, l’estimation passe de 13 % à 35 %. Ces chiffres figurent dans Research acceleration: The jagged frontier, un rapport qui examine comment les outils d’IA transforment la recherche au sein du laboratoire.
La publication prolonge une première analyse diffusée en septembre. Elle rassemble des mesures d’usage, des estimations de réussite, des enquêtes et des entretiens. Les tranches de durée correspondent au temps qu’aurait demandé le travail à un humain. Les tâches confiées aux agents peuvent aussi changer avec leurs capacités : la progression observée combine donc l’évolution des systèmes et celle des choix de délégation. Un usage qui augmente, des coûts à interpréter
En octobre, l’usage quotidien du chercheur médian représente environ 2 400 dollars lorsqu’il est valorisé aux tarifs publics de l’API. Au 90e percentile, cette valeur atteint environ 23 000 dollars par jour. Ces montants expriment une équivalence tarifaire, plutôt que le coût réel de fonctionnement interne. Leur hausse intègre l’activité, les modèles choisis et la manière dont les outils les font travailler. Le rapport précise aussi qu’une optimisation temporaire de l’environnement d’exécution avait réduit la consommation de tokens avant son retrait progressif à partir de septembre.
Une autre mesure additionne les durées de fonctionnement des agents en journées de huit heures. La moyenne atteint 5,7 journées d’agent par chercheur et par jour, contre 0,5 auparavant. Le travail en parallèle explique ce cumul : à la mi-octobre, plus des deux tiers des chercheurs inclus dans l’analyse présentaient un pic quotidien moyen d’au moins quatre agents simultanés. Cet indicateur mesure du temps d’exécution, sans établir une équivalence avec autant de travail humain accompli.
L’importance accordée à ces outils ressort également d’une enquête auprès de 101 membres de la recherche. Dans deux questions distinctes, les réponses médianes indiquent qu’ils accepteraient hypothétiquement de céder 30 % du calcul de leur équipe ou 40 % de ses effectifs pour conserver pendant trois mois l’accès aux agents de code les plus avancés. Il s’agit d’une appréciation déclarative de leur valeur, recueillie avec un échantillonnage non systématique. La réussite dépend fortement du travail confié
Les résultats détaillés montrent les limites d’un taux global d’autonomie. D’août à la mi-octobre, la réussite estimée sans intervention atteint 79 % pour la surveillance des entraînements, contre 35 % pour leur lancement et 25 % pour l’écriture de code destiné aux systèmes d’inférence et de mise à disposition des modèles. Les étapes d’un même projet restent donc très différemment automatisables.
Dix entretiens avec des chercheurs décrivent un travail de supervision encore important. Les agents aident à écrire du code, diagnostiquer des problèmes et examiner de nombreux exemples, mais peuvent aussi poursuivre des pistes inutiles, produire des données inexploitables ou partir d’hypothèses d’analyse incorrectes. Une pratique rapportée consiste à leur faire produire un premier exemple, le vérifier et le corriger, puis seulement leur demander de traiter le reste.
L’origine des idées est étudiée séparément, auprès d’un petit nombre de contributeurs clés dans trois domaines. Pour le post-entraînement et la surveillance de sécurité, les personnes interrogées attribuent aux humains les idées importantes qu’elles ont identifiées pour GPT-6 Astra et GPT-6.2 Astra, les modèles aidant à leur mise en œuvre. Pour le préentraînement de GPT-6.2 Astra, certains décrivent des idées développées en échangeant avec Codex, dont une modification proposée par l’outil qui aurait rendu une approche plus efficace. Davantage d’effort humain consacré à la sécurité
Le volume estimé des contributions à la sécurité et à l’alignement augmente de 77 % entre janvier et septembre. Il s’agit de la plus forte augmentation en valeur absolue parmi les grands domaines de recherche distingués par le rapport. Elle combine recrutements et réorientation du travail de chercheurs déjà présents.
Cette mesure est reconstruite à partir de messages internes, de propositions de modification du code et de documents, classés par domaine. Chaque semaine de travail est répartie entre les projets vérifiés d’un chercheur. Elle fournit une approximation de l’attention consacrée aux différents sujets, plutôt qu’un relevé direct des heures ou un simple décompte des équipes officiellement rattachées à la sécurité. Suivre l’accélération sans confondre activité et progrès
Sur les quatre semaines se terminant le 18 octobre, le nombre d’expériences enregistrées par expérimentateur actif atteint 1,68 fois le niveau de référence de 2025. Les modifications de code par contributeur augmentent également. Le rapport reconnaît que ces volumes ne suffisent pas à établir une accélération des découvertes ou de l’amélioration des modèles.
Un nouvel indice interne, OpenAI ECI, cherche à suivre plus directement les capacités des systèmes. Inspiré de l’Epoch Capabilities Index, il combine des tests publics et internes. Le laboratoire constate que ses propres modèles y sont mieux placés face aux concurrents que dans l’indice d’Epoch, ce qu’il relie au choix des évaluations.
L’enjeu revendiqué est le suivi de l’auto-amélioration récursive, ou RSI : le processus par lequel l’IA accélère le développement des systèmes suivants. Le laboratoire plaide pour une obligation de publier des indicateurs communs. Parmi les prochaines mesures envisagées figurent la comparaison entre l’accélération des capacités et celle de la recherche en sécurité, ainsi que des signaux détectables avant l’achèvement d’un cycle complet de développement.