Third Moment Research : 10 000 agents IA en continu

Contexte

OpenAI a récemment publié un témoignage client consacré à Third Moment Research, un laboratoire d'IA qui exploite des agents à très grande échelle. Le laboratoire combine GPT-6 Astra, GPT-6.1 Sol et Codex. Il utilise aussi Daybreak, un produit orienté vers la cybersécurité. Le récit avance deux chiffres clés : environ 10 000 agents, et des exécutions de plus de 36 heures. L'objectif affiché est de bâtir des agents capables de rester concentrés pendant des jours et de s'améliorer à l'usage.

Cette publication date de la mi-octobre 2026. Les éditeurs font alors passer les agents de la démonstration à la production, et ce cas s'inscrit dans ce mouvement. Il ne s'agit pas de réussir une belle démo isolée. Il s'agit de faire travailler les agents comme des collaborateurs de long terme, qui conservent ce qu'ils apprennent et font mieux au tour suivant.

Une limite s'impose d'emblée. Le résumé public ne précise ni les types de tâches, ni les taux de réussite, ni les coûts. Cet article lit donc l'histoire à partir des informations publiées et des pratiques d'ingénierie bien connues. Il ne devine aucun chiffre que la source omet.

Analyse approfondie

Comment Third Moment Research parvient-il à faire tourner 10 000 agents IA pendant plus de 36 heures ? La source ne décrit pas la méthode en détail. Elle nomme les outils : GPT-6 Astra, GPT-6.1 Sol, Codex et Daybreak. Elle indique l'échelle : environ 10 000 agents et des exécutions dépassant 36 heures. Au-delà, tout mécanisme relève de l'inférence à partir de pratiques courantes, pas d'un fait divulgué. Une exécution longue et une conversation courte posent deux problèmes d'ingénierie distincts. Quelques minutes de travail testent la qualité de raisonnement du modèle. Trente-six heures ou plus testent la durabilité. La fenêtre de contexte se remplit de sorties d'outils et de brouillons. Les objectifs initiaux s'estompent derrière les détails tardifs. Un agent peut tourner en boucle sur la même tentative ratée, ou s'écarter discrètement de sa mission. Les équipes répondent généralement par plusieurs mesures combinées : découper le travail en étapes vérifiables, écrire l'état essentiel dans une mémoire externe, sauvegarder des points de reprise, et ajouter une étape de contrôle indépendante.

Les produits cités suggèrent une répartition des rôles. Codex travaille dans des environnements de code : il lit et écrit des fichiers, exécute des commandes et itère, ce qui convient à la couche d'exécution. GPT-6 Astra et GPT-6.1 Sol sont deux modèles distincts. Ils pourraient assumer la planification et l'exécution à haut volume, même si la source ne le dit pas. Confier les étapes simples à un modèle plus léger est un moyen courant de contenir les coûts à cette échelle. L'expression « s'améliorer à l'usage » demande aussi de la prudence. Elle n'implique pas forcément de nouveaux poids de modèle. Plus souvent, les réussites, les échecs et les procédures d'outils réutilisables sont stockés dans une base de connaissances, des modèles de prompts ou une bibliothèque de compétences, dont héritent ensuite les agents suivants. Une grande flotte aide ici : avec 10 000 instances, le système voit plus vite quelles stratégies tiennent. Daybreak n'est décrit que comme un outil de cybersécurité. Ce domaine convient aux agents de longue durée, car la recherche de failles, l'analyse de journaux et la cartographie de la surface d'attaque exigent une exploration continue et des vérifications répétées. Il impose aussi des permissions strictes et une traçabilité claire.

Impact sur l'industrie

Pour les éditeurs de modèles, la compétition s'éloigne des scores de benchmark ponctuels. La durée d'exécution, l'échelle de parallélisme et la stabilité comptent davantage. Celui qui offre des exécutions longues fiables a plus de chances de devenir la plateforme de base des agents d'entreprise. OpenAI a choisi un témoignage client plutôt qu'un tableau de paramètres pour défendre ce point. Ce choix indique qu'elle veut prouver la valeur de l'ensemble modèles et outils sous une charge réelle, et non d'un modèle seul.

Pour les autres laboratoires et les jeunes pousses, la barre monte. Construire un agent revenait surtout à écrire des prompts et à brancher des outils. Il faut désormais gérer aussi l'ordonnancement, la tolérance aux pannes, la comptabilité des coûts et l'observabilité. Cela ressemble davantage à de l'ingénierie de systèmes distribués qu'à de la rédaction de prompts. Les concurrents et les frameworks d'agents open source poussent eux aussi vers les tâches longues. Ils se distingueront par le coût d'exploitation, la profondeur d'intégration aux environnements de développement existants et la maturité du traitement des échecs.

En cybersécurité, un agent spécialisé comme Daybreak peut automatiser une grande part des investigations répétitives des défenseurs. La même capacité pourrait servir des attaquants. Le contrôle d'accès, l'audit d'usage et la répartition des responsabilités structureront donc la conception de ces produits. Pour les entreprises clientes, la leçon est pratique. Ne demandez pas seulement si le modèle est intelligent. Demandez si le système peut mener à bien une tâche de plusieurs jours, s'il permet un retour arrière après une erreur, et si chaque étape reste traçable.

Perspectives

Plusieurs points méritent l'attention. D'abord, Third Moment Research publiera-t-il des indicateurs plus précis ? Le taux d'achèvement des tâches, la fréquence des interventions humaines et le coût moyen par agent seraient utiles. Savoir si les exécutions peuvent dépasser 36 heures et atteindre plusieurs jours serait tout aussi précieux. Sans ces chiffres, impossible de dire si les agents de longue durée constituent une compétence d'ingénierie reproductible ou un résultat limité à des cas étroits. Ensuite, comment la boucle d'amélioration à l'usage fonctionnera-t-elle concrètement ? Si elle repose sur une mémoire externe et des compétences sauvegardées, le risque principal est qu'une mauvaise leçon se fige et contamine toute la flotte. Si elle passe par un réentraînement du modèle, la gouvernance des données et les méthodes d'évaluation deviennent les enjeux centraux. L'échelle apporte aussi des obligations de sécurité et de conformité : permissions minimales pour chaque agent, journaux d'actions complets et coupe-circuit en cas de comportement anormal. Elles pèsent le plus dans un domaine à haut risque comme la cybersécurité. Enfin, le coût orientera la conception. Faire tourner 10 000 agents pendant 36 heures ou plus consomme beaucoup de calcul. Panacher les tailles de modèles et confier les étapes déterministes à de simples scripts pourrait être la voie principale pour réduire la facture.

Si ces questions trouvent de bonnes réponses, les agents de longue durée pourraient quitter le laboratoire pour entrer dans le quotidien des entreprises, du développement logiciel aux opérations de sécurité et à la recherche. Si la fiabilité et le coût restent hors d'atteinte, les acheteurs reviendront probablement à une collaboration plus prudente entre humains et agents. Dans les deux cas, ce dossier montre que la prochaine étape de la compétition se jouera sur une ingénierie durable, coordonnée et auditable.