OpenAI Codex pour les tâches longues : les méthodes de Jason Liu pour préserver le contexte

OpenAI a publié un article sur la façon dont Jason Liu, développeur et praticien de l'IA, utilise Codex pour des tâches longues en plusieurs étapes. Il y explique aussi pourquoi l'approche classique « un prompt, une réponse » ne fonctionne pas sur de vrais projets.

Pourquoi un seul prompt ne suffit pas

La plupart des usages des assistants de code IA portent sur des tâches courtes : corriger un bug, écrire une fonction, expliquer un bout de code. Le développement réel est plus complexe. Un projet accumule un historique de décisions, des dépendances entre modules, des conventions de style et d'architecture : autant d'éléments impossibles à faire tenir dans un seul prompt.

C'est là que la plupart des développeurs se heurtent à un mur. Il faut réexpliquer le contexte à chaque fois, et l'agent « ne se souvient pas » qu'on a décidé la veille d'abandonner une approche précise, ni que les tests ne couvrent qu'une partie des cas.

Codex d'OpenAI a été conçu pour fonctionner en mode agent : il peut exécuter des tâches de manière asynchrone, lancer des tests et itérer en fonction des résultats. C'est dans ce mode, comme exécutant à part entière et non comme outil d'autocomplétion, que Liu voit le plus grand potentiel de l'outil.

Les techniques du « codex-maxxing »

L'approche de Liu repose sur plusieurs pratiques qui permettent à Codex de « se souvenir » et de reprendre le travail d'une session à l'autre :

• Transmission de l'état — au début de chaque session, Codex reçoit un fichier structuré décrivant l'état actuel du projet, les décisions prises et les questions en suspens.
• Décomposition des tâches — les tâches volumineuses sont découpées en sous-arbres indépendants, que l'agent peut traiter chacun de façon autonome, sans avoir besoin du contexte complet du projet.
• Prompts de checkpoint — en fin de session, l'agent rédige un rapport récapitulant ce qui a été fait et ce qui reste inachevé. Ce rapport sert de point de départ à l'exécution suivante.
• Délégation de branches entières — plutôt que de contrôler chaque étape, le développeur décrit l'objectif et les critères d'acceptation, et Codex mène lui-même les itérations jusqu'à obtenir le résultat attendu.
• Verrouillage de l'environnement — les versions des dépendances et des outils sont strictement figées, afin que l'agent ne compromette pas la reproductibilité d'une exécution à l'autre.

Combinées, ces méthodes permettent à Codex de travailler pendant des heures sur des tâches complexes, sans présence constante du développeur.

Le rôle du développeur change

L'essentiel de l'approche de Liu ne tient pas aux astuces techniques, mais à un changement d'état d'esprit. Le développeur cesse d'être un exécutant pour devenir architecte des tâches. Sa compétence clé consiste désormais à décrire précisément l'intention, à gérer le contexte et à évaluer de façon critique le travail de l'agent, plutôt qu'à écrire le code à la main.

Un développeur qui sait « nourrir » correctement l'agent en contexte et formuler ses tâches devient nettement plus productif. Avec une bonne organisation, une seule personne peut piloter plusieurs branches en parallèle, chacune prise en charge par Codex.

Pourquoi OpenAI publie ce cas

L'article paraît alors qu'OpenAI met activement en avant les usages agentiques de Codex. Il s'inscrit dans un discours plus large : les outils d'IA passent du rôle d'assistant à celui d'exécutant autonome sur certains segments du travail.

Détail notable : Liu n'est pas un utilisateur lambda. Il a créé la bibliothèque Instructor, devenue le standard de facto pour obtenir des réponses structurées de la part des LLM. Sa vision des workflows agentiques s'appuie sur une expérience concrète du développement de systèmes d'IA, et non sur des promesses marketing.

Pour le marché du travail, cette publication signale un déplacement de la valeur. La demande pour les développeurs cantonnés aux tâches routinières va baisser. En revanche, celle pour les profils capables de décomposer des problèmes complexes, de construire le contexte des agents et de vérifier la qualité des résultats va augmenter.

Ce que cela signifie

Le cas de Liu est l'un des premiers exemples structurés montrant comment travailler concrètement avec des agents IA sur des projets complexes, et non sur des scénarios de démonstration. Si le mode agent de Codex s'impose dans les processus de travail standard, les compétences de « codex-maxxing » deviendront un outil indispensable pour tout développeur sérieux.