Third Moment : 10 000 agents IA actifs plus de 36 h

Contexte

Le 14 octobre 2026, OpenAI a publié sur son site officiel une étude de cas client consacrée à Third Moment Research, un laboratoire d'IA. Selon ce texte, le laboratoire a fait fonctionner 10 000 agents IA en parallèle, et ces agents ont travaillé pendant plus de 36 heures. Les outils cités sont GPT-6 Astra, GPT-6.1 Sol, Codex et Daybreak, ce dernier étant destiné aux usages de cybersécurité.

L'objectif affiché est net : concevoir des agents capables de rester concentrés pendant plusieurs jours et de s'améliorer à l'usage. Une précaution s'impose d'emblée. Il s'agit d'un témoignage client publié par le fournisseur, donc tourné vers la mise en valeur des résultats. Les types de tâches, les taux de réussite et la répartition des coûts ne figurent pas dans les éléments disponibles. Cet article s'en tient aux faits connus et n'ajoute aucune donnée que la source n'a pas fournie.

Analyse approfondie

Comment maintenir 10 000 agents IA actifs pendant plus de 36 heures ? La source ne décrit pas la méthode. La réponse qui suit relève donc des pratiques d'ingénierie usuelles, pas d'une affirmation sur Third Moment Research. Un agent de longue durée combine en général plusieurs mécanismes : l'état intermédiaire est écrit dans un stockage externe, des points de contrôle permettent de reprendre une tâche après un échec, le contexte est résumé pour que l'objectif principal ne se dilue pas, et des relances automatiques ainsi que des autovérifications corrigent les dérives.

Une exécution longue pose un autre problème qu'une conversation courte. Plus un agent travaille longtemps, plus son contexte gonfle et s'écarte de la consigne initiale. Les petites erreurs du début sont amplifiées par les étapes suivantes. Les appels d'outils se heurtent à des délais dépassés, à des changements d'API et à des environnements instables. Avec 10 000 agents sur 36 heures, ces incidents deviennent permanents, et la reprise doit être automatique.

L'expression « s'améliorent à l'usage » désigne plus probablement la conversion des traces d'exécution en expérience, en compétences ou en mémoire, réinjectées dans les tâches suivantes. Elle ne signifie pas forcément un réentraînement des poids du modèle. La source ne donne aucun détail sur ce point. Côté outils, Codex lit et écrit du code dans un bac à sable et exécute des commandes, ce qui en fait une couche d'exécution plausible. Le partage des rôles entre GPT-6 Astra et GPT-6.1 Sol n'est pas précisé. On peut supposer que l'un planifie et juge tandis que l'autre exécute à haute fréquence, mais ce n'est qu'une hypothèse. Daybreak renvoie à la cybersécurité, un domaine où la recherche de vulnérabilités, l'analyse de journaux et la surveillance continue exigent un suivi long.

Impact sur l'industrie

Une échelle de 10 000 agents sur plus de 36 heures déplace la concurrence du score de benchmark vers la capacité d'ingénierie. On comparait les modèles sur la justesse d'une réponse. On demande désormais si le système produit des résultats utiles sans surveillance, combien de calcul coûte chaque résultat utile et à quelle fréquence un humain doit intervenir.

Cette pression touche d'abord les éditeurs de plateformes d'agents, qui doivent progresser sur l'ordonnancement, la limitation de débit, l'observabilité et la maîtrise des coûts. Avec 10 000 agents simultanés, les quotas d'API et le coût d'inférence deviennent très sensibles. Le fournisseur qui abaissera le coût par tâche vendra plus facilement des agents de longue durée comme service.

Pour le secteur de la sécurité, cette capacité est à la fois une opportunité et une menace. Les défenseurs peuvent automatiser à grande échelle la découverte de failles et la réponse aux incidents. Les attaquants peuvent reprendre la même logique. Le contrôle d'accès et la détection des abus gagnent donc en importance. Pour les entreprises clientes, le critère d'achat pourrait passer de l'intelligence du modèle à l'auditabilité, à la réversibilité et à la capacité d'arrêter vite un système défaillant. Les autres grands fournisseurs, qui développent eux aussi des agents et des outils de code, devront présenter des preuves à la même échelle, pas seulement des vidéos de démonstration.

Perspectives

Plusieurs signaux méritent d'être suivis. Third Moment Research publiera-t-il des mesures plus fines : taux d'achèvement des tâches, nombre d'interventions humaines, coût par tâche ? Il faudra aussi voir si la durée peut passer de plus de 36 heures à de véritables exécutions de plusieurs jours. Sans ces chiffres, « 10 000 agents » et « plusieurs jours » décrivent surtout une échelle et une ambition.

Le mécanisme d'amélioration à l'usage devra ensuite résister à l'épreuve. Une expérience stockée peut figer des erreurs, et la manière d'isoler ou de partager cette expérience entre agents reste inconnue. Les deux points pèsent sur la fiabilité.

Enfin, dans les domaines à risque comme la cybersécurité, les niveaux de permission, l'isolation en bac à sable et l'audit des comportements deviendront-ils la norme ? Les régulateurs devront aussi décider comment traiter des systèmes autonomes sur de longues périodes, et des évaluations publiques comparables devront apparaître. Si ces lacunes se comblent, les agents de longue durée pourraient passer de la vitrine de laboratoire aux flux de travail quotidiens des entreprises. Sans maîtrise des coûts et des risques, l'échelle ne suffira pas à créer une valeur commerciale stable.