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

Contexte

Le 14 octobre 2026, OpenAI a publié un témoignage client consacré à Third Moment Research, un laboratoire d'IA qui fait tourner environ 10 000 agents en parallèle et les maintient au travail pendant plus de 36 heures. Le laboratoire s'appuie sur GPT-6 Astra, GPT-6.1 Sol, Codex et Daybreak, un produit orienté cybersécurité. Selon le résumé, l'objectif est de concevoir des agents capables de rester concentrés pendant des jours et de s'améliorer à l'usage.

Deux chiffres structurent l'histoire. Le premier est l'échelle : 10 000 agents simultanés. Le second est la durée : plus de 36 heures d'exécution continue, soit plus d'une journée et demie de travail. Ensemble, ils décrivent non pas un assistant de conversation, mais un système de production qui exige ordonnancement, supervision et collecte des résultats.

Une réserve s'impose. Le résumé public ne précise ni la tâche de chaque agent, ni le taux de réussite, ni le coût de l'exécution. Cet article distingue donc les faits rapportés des inférences raisonnées.

Analyse approfondie

La difficulté ne tient pas à l'appel d'un modèle 10 000 fois, mais au maintien du cap sur une longue durée. Sur une tâche courte, le modèle raisonne dans une seule fenêtre de contexte. Sur des dizaines d'heures, les sorties d'outils et les étapes intermédiaires saturent ce contexte, et l'objectif initial se dilue. Une petite erreur peut s'amplifier à chaque étape. L'environnement, comme les bibliothèques, les interfaces réseau ou l'état des fichiers, peut aussi changer en cours d'exécution.

Comment un agent IA peut-il rester concentré pendant 36 heures ? La source ne décrit pas la méthode de Third Moment Research. Les systèmes d'agents longue durée reposent toutefois souvent sur quelques mécanismes : consigner le plan et l'avancement dans un stockage externe, compresser ou réinitialiser le contexte puis le reconstituer depuis ces notes, poser des points de contrôle vérifiables, et revenir en arrière ou réessayer après un échec. Ce sont des attentes raisonnables, pas des détails confirmés pour ce laboratoire.

La liste d'outils donne des indices. Codex est un agent de code : les agents lisent et écrivent probablement du code, lancent des commandes et examinent les résultats, ce qui fournit des signaux vérifiables. Daybreak vise la cybersécurité, ce qui suggère que l'approche sert aussi à la recherche de vulnérabilités ou à l'analyse défensive. Il est plausible, sans que ce soit affirmé, que GPT-6 Astra et GPT-6.1 Sol jouent des rôles distincts, l'un pour la planification, l'autre pour l'exécution à haut débit. Quant à l'amélioration à l'usage, elle passe plus probablement par la réutilisation de trajectoires réussies ou ratées, sous forme d'expérience, d'invites ou d'outils, que par une mise à jour des poids du modèle. Le résumé ne tranche pas.

Impact sur l'industrie

Ce cas déplace la concurrence. L'enjeu n'est plus la qualité d'une réponse isolée, mais la fiabilité sur un travail long et composé de nombreuses étapes. Une équipe dont les agents restent sur le sujet pendant deux jours se rapproche davantage du remplacement d'une part de la charge des chercheurs et des ingénieurs qu'une équipe dont les agents dérivent après une heure. L'orchestration devient aussi importante que le modèle. Piloter 10 000 agents en parallèle suppose files de tâches, quotas de ressources, règles de nouvelle tentative, déduplication des résultats et journaux d'audit. Ce sont de vieux problèmes de systèmes distribués, avec une différence : chaque unité d'exécution est désormais un modèle qui prend ses propres décisions. Les équipes dotées d'une infrastructure mature y gagnent un avantage, tandis que les sociétés qui se contentent d'appeler une API font face à un seuil plus haut.

Pour les agents de code, les exécutions longues changent la forme du produit. L'outil ne complète plus du code dans un éditeur : il reçoit un objectif, travaille pendant des heures et rend un résultat à valider. Il entre ainsi en concurrence directe avec les autres assistants de programmation, les plateformes de test automatisé et les éditeurs d'analyse de sécurité. Le volet cybersécurité est le plus sensible. La persévérance et le parallélisme qui aident les défenseurs à trouver plus vite les failles pourraient aussi servir des attaquants. Contrôle d'accès, revue des usages et partage clair des responsabilités font donc partie de la conception du produit. Les acheteurs poseront aussi la question du coût : faire tourner 10 000 agents plus d'une journée consomme beaucoup de calcul, et sans condition d'arrêt ni plafond budgétaire, la dépense peut virer au gaspillage. La source ne donne aucun chiffre de coût.

Perspectives

Plusieurs signaux méritent d'être suivis. D'abord, la publication de données d'évaluation plus précises : taux d'achèvement des tâches, fréquence des interventions humaines, coût par tâche, comparaison avec des exécutions plus courtes. Sans elles, impossible de dire si les 36 heures constituent une limite de capacité ou une démonstration.

Ensuite, la standardisation du mécanisme d'amélioration à l'usage. Une bibliothèque partagée de compétences ou d'expériences permettrait à chaque agent de réutiliser ce qu'un autre a appris. Il faudra aussi voir si la durée peut passer d'un ou deux jours à une semaine sans hausse du taux d'erreur, ce qui reste l'épreuve la plus dure de la fiabilité longue durée.

Enfin, la réaction des régulateurs et des équipes de sécurité sera décisive. Lorsque des agents mènent seuls et longtemps des actions liées à la cybersécurité, la conception des pistes d'audit, de la séparation des droits et des points d'approbation humaine déterminera l'entrée de ces produits dans les grandes entreprises et les administrations. L'écart entre les équipes viendra probablement de la stabilité, de l'orchestration et de la gouvernance de sécurité, autant que de la puissance du modèle.