IAGentic

Journal de veille sur l'usage appliqué de l'IA, chez soi et en entreprise : ce qu'on lui fait faire, ce qu'il faut pour commencer, ce que ça coûte et où ça casse.

papier

OpenAI dépense 2 400 dollars par chercheur et par jour en agents

OpenAI publie le 18 novembre une seconde mesure de l'accélération de sa recherche, après celle de septembre. Au prix catalogue de l'API, le chercheur médian consomme environ 2 400 dollars par jour d'outils agentiques et celui du 90e centile 23 000 dollars, en hausse de 62 % et de 105 % depuis les 1 500 et 11 000 dollars de septembre. Le temps d'agentIA agentiqueModèle qui boucle : il choisit une action, le plus souvent un appel d'outil, en lit le résultat, puis recommence jusqu'à l'objectif ou l'abandon. La boucle est ce qui distingue un agent d'une réponse unique.Fiche du lexique consommé par chercheur passe de 0,5 à 5,7 journées de huit heures, et la valeur de cette consommation atteint environ deux fois la rémunération hors actions des chercheurs.

par Gyom 19 novembre 2026 à 13:01 6 min de lecture rubrique : Machines et coûts

etiquettes : En entreprise · Coût · Quantification

Une haute pile de pièces épaisses empilées en colonne, au trait d'encre noire, avec des reflets magenta, cyan et moutarde, une pièce glissant du sommet sur fond crème.

OpenAI mesure depuis un an l'usage que ses propres chercheurs font de ses agents, et publie le 18 novembre une mise à jour qui ajoute des chiffres de consommation, de temps machine et de résultats. Le rapport s'organise en trois étages : les entrées de la recherche, le processus qui les transforme en capacités, les sorties mesurables. Le laboratoire écrit vouloir rendre ces indicateurs publics parce qu'il demande qu'on les impose par la régulation, et précise que ces chiffres ne valent pas engagement à poursuivre une auto-amélioration complète.

Deux mille quatre cents dollars par jour, vingt-trois mille au 90e centile

Au prix catalogue de l'API, le chercheur médian consomme environ 2 400 dollars par jour d'outils agentiques, et le chercheur du 90e centile environ 23 000 dollars. En septembre, les mêmes mesures donnaient 1 500 et 11 000 dollars, soit une hausse de 62 % et de 105 % en deux mois. L'augmentation mélange trois causes que le rapport ne sépare pas : plus d'activité, un glissement vers des modèles plus chers, et des changements dans le comportement des modèles et des harnais.

Onze fois plus de temps d'agent qu'en début d'année

Le rapport convertit la consommation en journées de travail : huit heures d'usage d'agent valent une journée. Le chercheur moyen est passé de 0,5 à 5,7 journées d'agent par jour calendaire, soit onze fois plus, avec les progressions les plus fortes dans les équipes de préentraînement et de postentraînement, où le temps d'agent atteint environ huit journées par chercheur et par jour. Les équipes de mise à l'échelle et d'infrastructure tournent autour de quatre. Cette mesure ne compte que l'usage interactif, donc elle sous-estime les automatisations lancées sans personne devant l'écran.

Deux tiers des chercheurs font tourner quatre agents en même temps

À la mi-octobre, plus des deux tiers des chercheurs mesurés atteignent chaque jour un pic d'au moins quatre agents travaillant en parallèle, et plus de 10 % un pic d'au moins seize. Cette concurrence inclut les sous-agents et les sessions multiples, et c'est elle qui explique une partie de la croissance des journées d'agent : un même après-midi peut porter huit journées de travail machine.

Les agents valent deux fois la paie hors actions

Rapportée à la rémunération humaine, la consommation agentique pèse lourd. En septembre 2026, la valeur au prix de l'API de l'usage d'agents dans l'organisation de recherche d'OpenAI valait environ deux fois la rémunération hors actions de ses chercheurs, avec des ratios plus élevés en préentraînement et en postentraînement qu'ailleurs. Le rapport rappelle que les actions représentent 70 à 80 % de la rémunération cible de ses chercheurs et qu'elles sont exclues du calcul. Cette dépense reste pourtant modeste dans l'économie du laboratoire : le déploiement interne, qui réunit Codex, ChatGPT et l'API en interne, ne pèse que 2 % du calcul de recherche total.

Communiquer 69 %, analyser 58 %, construire 43 %

Sur la taxonomie de la R&D en intelligence artificielle proposée par Epoch AI, et sur la période du 1er août au 18 octobre 2026, le taux de réussite sans intervention humaine atteint 69 % pour la communication et 58 % pour l'analyse, contre 43 % pour la construction. Par tâche, la surveillance d'exécutions arrive à 79 % et la réponse aux questions techniques à 72 %, tandis que l'écriture du code d'inférence et de service tombe à 25 % et la construction d'environnements d'évaluation, d'apprentissage par renforcement et d'agents à 29 %. Ces deux dernières tâches, qui conditionnent la vitesse du reste, restent les goulots du dispositif.

40 % de l'effectif et 30 % du calcul, ce que les chercheurs troqueraient

Un sondage mené de fin août à début septembre auprès de 101 chercheurs pose une hypothèse simple : l'accès aux agents de code meilleurs que GPT-5.2 est coupé trois mois, que troqueriez-vous pour le retrouver. La médiane des réponses cède 40 % de l'effectif de l'équipe et 30 % du calcul actuel, et monte à 50 % du calcul si la question se pose en janvier 2027, compte tenu des progrès attendus d'ici là. Les mêmes personnes estiment qu'il leur faudrait trois mois pour produire l'équivalent de leur dernier mois de travail sans agents. Dans un second sondage de fin octobre, 27 des 28 répondants choisissent ou penchent pour le dernier modèle interne plutôt que pour l'aide d'un ingénieur de recherche humain en milieu de carrière doublé d'un modèle de 2024.

1,68 fois plus d'expériences par expérimentateur

Sur les quatre semaines qui se terminent le 18 octobre, le nombre d'expériences enregistrées par expérimentateur actif vaut 1,68 fois la référence de 2025. Le rapport ajoute un indice de capacités maison, l'OpenAI ECI, construit sur des bancs publics et des bancs internes : sa frontière progresse de 16,4 points par an depuis août 2025, contre une tendance de 14 points par an mesurée par Epoch depuis fin 2024. Le temps de recherche consacré à la sûreté et à l'alignement a presque doublé depuis le début de l'année, avec une inflexion nette après l'incident de sécurité de l'évaluation de modèles chez Hugging Face en juillet, puis les travaux sur les dossiers de sûreté pour l'entraînement des modèles de frontière.

Les idées viennent encore des personnes

Sur l'origine des idées, le rapport est net. Pour GPT-6 Astra comme pour GPT-6.2 Astra, les chercheurs de postentraînement et de surveillance de la sûreté attribuent à des personnes toutes les idées qu'ils ont citées, les modèles ayant servi à les mettre en œuvre. Les chercheurs de préentraînement font la même réponse pour GPT-6 Astra, et décrivent pour GPT-6.2 Astra des idées développées en conversation avec Codex, l'un créditant l'agent d'avoir trouvé un point clé, un autre d'avoir débloqué une idée qui ne marchait pas. Les dix entretiens menés ensuite donnent le revers : les agents portent peu de goût sur les idées de recherche, la qualité du code, celle des données et la rédaction, ils s'enferment dans des étapes inutiles, produisent des demandes de fusion invalides et des jeux de données inutilisables. Une chercheuse résume la méthode qui tient : faire faire un exemplaire, le corriger, puis laisser l'agent traiter le reste.

Un gain inégal selon les métiers de la recherche

Le rapport conclut sur un partage. L'usage des agents progresse vite, la délégation aussi, mais l'effet varie fortement d'une tâche à l'autre et les agents gardent des défauts marqués. Les auteurs ajoutent que ces tendances, qui reposent sur une collaboration entre personnes et modèles, ne prédisent pas ce que donnerait une recherche menée par les modèles seuls, et citent les percées récentes en mathématiques comme un signe que la courbe peut se casser.

Source primaire OpenAI, « Research acceleration: The jagged frontier », 18 novembre 2026

Retour au journal