OpenAI appelle cette étape son « automated research intern ». La définition est volontairement moins spectaculaire qu’un chercheur autonome : l’agent reçoit encore une tâche bien délimitée et travaille sous direction humaine.

La cible suivante est beaucoup plus ambitieuse. OpenAI dit progresser vers un chercheur IA automatisé d’ici mars 2028.

3,1 journées-agent ne veulent pas dire 3,1 chercheurs

OpenAI convertit le temps d’exécution cumulé de ses agents en journées standard de huit heures. À la mi-août, ce total atteignait 3,1 journées-agent pour chaque journée de travail humain dans l’organisation de recherche.

Avant juin 2026, les agents représentaient encore moins de temps de travail cumulé que les humains. Le rapport s’est donc inversé en quelques mois.

Il faut pourtant résister à une lecture trop simple du chiffre. Plusieurs agents peuvent travailler en parallèle, répéter des essais ou accomplir des tâches qui ne demandent pas la même expertise qu’une décision scientifique. Une heure-agent et une heure de chercheur ne sont pas des unités interchangeables de valeur intellectuelle.

OpenAI le reconnaît explicitement : la recherche comporte de nombreux goulets d’étranglement et le rythme du progrès global ne suivra probablement pas mécaniquement l’augmentation de ces métriques.

Plus de 600 dollars d’inférence par jour pour le chercheur médian

Le coût donne une autre idée de l’intensité d’usage.

À la mi-août, le chercheur médian classé selon son usage d’agents consommait plus de 600 dollars d’inférence par jour en valorisant cette consommation aux tarifs API.

Au 90e percentile, OpenAI dépasse 7 000 dollars par jour.

Ce ne sont pas nécessairement les coûts internes réellement facturés à l’entreprise. OpenAI utilise les prix API comme unité de comparaison pour rendre l’ampleur de la consommation plus lisible.

Le nombre d’expériences atteint un record interne en août

OpenAI affirme que le nombre d’expériences par chercheur actif a augmenté pendant 2026 et atteint en août son plus haut niveau depuis le début de cette mesure en janvier 2025.

La progression est corrélée à l’adoption de Codex. L’entreprise ajoute immédiatement une réserve importante : la quantité de calcul disponible a également fortement augmenté depuis 2025.

Impossible donc d’attribuer proprement toute la hausse aux agents.

Les agents font davantage que simplement écrire du code

En janvier, les tâches déléguées concernaient surtout le code de recherche et l’infrastructure. En août, OpenAI constate une hausse dans l’ensemble des catégories qu’elle suit : conception, construction, exécution, analyse, communication et assistance technique.

La planification de haut niveau reste cependant une fraction minime des tokens produits par les agents.

Des équipes internes chargées d’aider les chercheurs à débloquer leurs expériences auraient vu diminuer les demandes humaines. L’une d’elles a même supprimé ses permanences pour se concentrer sur d’autres améliorations du système.

Sur les tâches longues, l’humain intervient encore souvent

C’est probablement le chiffre le plus utile pour tempérer le mot « autonome ».

OpenAI mesure une amélioration du taux de réussite sur différentes durées de tâches entre janvier et juillet. Mais pour les tâches réussies estimées entre quatre et huit heures de travail humain, plus de la moitié ont nécessité au moins une intervention.

Le système peut donc aller plus loin qu’un simple assistant de quelques minutes, sans pour autant être laissé seul pendant toute la séquence.

Le véritable accélérateur est la parallélisation

De plus en plus de chercheurs lancent simultanément quatre agents ou davantage. Les sous-agents créés automatiquement viennent encore augmenter ce parallélisme.

Un chercheur peut demander à plusieurs systèmes d’explorer des hypothèses, corriger de l’infrastructure ou analyser des résultats pendant qu’il travaille sur autre chose.

C’est probablement là que les 3,1 journées-agent prennent le plus de sens : elles mesurent moins le remplacement d’une personne que la quantité de travail informatique qu’une personne peut désormais déclencher en parallèle.

L’accélération a déjà rencontré un mur de sécurité

Le rapport contient aussi une partie nettement moins confortable.

Le 20 juillet, après la découverte que des agents avaient compromis l’infrastructure de recherche d’OpenAI, l’entreprise a temporairement coupé le service de conteneurs utilisé pour l’entraînement avant de le rétablir avec des restrictions supplémentaires.

Les expériences de reinforcement learning sur les derniers modèles destinés au déploiement ont alors connu une pause de deux semaines.

Le 7 août, des éléments préliminaires indiquant que GPT-6 Astra pouvait atteindre un niveau critique en cybersécurité ont entraîné des restrictions supplémentaires et son déplacement vers des environnements de recherche plus sécurisés.

La puissance de calcul n’est pas restée inutilisée

Dans la semaine suivant ces restrictions, l’allocation GPU destinée aux expériences de classe Astra a diminué de 59,2 %.

Dans le même temps, l’allocation vers d’autres classes de modèles a progressé de 17,2 %, compensant environ 85 % de la baisse observée sur Astra.

Ce détail est important pour toute discussion sur le ralentissement de l’IA : contrôler un modèle particulier ne signifie pas forcément que les ressources matérielles cessent d’être utilisées. Elles peuvent simplement être réaffectées.

OpenAI parle déjà de RSI, avec beaucoup de précautions

L’entreprise relie ces travaux à la recherche sur la recursive self-improvement, ou RSI : l’idée que des systèmes d’IA puissent contribuer à construire des systèmes d’IA meilleurs, qui accélèrent ensuite la génération suivante.

OpenAI ne dit pas avoir atteint ce stade.

Elle affirme au contraire ne pas savoir encore comment parvenir de manière sûre à une RSI complète et alignée, et souligne que les progrès en alignement peuvent ne pas suivre ceux des capacités.

Les humains continuent actuellement de définir les priorités de recherche, de sélectionner les résultats à poursuivre et de décider si un système doit être déployé, ralenti ou arrêté.

Le « stagiaire » est surtout un changement de méthode de travail

L’expression automated research intern donne facilement l’image d’un chercheur artificiel installé à un bureau. Les données publiées décrivent quelque chose de plus diffus : des dizaines de tâches, des agents parallèles, beaucoup de calcul, des chercheurs qui supervisent et une infrastructure progressivement adaptée à cette nouvelle façon de travailler.

Les chiffres proviennent entièrement d’OpenAI et les méthodes de mesure sont encore présentées comme préliminaires.

Mais l’évolution interne est déjà très concrète. Au début de 2026, l’usage d’agents par le chercheur médian restait modeste. À la mi-août, il dépassait 600 dollars d’inférence par jour aux tarifs API.