OpenAI publie un aperçu chiffré de la manière dont ses chercheurs utilisent les agents de code. L’entreprise observe une augmentation du nombre d’expériences, du volume de code produit et de la complexité des tâches confiées aux systèmes automatisés.
Le cap de l’assistant de recherche automatisé
OpenAI affirme avoir atteint l’objectif d’un assistant capable d’accomplir, sous direction humaine, des tâches de recherche bien définies qui prendraient plusieurs jours à une personne qualifiée. L’entreprise emploie l’expression d’« interne de recherche automatisé » pour décrire ce niveau.
Elle vise désormais un système de recherche plus autonome à l’horizon mars 2028. Cette trajectoire soulève des questions de sécurité, de contrôle humain et de mesure des progrès, que l’entreprise dit vouloir documenter publiquement.
Une utilisation devenue quotidienne
Au début de 2026, l’usage médian des agents restait limité dans l’organisation de recherche. À la mi-août, le chercheur médian utilisait ces outils chaque jour, avec une consommation calculée à plus de 600 dollars par jour selon les tarifs de l’API.
OpenAI estime aussi que son organisation mobilise désormais 3,1 journées de travail d’agent pour chaque journée de travail humain. Cette comparaison porte sur la durée d’exécution et ne signifie pas qu’une heure de machine produit la même valeur qu’une heure de chercheur.
Davantage de code et d’expériences
Les données internes montrent une hausse des contributions de code et du nombre d’expériences par personne active. Les agents sont notamment utilisés pour dépanner l’infrastructure, préparer des évaluations, analyser des résultats et exécuter plusieurs pistes en parallèle.
Cette accélération peut raccourcir certaines boucles de recherche. Elle déplace aussi les goulots d’étranglement vers les tâches difficiles à automatiser, la capacité de calcul, la qualité des idées et la vérification des résultats.
Des indicateurs utiles mais encore imparfaits
OpenAI reconnaît que davantage de code ou d’expériences ne prouve pas automatiquement une accélération scientifique équivalente. Une expérience peut être redondante, un changement de code peut être mineur et les outils évoluent rapidement.
Le rapport doit donc être lu comme un état des lieux interne, non comme une mesure universelle. Des indicateurs centrés sur la réussite des tâches et la qualité des découvertes seront nécessaires pour comparer les progrès de manière plus robuste.
Source officielle et crédit image : OpenAI — rapport officiel sur l’accélération de la recherche.