OpenAI's Astra change l'accent de l'IA de la réponse à l'exécution de tâches à long terme

Ce qui mérite vraiment l'attention avec Astra, ce n'est pas la qualité d'une seule équation mathématique qu'elle résout, mais le fait qu'OpenAI transforme les modèles de pointe d'un système de réponses instantanées en un système d'exécution capable de durer plusieurs heures ou plus, de décomposer autonomement des tâches et d'interagir avec des logiciels réels.

Auteur et source de l'article : 0x9999in1, ME News



• Ce qui mérite vraiment l'attention avec Astra, ce n'est pas la qualité d'une seule équation mathématique qu'elle résout, mais le fait qu'OpenAI transforme les modèles de pointe d'un système de réponses instantanées en un système d'exécution capable de durer plusieurs heures ou plus, de décomposer autonomement des tâches et d'interagir avec des logiciels réels.
• 16 agents travaillant ensemble pour prouver un théorème mathématique, opérant directement un ordinateur, des « stages en recherche IA » : ces démonstrations pointent vers un même changement — les indicateurs clés de la concurrence en IA passent de la qualité des réponses ponctuelles à la capacité à assumer de manière autonome des chaînes de travail de plus en plus longues et complexes.
• Si cette capacité peut être déployée de manière stable, la logique d'achat de l'IA par les entreprises changera : autrefois, on achetait des licences logicielles et des Copilotes, mais à l'avenir, cela s'approchera de plus en plus de l'achat de « main-d'œuvre numérique » et de débit de tâches.
• Mais la démonstration fermée n'est pas un environnement de production. Astra n'est pas encore publié publiquement, et le terme « stagiaire de recherche » est une pratique interne standard d'OpenAI ; la démonstration mathématique fournit une preuve candidate, et non une certification indépendante de sa validité scientifique.
• Ce qui est encore plus préoccupant, c’est que l’amélioration des capacités commence à limiter en retour la vitesse de développement d’OpenAI. En août, OpenAI a reconnu qu’Astra avait potentiellement atteint le seuil de ses capacités de cybersécurité les plus élevées, classées comme « Critiques », et avait donc suspendu certaines activités d’entraînement et d’évaluation.
• Ainsi, débattre de savoir si Astra est une AGI n’a plus beaucoup de sens aujourd’hui. La vraie question importante est devenue : quelles seront les conséquences sur les modèles économiques des entreprises, du marché du travail et des entreprises d’IA lorsque l’IA aura pour la première fois l’opportunité de passer de « répondre à vos questions » à « accomplir continuellement des tâches pour vous, voire vous aider à étudier la prochaine génération d’IA » ?

Si l'on se contente de la surface, la prévisualisation fermée d'Astra peut facilement être interprétée comme une autre campagne de promotion avant le lancement d'un modèle.

Des dirigeants de plusieurs clients importants d'OpenAI se sont rendus au nouveau bâtiment MB0 de San Francisco. À l'extérieur, des manifestants avec l'enseigne « Stop the AI Race » restent présents ; à l'intérieur, une grande paroi de végétation a été placée devant les portes en verre pour bloquer la vue entre les deux côtés. Sam Altman vient de revenir de Washington, où il a présenté aux responsables gouvernementaux américains la famille de modèles encore non publiée.

Cette image résume en réalité mieux que n’importe quelle conférence de presse l’industrie de l’IA d’aujourd’hui : les capitaux, les clients et les gouvernements attendent que les capacités continuent d’avancer, tandis qu’un autre groupe commence à craindre qu’elles n’avancent trop vite.

Mais ce qui est vraiment important chez Astra, ce n'est pas « le modèle a encore progressé de quelques pourcents ».

La première démonstration en direct consiste en 16 agents IA confrontés à un problème de mathématiques de niveau recherche. Ils décomposent automatiquement le problème en plusieurs sous-problèmes, tentent des solutions individuelles, coordonnent les résultats, puis combinent ces éléments pour produire une preuve candidate. Il est essentiel de bien préciser le terme « candidate » : il ne s'agit pas d'un nouveau théorème mathématique validé publiquement, et le fait que 16 agents travaillent simultanément ne signifie pas automatiquement qu'ils équivalent à une équipe de recherche composée de 16 mathématiciens excellents. Plusieurs modèles peuvent très bien partager la même erreur, et une augmentation du nombre d'agents n'implique pas nécessairement une amélioration linéaire de la précision.

But it is still important.

Par le passé, nous mesurions les grands modèles en nous concentrant sur une question : pouvait-il répondre ?

Astra essaie de remplacer la question par une autre : peut-elle organiser elle-même son travail et accomplir continuellement une tâche complexe ?

Les deux semblent ne différer que d’un pas, mais leur signification commerciale peut en revanche différer d’une ère.

La forme d'interaction la plus typique des premières versions de ChatGPT consistait à poser des questions humaines et à recevoir des réponses machine ; ensuite, Copilot a commencé à s'intégrer dans les processus de programmation, de bureau et de création, où l'humain donne continuellement des instructions et l'IA fournit constamment une assistance. Les agents représentent une étape ultérieure, où l'humain ne doit fournir qu'un objectif, et la machine détermine elle-même les étapes, choisit les outils, vérifie les résultats intermédiaires, puis progresse continuellement.

Ainsi, la deuxième démonstration mérite encore plus l'attention sérieuse des cadres d'entreprise que les problèmes mathématiques.

Astra utilise directement l'ordinateur, bascule entre plusieurs logiciels de bureau courants, crée et modifie du contenu, et effectue ces opérations à une vitesse extrêmement rapide. Altman a déclaré que voir le modèle utiliser l'ordinateur de manière « surhumaine et extrêmement rapide » est l'une des choses les plus impressionnantes que les employés d'OpenAI aient récemment observées.

Pourquoi est-il important d'opérer sur ordinateur ?

Parce que la majeure partie du travail dans le monde des entreprises n'est pas une belle question que l'on peut saisir dans une boîte de discussion.

Le travail réel est réparti entre le navigateur, Excel, les e-mails, les dépôts de code, l'ERP, le CRM, les logiciels de conception, les bases de données internes et les systèmes d'approbation. La valeur d'un employé ne se limite jamais à « connaître la réponse », mais réside dans la capacité à déplacer des informations entre une dizaine de systèmes, à prendre des décisions, à modifier des fichiers et à faire avancer les processus jusqu'à leur achèvement.

Tant que l'IA ne franchit pas ce seuil, elle reste principalement un outil de connaissance.

Une fois franchi, il commence véritablement à s'approcher du « travail ».

Le produit central que Altman a dessiné pour Astra est des agents persistants — des agents qui existent en continu et travaillent sur le long terme.

Ce terme semble moins stimulant que l'AGI, mais il pourrait être plus proche de ce qui influencera réellement les états financiers des entreprises au cours des prochaines années.

Le scientifique en chef d'OpenAI, Jakub Pachocki, a déclaré à TIME qu'Astra avait atteint la norme interne d'OpenAI pour un « stageur en recherche d'IA automatisé » : lui fournir une idée d'expérience et elle peut implémenter la solution dans la base de code d'OpenAI, exécuter l'expérience et retourner les résultats ; lui fournir un article de recherche et elle peut effectuer les travaux de suivi qui auraient autrement pris environ une semaine à un chercheur humain.

Cela reste uniquement une évaluation interne d'OpenAI, sans validation par un tiers indépendant, et ne permet pas de conclure simplement que « Astra peut déjà remplacer les chercheurs ». Toutefois, le signal qu'il émet est suffisamment clair : l'unité recherchée par OpenAI passe des tokens, des réponses et des conversations à la durée des tâches.

Cette direction n'a pas été soudainement créée par OpenAI elle-même.

L'organisme d'évaluation indépendant METR a tenté ces dernières années de mesurer les capacités des agents à l'aide du « task-completion time horizon » : au lieu de demander si le modèle peut résoudre un type particulier de question, il observe le temps qu'il lui faut pour accomplir une tâche avec un certain taux de réussite, équivalent au temps nécessaire à un expert humain.

Les données mises à jour de METR en 2026 montrent toujours une tendance d'amélioration exponentielle très marquée. À long terme, le temps nécessaire pour les tâches logicielles et de recherche des modèles de pointe double environ tous les 6 à 7 mois ; en ne considérant que les données depuis 2023, la vitesse de croissance est encore plus rapide. En mai de cette année, certains des modèles les plus récents publiés ont déjà atteint ou dépassé la plage effective de mesure d'environ 16 heures de leurs jeux de tests actuels, au point que METR a spécifiquement averti que les données dépassant cette durée ne devraient pas être surinterprétées.

C'est exactement ce qui explique pourquoi Astra est apparu.

Lorsque les tâches que le modèle peut accomplir de manière stable passent de quelques minutes à plusieurs heures, puis de plusieurs heures à une journée ou plus, la forme du produit changera inévitablement. Vous n'aurez plus besoin de rester constamment à côté de la fenêtre de chat pour le corriger ; vous commencerez à lui confier des tâches comme à un collègue : « Investigue cette question, teste trois solutions, organise les données et envoie-moi les résultats demain. »

Ce qu'on appelle « collègue virtuel », la véritable ligne de démarcation n'a jamais été de savoir s'il parle comme un humain.

Mais après ton départ, continuera-t-il à travailler ?

C'est aussi la signification financière la plus sous-estimée d'Astra.

Au cours des trois dernières années, le modèle dominant d'achat d'IA générative par les entreprises reste essentiellement une extension du modèle SaaS traditionnel : un siège AI supplémentaire par employé, avec un coût mensuel accru de quelques dizaines de dollars. Microsoft Copilot fonctionne ainsi, la version entreprise de ChatGPT fonctionne ainsi, et de nombreux SaaS d'IA fonctionnent de la même manière.

Mais une fois que l'agent persistant sera mature, cette logique de tarification deviendra de plus en plus incongrue.

Pourquoi ?

Les entreprises n'achètent plus réellement « l'accès à l'IA pour un employé », mais la capacité de l'IA à accomplir le travail elle-même.

Supposons qu'une équipe financière nécessitait initialement 10 personnes pour traiter le tri des données, la rédaction des projets de rapports, la vérification des anomalies et la saisie inter-systèmes. La question à laquelle les gestionnaires futurs devront répondre ne sera plus « Faut-il acheter un Copilot pour chacun des 10 employés ? », mais plutôt « Combien de charge de travail Agent dois-je acheter pour accomplir ces tâches ? »

À ce moment-là, les concurrents de l'IA ne sont plus seulement les budgets logiciels.

Il commence à entrer dans le budget des ressources humaines.

Les données de l'Index IA de Stanford 2026 révèlent déjà cette contradiction. D'une part, l'adoption de l'IA par les entreprises continue d'augmenter rapidement : en 2025, 88 % des organisations enquêtées utilisaient déjà l'IA dans au moins un domaine, et 70 % utilisaient déjà l'IA générative ; d'autre part, le pourcentage d'entreprises ayant réellement déployé des agents reste à un chiffre dans la majorité des fonctions commerciales.

Autrement dit, les gens sont déjà très disposés à « utiliser l'IA », mais ne sont pas encore prêts à grande échelle à « confier des tâches à l'IA ».

C'est précisément le fossé qu'Astra tente de combler.

Une fois franchi ce seuil, l'impact ne se limitera pas aux entreprises technologiques. Selon les statistiques de Stanford, depuis 2024, l'emploi des développeurs logiciels âgés de 22 à 25 ans aux États-Unis a diminué de près de 20 % ; dans le même temps, environ un tiers des entreprises interrogées prévoient une réduction du personnel dans l'année à venir en raison de l'IA, tandis que le marché de l'emploi dans son ensemble n'affiche pour l'instant aucune perte d'emplois à cette échelle.

Cela suggère que l'impact de l'IA sur le marché du travail est probablement moins un basculement soudain comme l'appui sur un interrupteur général, mais plutôt une modification initiale de la demande marginale pour les points d'entrée à l'emploi, les postes juniors et les travaux de connaissances standardisés.

C'est précisément pour cette raison que le terme « stagiaire en recherche sur l'IA » est en fait subtil.

Aujourd'hui, il peut d'abord accomplir pour les chercheurs les expériences qui prennent une semaine, mais dont les objectifs sont relativement clairs ; demain, les entreprises se demanderont : où en est le modèle initial de l'analyste financier ? Les recherches du conseiller ? Le développement régulier du programmeur ? L'exécution inter-systèmes du département marketing ?

Par le passé, nous avons toujours discuté de l’idée que l’IA pourrait « remplacer un métier ».

Un processus plus réaliste est que l'IA prendra d'abord, peu à peu, les modules de travail les plus faciles à standardiser, à vérifier et les plus chronophages d'un métier. Le poste ne disparaîtra pas du jour au lendemain, mais le travail que l'entreprise devait initialement confier à dix nouveaux employés pourra progressivement être accompli par six, puis quatre personnes, accompagnées d'un ensemble d'agents.

Ce qui transforme réellement le marché de l'emploi, ce n'est généralement pas « l'IA qui soudainement tout fait ».

Mais les entreprises constatent : le prochain employé peut être recruté plus tard.

Si l'histoire s'arrêtait ici, Astra ne serait qu'un produit doté d'une immense imagination commerciale.

Le problème est qu'OpenAI a déjà démontré que les choses ne sont pas aussi simples.

Le 7 août, OpenAI a déclaré publiquement que, selon la dernière évaluation interne, l'entreprise ne peut plus exclure qu'Astra atteigne le niveau de capacité de cybersécurité « Critical » de son cadre de préparation.

Ce seuil n'est pas « le modèle compare l'écriture de code ».

Selon la définition même d'OpenAI, le niveau Critique signifie que le modèle pourrait, sans intervention humaine, identifier et développer des vulnérabilités zero-day de diverses gravités dans des systèmes critiques renforcés, ou concevoir et exécuter de manière autonome des stratégies d'attaque nouvelles et end-to-end ciblant des objectifs renforcés à partir d'un objectif global unique.

OpenAI souligne qu'il s'agit actuellement uniquement d'une impossibilité d'exclure ce niveau, et non d'une confirmation définitive que Astra possède toutes les capacités mentionnées ci-dessus ; en outre, Astra n'est pas lié à l'événement de sécurité précédent d'OpenAI impliquant Hugging Face.

Mais la réaction de l'entreprise suffit à en dire long.

OpenAI a renforcé l'isolement réseau, les sandbox, la protection des poids des modèles et la surveillance complète, en suspendant les activités Astra ne répondant pas aux nouvelles normes de sécurité. Le 18 août, l'entreprise a divulgué davantage que, pour renforcer l'environnement et étendre la couverture de surveillance, l'entraînement par apprentissage par renforcement des modèles les plus récents avait été suspendu pendant deux semaines, et le plus grand entraînement RL de pointe restait toujours en suspension, avec de nombreux travaux d'entraînement et d'évaluation liés à Astra encore non rétablis.

Même la sécurité elle-même commence à devenir un coût élevé en puissance de calcul.

OpenAI estime que le système de surveillance actuel pourrait consommer environ 20 % de puissance de calcul supplémentaire par rapport à la quantité de calcul de raisonnement surveillée.

Ces chiffres méritent largement d'être retenus par les marchés financiers.

Les dernières années dans l'industrie de l'IA ont été marquées par cette histoire : plus le modèle est puissant, plus sa valeur commerciale est élevée, ce qui justifie un investissement accru en GPU, centres de données et électricité. Mais Astra commence à montrer une autre courbe de coûts — plus le modèle est puissant, plus les coûts d'entraînement augmentent, et la sécurité, l'isolation, la surveillance et la gouvernance commencent également à consommer une quantité croissante de puissance de calcul.

Cela signifie que le modèle économique de la prochaine génération d'IA ne peut pas se limiter à calculer « le prix par million de tokens ».

Il faut également calculer le risque de perte de contrôle, la redondance de sécurité, l'approbation humaine, l'isolation des autorisations et les pertes réelles causées par les erreurs.

Un modèle qui aide à rédiger des e-mails qui commet une erreur ne peut causer qu'un certain embarras.

Une erreur commise par un Agent doté d'une mémoire à long terme, de capacités d'exécution de code et d'accès au réseau, pouvant manipuler des systèmes d'entreprise pendant plusieurs heures, est totalement différente en nature.

Plus une capacité est proche de celle d'un employé, plus la gestion des autorisations doit être proche de celle d'un employé ; dès qu'une capacité dépasse celle d'un employé ordinaire, les exigences de sécurité doivent même dépasser celles des employés.

Donc, le véritable défi d’Astra à OpenAI ne réside peut-être pas dans la « capacité à le réaliser ».

Mais peut-on transformer un tel système en un produit que les entreprises oseront déployer en environnement de production ?

La déclaration la plus audacieuse d'Altman lors de la prévisualisation privée a été qu'il prévoit qu'Astra pourrait devenir le premier modèle capable de "inventer quelque chose de véritablement important", et il a qualifié cette capacité de "très similaire à l'AGI".

This sentence certainly has a strong Altman style.

Aucune preuve publique ne démontre pour l'instant qu'Astra a créé de manière stable de nouvelles connaissances scientifiques importantes validées par la communauté scientifique, et OpenAI n'a pas encore publié suffisamment de résultats d'tests externes. Par conséquent, affirmer directement qu'Astra signifie que « l'AGI est arrivée » est à la fois inutile et dépourvu de fondement factuel.

Mais pourquoi Altman insiste-t-il particulièrement sur « la découverte de nouvelles connaissances » mérite une étude sérieuse.

C'est là que l'industrie de l'IA connaîtra véritablement une évolution exponentielle.

Si l'IA n'a pour rôle que d'aider les humains à améliorer l'efficacité de la programmation, de la conception et de l'analyse de fichiers, alors l'ensemble de l'industrie, aussi avancée soit-elle, reste fondamentalement une révolution des outils de productivité. Elle peut considérablement augmenter l'efficacité économique, mais dépend toujours principalement des humains pour décider de la prochaine recherche à entreprendre, comment concevoir les expériences et comment créer la prochaine génération de technologies.

Si l'IA peut participer à la recherche en IA elle-même, la logique change.

Un agent capable de lire des articles scientifiques, de proposer des protocoles expérimentaux, de modifier de grandes bases de code, d'exécuter des expériences et d'analyser les résultats, même s'il atteint seulement le niveau d'un stagiaire de recherche excellent, peut déjà augmenter la capacité de recherche effective d'un laboratoire de premier plan.

Aujourd'hui, 100 chercheurs peuvent peut-être faire fonctionner 500 agents en arrière-plan ; à l'avenir, le nombre d'expériences qu'un chercheur peut faire avancer simultanément chaque jour ne dépendra plus tant des 24 heures de la journée que de la puissance de calcul, du coût des expériences et de la capacité de validation.

Ainsi, un concept autrefois très abstrait — « l’IA aide à développer de meilleures IA » — commence à prendre forme.

C'est là que l'Astra mérite le plus d'attention, tout en restant le plus prudent possible.

Il existe toujours un énorme écart entre « mener des expériences conçues par d'autres » et « proposer activement de nouvelles directions de recherche pertinentes » ; cet écart est encore plus grand entre « générer une nouvelle idée qui semble raisonnable » et « produire des connaissances nouvelles, reproductibles, vérifiables et véritablement propres à faire progresser la science ».

16 agents pouvant travailler simultanément ne signifie pas 16 fois plus d'innovation.

Faire dix mille expériences par jour ne signifie pas qu'une percée se produira naturellement.

La science ne manque jamais d'hypothèses ; ce qui est vraiment rare, c'est de savoir quelles questions méritent d'être posées et quels résultats sont véritablement importants.

Astra a-t-elle franchi cette ligne ? Personne ne peut tirer de conclusion à partir d'une démonstration privée.

Ainsi, discuter maintenant de savoir si Astra est une AGI est un peu prématuré.

La définition du terme AGI est intrinsèquement très floue. La définition longtemps utilisée par OpenAI désigne un système hautement autonome capable de surpasser les humains dans la plupart des tâches ayant une valeur économique ; d'autres laboratoires, chercheurs et le grand public appliquent des critères totalement différents.

Plutôt que de débattre d'une étiquette, observez trois problèmes plus spécifiques.

Premièrement, pendant combien de temps Astra peut-elle assumer des tâches de manière autonome, et quel est son taux de fiabilité ?

Deuxièmement, une fois qu'il est déployé dans un environnement de production d'entreprise, combien de temps les humains doivent-ils consacrer à la vérification et à la correction ? Si un Agent travaille huit heures pour vous, mais qu'un ingénieur doit passer trois heures supplémentaires à le vérifier, son véritable gain de productivité est tout à fait différent de ce qui est montré dans les vidéos de démonstration.

Troisièmement, et surtout : peut-il faire passer la recherche automatisée de l’« exécution d’expériences » à la « découverte de nouvelles connaissances véritablement précieuses » ?

Les deux premières questions déterminent si Astra est une affaire énorme.

La troisième question détermine s'il s'agit d'un tournant d'une ère.

Du point de vue de cette porte, le mur de plantes vertes poussé à l'entrée du MB0 revêt un caractère symbolique. D'un côté, une trentaine de cadres clients observent pour la première fois des agents numériques susceptibles de travailler pour eux à long terme ; de l'autre, des manifestants exigent que l'industrie mette fin à la course à l'IA. Les deux camps ont des jugements diamétralement opposés sur l'avenir, mais reconnaissent tous deux un même fait : cette technologie devient plus puissante qu'auparavant.

Astra n'a pas encore été publié publiquement, et ses capacités internes n'ont pas été suffisamment vérifiées à l'extérieur. Il pourrait subir des retards, révéler de nombreux problèmes de fiabilité dans un environnement réel, ou ne pas s'approcher autant de l'AGI que Altman le décrivait.

Ces possibilités doivent toutes être conservées.

Mais un point devient de plus en plus clair.

La phase précédente de la concurrence entre les grands modèles consistait à savoir qui pouvait répondre le plus précisément aux questions que le monde connaissait déjà ; la phase suivante, représentée par Astra, commence à se demander qui peut agir de manière continue, accomplir indépendamment des tâches complexes et aider enfin l’humanité à explorer des questions auxquelles le monde ne connaît pas encore la réponse.

Entre les chatbots et les collègues virtuels s'élèvent quatre murs élevés : fiabilité, sécurité, coût et confiance organisationnelle.

Ce sur quoi OpenAI mise vraiment, c'est que Astra puisse les franchir un par un.

Et si cela se produisait vraiment, en regardant en arrière vers 2026, ce qui comptera vraiment ne sera peut-être pas la différence de points entre un modèle et les autres au classement.

Mais la machine commence pour la première fois à acquérir une capacité qui appartenait principalement aux humains : recevoir une tâche, puis la poursuivre elle-même jusqu'à son achèvement.

1. Alex Heath, « Inside OpenAI’s Reboot », TIME, 26 août 2026 (reproduit par 雅虎科技).
2. OpenAI, « Répondre à la prochaine frontière des capacités cybernétiques critiques », 7 août 2026. (OpenAI)
3. OpenAI, « Pacing model development in an era of cyber-critical capabilities », 18 août 2026. (OpenAI)
4. Cat Zakrzewski, Ian Duncan, Riley Beggin, « Sam Altman courtise Washington alors qu’OpenAI lance une nouvelle IA puissante », The Washington Post, 2026年7月31日. (The Washington Post)
5. Stanford Institute for Human-Centered AI, The 2026 AI Index Report — Economy, 2026. (斯坦福HAI)
6. METR, « Task-Completion Time Horizons of Frontier AI Models », mis à jour le 8 mai 2026. (METR)
7. METR, « Time Horizon 1.1 », 2026年1月29日. (METR)
8. Arrêtez la course à l'IA, « Occuper OpenAI / Arrêtez la course à l'IA », 2026. (stoptherace.ai)