Third Moment Research : 10 000 agents IA pendant 36 h+

Contexte

OpenAI a publié sur son site une étude de cas consacrée à Third Moment Research, un laboratoire d'IA. Il utilise GPT-6 Astra, GPT-6.1 Sol, Codex et Daybreak, un produit orienté cybersécurité, pour bâtir des agents capables de rester concentrés plusieurs jours et de s'améliorer à l'usage. Le cas date du 14 octobre 2026 et met en avant deux chiffres : 10 000 agents, en marche pendant plus de 36 heures.

Le but n'est pas un assistant de conversation plus aimable. Le laboratoire veut que de nombreux agents gardent le cap sans surveillance étape par étape, et que les leçons de chaque exécution servent au cycle suivant. Les documents publics ne disent pas ce que ces agents ont accompli, ni à quel coût, ni avec quel taux de réussite. Ce cas se lit donc comme un signal d'orientation, pas comme un banc d'essai reproductible.

Analyse approfondie

Pourquoi une exécution de 36 heures est-elle plus difficile qu'une exécution de dix minutes ? Parce qu'elle fait apparaître quatre problèmes d'ingénierie que les essais courts masquent.

La dérive de contexte noie les objectifs initiaux sous le bruit. L'accumulation d'erreurs transforme une faible probabilité d'échec par étape en échec probable sur des milliers d'étapes, d'où les points de contrôle et l'autovérification. La gestion d'état exige d'écrire la progression et les hypothèses dans un stockage externe, pour reprendre après une interruption. L'ordonnancement de 10 000 instances parallèles suppose des files d'attente, des limites de débit et des reprises sur échec.

Codex lit et écrit des fichiers, lance des tests et travaille en ligne de commande : il apporte un état externe et un retour vérifiable. L'expression « s'améliorer à l'usage » signifie souvent que les traces d'exécution, les causes d'échec et les méthodes réussies sont réutilisées sous forme de consignes ou de jeux d'évaluation. La source ne précise pas la méthode retenue, nous ne la devinons donc pas. Pour Daybreak, elle indique seulement la cybersécurité, un domaine qui demande une surveillance continue et des enquêtes parallèles.

Impact sur l'industrie

Les éditeurs se comparaient surtout sur la qualité d'une réponse isolée. Désormais, la question est de savoir si un système mène un travail à son terme sans aide : durée, parallélisme, fiabilité. En associant Astra, Sol, Codex et Daybreak dans un seul récit client, OpenAI montre une pile qui va du modèle généraliste à l'offre de sécurité. Cela met sous pression les concurrents limités à une interface de modèle. Les jeunes pousses ne peuvent plus se contenter d'une couche de prompts : il leur faut ordonnancement, mémoire, évaluation et maîtrise des coûts.

Pour les entreprises, ces agents ouvrent la voie aux travaux lents mais bien bornés : migration de code, tri de vulnérabilités, audit de journaux, avec validation humaine aux points clés. En cybersécurité, la même automatisation peut servir les défenseurs comme les attaquants. Comment prouver que 10 000 instances autonomes sont restées dans leurs droits ? Tout déploiement de cette taille devra répondre à cette question.

Perspectives

Quatre signaux comptent. D'abord, de nouveaux détails : types de tâches, étapes par agent, ratios d'échecs, coût par tâche, interventions humaines. Sans eux, 36 heures prouvent l'absence de plantage, non la valeur produite.

Ensuite, la reproductibilité du mécanisme d'amélioration : affinage du modèle, mémoire externe ou consignes guidées par l'évaluation, avec des coûts très différents. Puis une norme commune d'évaluation des tâches longues, qui pèserait ensemble la durée, la reprise après incident et l'exactitude finale.

Enfin, la sécurité : bac à sable, moindre privilège, journaux de comportement, arrêt d'urgence. Si ces garde-fous mûrissent, les flottes d'agents durables sortiront du laboratoire. Sinon, les incidents freineront les déploiements. Dans les deux cas, l'étalon change : on mesure moins la qualité d'une réponse que la durée de travail autonome.