Les médias étrangers estiment que, avec le lancement de GPT-6 Astra par OpenAI, la logique de la concurrence dans l'IA a changé. L'accent n'est plus seulement mis sur « qui utilise mieux l'IA », mais sur « qui déploie et maîtrise les agents IA en premier ». L'article considère Astra comme un point de basculement passant de la réponse aux questions à l'exécution de tâches.
De la réponse à l'exécution
Astra est décrite comme capable d'opérer un ordinateur, de naviguer sur le web, d'utiliser des logiciels, d'écrire et d'exécuter du code, ainsi que d'accomplir des flux de travail plus longs. L'article estime que cela signifie que l'IA passe de « l'humain pose une question, le modèle répond » à « l'humain confie une tâche à un agent, l'agent l'accomplit ».
Aux yeux de l'auteur, le véritable atout d'Astra n'est pas seulement sa capacité supérieure, mais sa proximité avec une main-d'œuvre numérique pouvant être "embauchée". Elle ne se contente plus de générer des réponses, mais commence à assumer des tâches professionnelles continues.
Le taux de pénétration n'est plus calculé par tête.
L'article utilise les résultats du test d'OSWorld 2.0 pour montrer qu'Astra excelle dans les tâches à long terme et réduit considérablement le temps de accomplissement. L'auteur en conclut que la méthode de calcul de la pénétration de l'IA doit être modifiée et ne peut plus se baser simplement sur le nombre d'utilisateurs employant l'IA.
Les variables les plus importantes sont devenues : le nombre d'agents en cours d'exécution, le nombre de tâches exécutées par chaque agent et le nombre de tokens consommés par chaque tâche. L'article estime qu'une personne peut déployer plusieurs agents simultanément, et qu'une entreprise peut exécuter des centaines, voire des milliers d'agents en même temps.
La demande de jeton sera amplifiée
L'auteur souligne en outre que la demande de tokens à l'ère des agents ne dépend pas seulement de la croissance du nombre d'utilisateurs, mais augmente également en parallèle avec la complexité des tâches et la durée d'exécution. Un agent en fonctionnement continu effectue constamment des opérations de planification, de recherche, d'exécution, de vérification et de correction, ce qui génère davantage d'appels et une consommation accrue de tokens.
L'article mentionne également que la participation du modèle à l'entraînement crée elle-même une dynamique en boucle : des modèles plus puissants génèrent des agents plus performants, qui produisent davantage de données de haute qualité, stimulant à leur tour une amélioration continue du modèle. Les auteurs estiment que cela entraînera une phase d'auto-amplification accrue de la demande en puissance de calcul et en jetons.