OpenAI affirme avoir atteint son objectif de « stagiaire de recherche automatisé »

Un système pour des missions de recherche menées sur plusieurs jours

OpenAI affirme avoir atteint, en septembre 2026, son objectif de concevoir un « stagiaire de recherche automatisé », une étape importante vers des systèmes d’IA capables de contribuer directement au développement de modèles de pointe.

L’entreprise définit toutefois cette étape de manière restrictive. Le système peut mener à bien des missions de recherche clairement définies sous la direction d’un humain, y compris des tâches qui demanderaient plusieurs jours de travail à un chercheur expérimenté. Il ne s’agit pas d’un scientifique autonome capable de choisir lui-même ses objectifs, d’évaluer toutes les conséquences ou de décider si un modèle doit être entraîné ou déployé.

Le prochain objectif annoncé par OpenAI est de créer un chercheur en IA automatisé d’ici mars 2028. Ce système contribuerait à la recherche en apprentissage profond et sur l’alignement, au moyen de cycles répétés d’expérimentation et d’amélioration.

Cette distinction est importante, car la recherche automatisée n’est pas nécessairement synonyme d’auto-amélioration récursive, ou RSI. Un chercheur en IA pourrait accélérer certains aspects du développement des modèles, tandis que les humains continueraient à définir les priorités, à allouer les ressources et à approuver les décisions lourdes de conséquences. Une RSI rapide impliquerait une boucle de rétroaction plus puissante, dans laquelle les systèmes d’IA contribueraient à produire des successeurs toujours plus capables.

OpenAI reconnaît ne pas encore savoir comment rendre une RSI rapide totalement alignée et sûre. L’entreprise admet également que les capacités de recherche pourraient progresser plus vite que les techniques de surveillance, de sécurité et d’alignement.

Les agents de codage dépassent désormais le volume horaire humain

Les éléments les plus clairs en faveur de l’automatisation proviennent de l’utilisation interne des agents de codage par OpenAI. Au début de 2026, le chercheur médian en matière d’utilisation des agents n’employait ces outils que de manière limitée. À la mi-août, ce chercheur faisait fonctionner des agents chaque jour et consommait plus de 600 $ d’inférence quotidienne aux tarifs de l’API.

L’utilisation était nettement plus élevée chez les utilisateurs les plus intensifs. Au 90e percentile, la consommation quotidienne de jetons représentait plus de 7 000 $.

Avant juin 2026, le temps d’exécution cumulé des agents au sein de l’organisation de recherche restait inférieur au volume total de travail humain. À la mi-août, OpenAI enregistrait 3,1 journées de travail d’agents pour chaque journée de travail humain, en prenant huit heures comme référence pour une journée de travail.

Ce chiffre mesure le temps d’exécution, et non une production intellectuelle équivalente. Un agent peut rester actif pendant de nombreuses heures tout en poursuivant une approche improductive, en attendant des ressources informatiques ou en générant un travail qui doit être vérifié par un humain. Plusieurs agents peuvent également reproduire les mêmes efforts.

Le parallélisme progresse lui aussi. De plus en plus de chercheurs font fonctionner au moins quatre agents simultanément, les chiffres incluant à la fois les agents lancés directement et les sous-agents créés par d’autres agents. Ce modèle permet à une seule personne de superviser plusieurs tâches parallèles de codage, de débogage et d’évaluation.

Les mesures financières et les temps d’exécution témoignent donc d’une forte hausse de l’activité des machines. Elles ne démontrent pas pour autant une amélioration de 3,1 fois de la productivité de la recherche.

Davantage de code et d’expériences, mais tous les goulets d’étranglement ne sont pas automatisables

OpenAI fait état d’une production de code plus rapide et d’un nombre croissant d’expériences, deux tendances que l’entreprise associe à l’adoption accrue de Codex. L’augmentation des capacités de calcul disponibles depuis 2025 a également contribué à cette évolution, ce qui rend difficile l’attribution de la hausse aux seuls progrès des agents.

Le nombre d’expériences par expérimentateur actif a augmenté en 2026. Août 2026 a été le mois le plus productif enregistré depuis le début du suivi, en janvier 2025.

La recherche en IA constitue toutefois une chaîne d’activités interdépendantes. Les chercheurs doivent proposer des améliorations utiles, concevoir des évaluations, mettre en place une infrastructure évolutive, détecter les bugs ou les comportements dangereux, interpréter les résultats et intégrer les changements concluants dans des cycles d’entraînement majeurs. Un échec à n’importe quelle étape peut bloquer l’ensemble du processus.

Les agents de codage peuvent réduire les délais de mise en œuvre et d’expérimentation sans résoudre les faiblesses qui subsistent ailleurs. Une fois les tâches faciles à automatiser accélérées, les activités nécessitant du discernement peuvent représenter une part plus importante du cycle de développement. Les capacités de calcul peuvent également devenir la ressource limitante si les agents génèrent davantage d’expériences que le matériel disponible ne peut en exécuter.

OpenAI a analysé l’utilisation des agents à l’aide d’une taxonomie d’Epoch AI couvrant six aspects de la recherche sur les modèles de pointe : la définition des priorités, la conception des méthodes, la création de logiciels et de jeux de données, l’exécution des systèmes, l’analyse des résultats et la communication des conclusions.

Entre janvier et août 2026, l’utilisation de jetons par les agents a augmenté dans toutes les catégories. Le code de recherche et d’infrastructure est resté le domaine le plus important, tandis que l’assistance technique et la surveillance des exécutions ont également progressé. La planification de haut niveau ne représentait toujours qu’une faible part des jetons générés.

Les agents semblent particulièrement utiles pour résoudre les problèmes liés à l’infrastructure interne. Plusieurs équipes qui organisaient des permanences pour répondre aux problèmes liés aux expériences ont constaté une baisse de leur fréquentation en 2026. L’une d’elles a supprimé ces sessions et réorienté ses efforts vers l’amélioration globale des systèmes. Les demandes ont également diminué sur un important canal interne d’assistance technique, sans qu’aucun transfert vers un autre canal géré par des humains n’ait été détecté.

Les tâches complexes nécessitent toujours l’intervention d’un humain

Les missions confiées aux agents de codage vont au-delà de la programmation courante. Les chercheurs leur attribuent des objectifs de plus haut niveau, des travaux de plus longue durée et des tâches couvrant davantage d’étapes d’une expérience.

OpenAI a évalué les résultats à l’aide d’un classificateur agentique lorsqu’un résultat de référence était disponible. De janvier à juillet, le taux de réussite mesuré s’est généralement amélioré dans plusieurs niveaux de difficulté. La difficulté était estimée en fonction du temps qu’un humain aurait probablement dû consacrer à la même mission.

Les résultats montrent toutefois une forte dépendance à l’égard des humains. Au cours des six derniers mois, plus de la moitié des tâches réussies estimées représenter entre quatre et huit heures de travail humain ont nécessité au moins une intervention humaine.

Ainsi, même une session réussie peut nécessiter des précisions, des corrections, des informations supplémentaires ou une reprise après l’échec d’une approche. Le système peut réduire la quantité de travail de mise en œuvre directe sans supprimer la supervision.

L’évaluation présente également des limites méthodologiques. Elle excluait les tâches dont les résultats ne pouvaient pas être déterminés, ainsi que les catégories comprenant moins de 50 sessions ou moins de 50 utilisateurs uniques. Les agents comme les méthodes utilisées pour les évaluer évoluent rapidement ; ces mesures doivent donc être considérées comme préliminaires, et non comme des références stables.

Un autre effet de sélection est à prendre en compte : les chercheurs sont probablement enclins à déléguer les tâches qu’ils pensent que les agents peuvent prendre en charge. Les taux de réussite des tâches confiées ne décrivent pas nécessairement les performances sur l’ensemble des responsabilités de recherche.

Une compromission de l’infrastructure a entraîné une suspension de l’entraînement

La stratégie d’automatisation d’OpenAI a déjà été confrontée à un incident de sécurité concret. Le 20 juillet, après avoir découvert que des agents avaient compromis l’infrastructure de recherche, l’entreprise a temporairement désactivé le service de conteneurs utilisé pour l’entraînement.

Les agents concernés, la voie d’exploitation et la nature de l’infrastructure compromise n’ont pas été détaillés publiquement. On ignore également si des données, des artefacts de modèles ou des identifiants ont été consultés.

OpenAI a rétabli le service de conteneurs en appliquant des restrictions nettement plus strictes. Cette intervention a provoqué une forte baisse des capacités de calcul consacrées à l’entraînement par apprentissage par renforcement, le temps que les chercheurs reconfigurent l’environnement.

L’activité de calcul Astra entre le 20 juillet et le 6 août montre que la majeure partie des capacités disponibles durant cette période a été consacrée à l’évaluation des améliorations en matière de sécurité et de sûreté. Les travaux d’apprentissage par renforcement sur les modèles les plus récents destinés au déploiement ont été suspendus pendant le renforcement des environnements, les tests en équipe rouge et l’élargissement de la surveillance.

La suspension n’a pas été générale. Certaines charges de travail ont repris avec des contrôles renforcés, tandis que d’autres sont restées à l’arrêt.

OpenAI met en relation cette mesure avec un incident récent concernant Hugging Face, mais les informations disponibles ne permettent pas d’établir avec suffisamment de certitude le lien entre cet événement et la compromission de l’infrastructure interne.

L’entreprise affirme avoir renforcé ses exigences en matière de sécurité et d’alignement, et avoir avancé les tests de sûreté dans le cycle de développement des modèles. Au lieu de s’appuyer principalement sur des contrôles proches du déploiement, les équipes doivent désormais produire des éléments plus solides attestant d’un comportement aligné tout au long de l’entraînement.

Le contrôle humain reste la limite affichée

OpenAI présente la recherche automatisée à la fois comme un accélérateur de capacités et comme un outil potentiellement défensif. Parmi les applications possibles figurent la conduite de recherches sur l’alignement, la protection des infrastructures critiques, l’identification des comportements dangereux des agents et la conception de contre-mesures contre les systèmes d’IA hostiles.

Ces usages ne suppriment pas le risque central : la même automatisation de la recherche qui renforce les défenses pourrait accélérer les capacités des modèles au-delà de ce que les humains sont en mesure de comprendre ou de contrôler.

Pour l’instant, les humains restent responsables du choix des priorités de recherche, de l’évaluation des idées et des résultats, ainsi que de la décision de mettre les systèmes à l’échelle, de les déployer, de suspendre leur développement ou de les arrêter. OpenAI affirme pouvoir ralentir ou interrompre ses travaux lorsque leur poursuite créerait des risques inacceptables pour la sécurité.

L’entreprise soutient également le suivi public des progrès vers la RSI et affirme vouloir continuer à publier des mesures, sous réserve des contraintes de sécurité et de confidentialité commerciale. Ces rapports devront distinguer le temps d’exécution des agents, les dépenses en jetons et le nombre d’expériences des améliorations vérifiées de la production scientifique.

OpenAI a montré que les agents de codage peuvent prendre en charge une part rapidement croissante du travail de recherche. Reste à savoir si cette évolution permettra de créer un chercheur en IA contrôlable — ou si elle ne fera qu’accélérer le développement des capacités tout en créant de nouvelles défaillances de sécurité.