Third Moment : 10 000 agents IA actifs pendant 36 h et plus

Contexte

Third Moment Research est un laboratoire d'IA. D'après une étude de cas publiée par OpenAI, il bâtit des systèmes d'agents sur les modèles et les outils d'OpenAI, capables de travailler longtemps sans interruption. Le chiffre phare est élevé : plus de 10 000 agents actifs en même temps, pendant plus de 36 heures. La pile citée compte quatre briques : deux modèles, GPT-6 Astra et GPT-6.1 Sol, l'agent de code Codex, et Daybreak, tourné vers la cybersécurité.

L'objectif du laboratoire est net. Il veut des agents qui restent concentrés pendant des jours et s'améliorent à l'usage, au lieu de repartir de zéro à chaque tâche terminée. Une réserve s'impose. Les sources publiques ne disent rien de la répartition des rôles entre agents, des tâches exécutées, du coût de l'essai ni du taux de réussite. Tout ce qui dépasse ces faits relève de l'analyse, fondée sur les pratiques courantes d'ingénierie, et non d'une description de l'architecture interne de l'équipe.

Analyse approfondie

Les 36 heures comptent parce que la plupart des produits d'agents travaillent encore par courtes séquences. Une mission typique dure de quelques minutes à quelques dizaines de minutes : le modèle planifie, appelle des outils et rend un résultat dans une seule fenêtre de contexte. Étirez ce cadre à plusieurs dizaines d'heures, et quatre problèmes apparaissent.

Le premier est la dérive du contexte : les objectifs et contraintes du départ se diluent sous les informations plus récentes, et un agent peut s'écarter de sa consigne sans que personne ne le remarque. Le deuxième est l'accumulation d'erreurs. Chaque étape comporte un risque d'échec, donc la fiabilité s'érode à mesure que la chaîne s'allonge. Il faut des points de contrôle, des retours en arrière et des autovérifications. Le troisième est la gestion d'état : aucune exécution de cette durée ne tient dans une seule conversation, donc la progression doit vivre dans une mémoire externe, des journaux de tâches et un système de fichiers. Un agent interrompu reprend alors là où il s'était arrêté. Le quatrième est l'ordonnancement : avec 10 000 agents, les appels de modèle, les exécutions d'outils et les bacs à sable se comptent par milliers en parallèle, et une limite de débit ou une panne à un seul étage peut se propager à toute la flotte.

Tenir plus de 36 heures suggère donc que la couche d'orchestration et de tolérance aux pannes a atteint une maturité utile. L'expression « s'améliorer à l'usage » demande aussi de la prudence. En pratique, elle désigne souvent des enseignements tirés des exécutions passées, conservés sous forme de mémoire réutilisable, de compétences ou de données d'évaluation, pour que les agents suivants gaspillent moins d'efforts. C'est un apprentissage au niveau du système. Il ne signifie pas forcément que les poids du modèle changent, et la source ne précise pas ce que vise Third Moment.

Impact sur l'industrie

L'association des composants laisse deviner une division du travail. Les grands modèles raisonnent et décident. Codex transforme les décisions en programmes, scripts et flux automatisés. Daybreak oriente cette capacité vers la sécurité, un domaine à forte valeur et à fort risque. La cybersécurité sert d'ailleurs de banc d'essai naturel aux agents de longue durée : la recherche de vulnérabilités, l'analyse de journaux et les exercices d'attaque et de défense récompensent la patience, la répétition et une couverture large. Le temps humain y coûte cher, alors que les machines travaillent sans repos. Le même cadre exige pourtant un contrôle strict : chaque action d'un agent doit être auditable et limitée en périmètre, sinon plus de capacité signifie simplement plus de risque.

Pour les développeurs et les acheteurs en entreprise, l'étalon pourrait changer. Aujourd'hui, on regarde la qualité d'une réponse isolée. Un cas comme celui-ci déplace l'attention vers la stabilité sur une longue exécution, la capacité à reprendre après une panne et le coût par tâche menée à bien. Pour les éditeurs concurrents de modèles et d'agents, le travail de longue haleine devient un nouveau terrain de compétition, où les scores de benchmark disent peu. Ce qui convainc, c'est de maintenir une mission complexe jusqu'à son terme.

Pour le secteur de la sécurité, l'effet joue dans les deux sens. Les défenseurs peuvent déployer des flottes d'agents pour inspecter à grande échelle. Les attaquants pourraient employer des moyens comparables pour gagner en rapidité. Le contrôle d'accès, la revue des usages et la diffusion responsable gagnent donc en importance pour tout outil orienté sécurité, Daybreak compris.

Perspectives

Quatre signaux méritent d'être suivis. Le premier : OpenAI fera-t-il de cette orchestration à grande échelle et de longue durée un produit ? Des files de tâches, des stockages de mémoire, des points de contrôle et des interfaces de supervision éviteraient à d'autres équipes de tout reconstruire. Le deuxième : le coût. Faire tourner 10 000 agents pendant 36 heures implique une facture de calcul lourde, et le modèle ne quittera le laboratoire que si le coût par tâche tombe à un niveau acceptable pour des entreprises ordinaires. Aucun chiffre n'a été publié.

Le troisième : l'évaluation. Le domaine a besoin de benchmarks qui mesurent l'achèvement de tâches s'étalant sur des jours, et d'un moyen fiable de savoir si un agent progresse réellement ou en donne seulement l'impression. Le quatrième : la gouvernance. Les règles d'autorisation, les pistes d'audit et la prévention des abus pour des outils comme Daybreak diront beaucoup de la façon responsable dont cette capacité se diffusera.

La direction du cas est claire : la concurrence entre agents passe de la qualité des réponses à la capacité de terminer le travail, de façon fiable et sûre, sur une longue durée. Tant que d'autres détails ne sont pas publiés, un seul cas ne doit pas être pris pour la norme du secteur.