OpenAI mobilise ses ressources clés pour créer un chercheur IA entièrement autonome

OpenAI change l'orientation de sa recherche et place son pari principal non plus sur le prochain chatbot, mais sur un chercheur IA autonome. L'entreprise veut un système capable de démêler des problèmes complexes pendant des semaines avec un minimum d'intervention humaine, et qui deviendra à terme un véritable « laboratoire dans un datacenter ».

Une nouvelle priorité

Selon Jakub Pachocki, directeur scientifique d'OpenAI, ce projet devient un objectif commun au sein de l'entreprise, autour duquel doivent converger les modèles de raisonnement, les systèmes d'agents et les outils d'interprétabilité. Le prochain jalon : présenter d'ici septembre 2026 un « stagiaire IA autonome », un système auquel on peut déléguer un ensemble limité de tâches de recherche représentant plusieurs jours de travail. L'étape suivante est fixée à 2028 : un système multi-agents entièrement automatisé, capable de s'attaquer à des problèmes trop vastes ou trop imbriqués pour une seule équipe humaine.

Pour OpenAI, il ne s'agit pas seulement d'un axe de recherche séduisant. L'entreprise ne donne plus seule le tempo du marché, comme à l'époque des premiers GPT, et rivalise désormais avec Anthropic et Google DeepMind non seulement sur la qualité des modèles, mais aussi sur ce que devient la pile produit qui les entoure. Le pari sur un chercheur IA ressemble à une tentative de dépasser l'assistant de conversation et de code pour construire la prochaine couche d'automatisation : un système qui ne se contente pas de répondre à une requête, mais mène lui-même un long travail, de la formulation de la tâche jusqu'à un résultat intermédiaire.

«

En gros, vous aurez un laboratoire de recherche entier dans un datacenter », affirme Pachocki.

Ce qui est déjà prêt

Chez OpenAI, on estime qu'un premier prototype de cette approche est déjà visible dans Codex. Cet outil d'agent sait écrire et exécuter du code, analyser des documents, tracer des graphiques, compiler des synthèses et prendre en charge de longues chaînes techniques que l'humain traitait auparavant à la main. Pachocki dit sans détour que l'entreprise veut prendre ce qui a fonctionné en programmation et transposer ce mode de travail à une classe de tâches plus large. La logique est simple : si un agent peut boucler de façon autonome des pans entiers du travail d'ingénierie, la même approche peut s'étendre à la science et à la recherche appliquée.

Du futur système, OpenAI n'attend pas une fonction « magique », mais un ensemble de compétences de recherche que l'on peut enchaîner :

• analyser de grands volumes de texte, de code et de notes
• proposer des hypothèses et des moyens de les vérifier
• découper un gros problème en sous-tâches et les mener en parallèle
• chercher des solutions en mathématiques, physique, biologie, chimie et dans des scénarios d'administration publique

Selon OpenAI, la base technique repose sur deux avancées. D'abord, les modèles généralistes tiennent plus longtemps leur objectif et leur contexte : le passage de GPT-3 à GPT-4 a déjà montré un net gain d'« endurance » sur une même tâche. Ensuite, les modèles de raisonnement, qui parcourent le problème étape par étape et savent revenir en arrière après une erreur, conviennent mieux aux longs cycles autonomes. En outre, les modèles sont entraînés spécifiquement sur des problèmes difficiles de mathématiques et de programmation afin d'apprendre à conserver un long contexte et à piloter plusieurs sous-tâches à la fois.

Où sont les points faibles

La question la plus évidente n'est pas l'ambition, mais la fiabilité. Des chercheurs indépendants reconnaissent que l'idée d'un scientifique IA autonome paraît un prolongement logique du succès des agents de programmation, mais préviennent : dès que le système doit exécuter non pas une étape mais une longue chaîne d'actions, la probabilité d'erreur à chaque étape s'accumule. Lors de tests de l'Allen Institute for AI, des modèles performants ont déjà montré un bon niveau sur des tâches scientifiques, mais se trompaient encore régulièrement.

Même si les versions récentes se sont améliorées, le problème ne disparaît pas : produire une bonne idée est une chose, mener de façon stable une recherche de plusieurs jours jusqu'à un résultat correct en est une autre.

Il existe aussi une couche de risques plus sévère. Pachocki explique qu'OpenAI mise sur la surveillance de la chaîne de raisonnement (chain-of-thought monitoring) : le modèle laisse une sorte de notes de travail au fil de la résolution, et d'autres modèles ou des chercheurs vérifient qu'il ne dérive pas vers un comportement dangereux ou simplement erroné. Mais il admet lui-même qu'il n'existe pas encore de contrôle total.

Un système autonome peut mal comprendre une consigne, sortir du cadre de sa tâche, devenir la cible d'une attaque ou accéder à des outils trop puissants. C'est pourquoi, selon lui, les versions réellement puissantes de ces agents devront être confinées dans des environnements isolés (sandbox) et bridées tant que les mécanismes de supervision ne seront pas bien plus fiables.

Ce que cela signifie

Si OpenAI réalise ne serait-ce qu'en partie ce plan, le prochain bond de l'IA viendra non pas de chatbots plus bavards, mais de systèmes auxquels on pourra déléguer des pans de travail intellectuel réel pendant des jours et des semaines. Mais c'est précisément là que se jouera l'épreuve principale : le marché croit volontiers à la progression rapide des agents, tandis que la science et la sécurité exigeront non pas un effet de démo, mais des résultats reproductibles sous contrôle humain.