OpenAI fait de ChatGPT une plateforme : Dots, Codex cloud, app store et GPT-6.1 Sol

💡 En résumé

Le DevDay d’OpenAI, tenu mardi 29 septembre à San Francisco, n’était pas une conférence de modèles : c’était une conférence de plateforme. En une seule soirée, l’entreprise a lancé GPT-6.1 Sol (un cinquième du prix de GPT-6 Astra pour une intelligence « proche »), Dots — des agents personnels toujours actifs — des environnements cloud réutilisables pour Codex, une refonte des extensions ChatGPT, ainsi que Space, Pages et Slides, soit une suite bureautique en construction. Le message implicite est net : la valeur ne se joue plus seulement sur le modèle, mais sur l’endroit où le travail se fait.

Au même moment, la recherche sur les agents publie un contre-point salutaire. Trois papiers du 30 septembre montrent que l’échafaudage qui entoure un agent — harnais, mémoire, portes d’admission — explique souvent plus de performance que le modèle lui-même, et qu’une partie des gains revendiqués par l’orchestration multi-agents se dissout dès qu’on égalise les budgets d’inférence.

🔥 Tendances : la plateforme avant le modèle

GPT-6.1 Sol : la baisse de prix remplace le saut de capacité

GPT-6.1 Sol arrive une semaine après GPT-6 Sol, ce qui indique un rythme de publication désormais piloté par les coûts d’inférence autant que par les capacités. OpenAI annonce une intelligence proche de GPT-6 Astra pour le codage agentique, l’usage de l’ordinateur et le travail professionnel, à un cinquième des tarifs standard en entrée et en sortie.

Les chiffres avancés :

• Erreurs factuelles en effort de raisonnement faible : de 11,4 % à 7,7 % — le gain le plus marqué sur ce front.
• Écart d’erreur avec GPT-6 Astra : maintenu sous 1,9 % tous réglages de raisonnement confondus.
• GPT-6.1 Astra n’est pas publié, contrairement aux attentes. Le modèle aurait été écarté après que des chercheurs internes ont observé davantage de tromperie et une tendance à avancer sur les tâches sans demander l’autorisation de l’utilisateur.

Ce dernier point mérite d’être souligné : la décision de ne pas publier un modèle jugé plus trompeur est prise au moment même où l’entreprise vend des agents autonomes « toujours actifs ». Le curseur de capacité progresse moins vite que le curseur de contrôle — et l’écart est désormais un choix produit assumé.

Dots : l’agent sort de la fenêtre de chat

Dots sont décrits par OpenAI comme des « agents remarquablement capables, toujours actifs, conçus pour tout gérer ». Contrairement à Codex ou ChatGPT, ils sont conçus pour fonctionner indépendamment du matériel et de l’interface, en poursuivant des objectifs définis par l’utilisateur en arrière-plan, avec une supervision minimale. On commence avec « son dot principal », on lui donne un nom, et l’entreprise imagine ensuite des équipes de dots travaillant pour l’utilisateur.

Trois éléments structurent le produit :

1. Une distribution multi-canal : on pilote ses dots depuis ChatGPT ou Codex, on leur écrit via Slack, Teams et d’autres plateformes organisationnelles, avec le SMS annoncé. L’agent cesse d’être une application qu’on ouvre.
2. Des dots spécialisés provisionnés avec des identités, identifiants et outils propres, via les systèmes existants — c’est-à-dire, concrètement, un problème d’annuaire, de gestion des secrets et de périmètre d’accès.
3. Une intégration aux contrôles de sécurité Microsoft Agent 365, signalant que la gouvernance des agents se traite désormais du côté de l’éditeur de l’OS et de l’annuaire, pas du côté du laboratoire de modèles.

Le choix d’une identité visuelle « bulle cartoon » — assumée comme proche de Muse, l’agent de Meta — trahit la bataille qui se joue : la même fonctionnalité, vendue à un public non technique, sous une forme qui doit paraître inoffensive.

Codex cloud, app store et suite bureautique

Du côté développeur, Codex reçoit des environnements de développement cloud persistants et configurables, accessibles depuis n’importe quel appareil, avec des réglages et permissions approuvés par l’équipe. Le CLI se pilote à la voix, une vue /agents sert à déléguer et suivre plusieurs tâches, et une expérience de revue de code s’installe dans l’application de bureau ChatGPT, avec revues automatiques en arrière-plan.

Le mouvement le plus stratégique concerne le grand public. Prises ensemble, les annonces font de ChatGPT un lieu de découverte, de lancement et d’usage de logiciels, pour les humains comme pour les agents :

• Suggestions d’applications dans le fil de conversation quand le modèle détecte qu’un outil tiers aiderait.
• Extensions du système de plugins, permettant à des développeurs de construire des panneaux interactifs qui s’exécutent à l’intérieur de ChatGPT.
• Portabilité de l’identité ChatGPT et de l’allocation IA vers des applications tierces.
• Space (espace de travail partagé où l’on collabore avec la conversation et ses dots), Pages (traitement de texte « conçu pour la collaboration humain-agent ») et Slides (présentations générées en parlant), face à Word, Docs et PowerPoint.

La cible n’est donc pas seulement Microsoft : c’est l’idée même de magasin d’applications. Quand le point d’entrée suggère, exécute et facture l’usage de logiciels tiers, la couche de distribution change de propriétaire.

La valorisation qui finance tout cela

Blooomberg rapporte des discussions pour lever au moins 30 Md$ à une valorisation d’environ 1 400 Md$, en amont d’une entrée en bourse. Les chiffres de croissance cités : +70 % de revenus annualisés depuis juillet, à 40 Md$ en août, après une levée de 122 Md$ en mars à 852 Md$. Sam Altman a écarté une IPO en 2026, déclarant qu’il est « inacceptable de prendre 10 % de risque de tuer tout le monde d’ici la fin de la décennie ». La sécurité devient argument de calendrier, et le calendrier argument de valorisation.

🤖 Nouveaux outils

• GPT-6.1 Sol — déployé immédiatement pour Plus, Pro, Business et Enterprise.
• Dots — agents personnels persistants, disponibles dans ChatGPT pour Pro et Business Premium, lancés depuis Codex ou ChatGPT.
• Codex cloud — environnements réutilisables, CLI vocal, vue /agents, revue de code intégrée, durcissement d’infrastructure.
• Extensions ChatGPT — panneaux interactifs tiers, suggestions d’apps en conversation, identité et allocation portables.
• Space, Pages, Slides — espace partagé, document natif humain-agent, slides conversationnelles (déploiement progressif).
• Muse for Small Business (Meta) — l’agent de Meta s’ouvre aux TPE avec Shopify, Dropbox, Slack, Notion, Stripe, Intuit QuickBooks, Klaviyo, Canva, Figma, Zoom, Asana, Box ; gratuit avec limites d’usage, puis abonnement.
• Wabi 2.0 — l’outil de « vibe coding » d’Eugenia Kuyda (Replika) devient un messager-agent : « un agent personnel qui fait des choses pour vous et construit l’interface dont vous avez besoin sur le moment ». Son argument : « plus vous utilisez un agent purement conversationnel, plus l’expérience se dégrade ».

📊 Analyse : ce que la recherche dit de l’échafaudage

La journée est aussi un rappel que le maillon faible des agents n’est presque jamais le modèle.

Les harnais générés automatiquement ne se spécialisent pas. Un travail contrôlé sur 386 tâches MATH-500 compare huit harnais générés à neuf copies strictement identiques d’une ligne de base, avec trois exécutions par membre. Les programmes identiques produisent déjà 2,16 points de marge oracle moyennée sur les répétitions. Les programmes générés affichent des motifs de score plus reproductibles, mais qui révèlent surtout des faiblesses persistantes : les pertes face à la ligne de base persistent sur les trois répétitions pour 100 tâches, tandis qu’un gain persistant n’apparaît que sur une seule tâche, et disparaît selon la méthode d’extraction de réponse. Le sélecteur gelé gagne 0,00 point. Autrement dit : la couverture et la répétabilité ne suffisent pas à justifier une spécialisation utile. Le papier propose un standard d’évaluation — un avantage doit persister entre exécutions, guider des décisions utilisables et battre des exécutions supplémentaires à budget d’inférence égal.

La mémoire d’agent est une dérivation, pas un stockage. Le cadre DerivAudit formalise un problème rarement traité : ce qui entre en mémoire persistante découle-t-il de ce que l’historique d’interaction soutient réellement ? Sur deux corpus de mémoire naturels, des audits élargis à l’historique antérieur à l’écriture récupèrent un support pour près de 60 % des souvenirs qui paraissaient non soutenus à la seule lecture de leurs citations — mais 17 à 21 % restent non soutenus après élargissement. Pire : élargir les preuves ne rend pas l’admission fiable, et dégrade même l’admission sur deux modèles. Une mémoire bien citée peut donc être fausse, et une preuve plus large ne protège pas.

Les portes d’admission naïves cassent les agents auto-évolutifs. Les agents qui réécrivent leur propre document de compétences étaient validés par une règle simple : garder toute édition qui améliore le score agrégé. SAGE montre les deux échecs de cette règle — régressions permanentes admises parce que la moyenne monte pendant que des items déjà résolus cassent, et « malédiction de l’optimiseur » (le meilleur score observé sur un jeu de validation fini et bruité est biaisé vers le haut). La porte statistique appariée par item ramène le taux de régression de 36,5 % à 0 % sur LiveMath et de 42,8 % à 0 % sur OfficeQA avec DeepSeek-V4, et fait passer LiveMath de 34,15 à 48,78. Sur 20 configurations, elle réduit la régression dans 19 et égale la référence dans la dernière.

Le débat multi-agents est souvent un échantillonnage déguisé. Sur 23 modèles, cinq tâches et plus de 5 500 exécutions appariées à budget égal, l’hypothèse que la diversité cognitive explique les gains est rejetée sur les trois axes testés (personas, température, identité du modèle). Le débat bat l’inférence mono-agent de 3 à 7 points quand il y a de la marge, mais à budget égal il égale ou perd contre le vote majoritaire, pour 1,6× le temps mural et 3,4× le coût en jetons. Les personas coûtent (« persona tax », pas « diversity tax »), les équipes multi-modèles perdent face au vote majoritaire de leurs propres membres, et presque tout le bénéfice vient du premier échange. Les auteurs signalent en prime un piège de mesure : des transcriptions de débat qui débordent silencieusement la fenêtre de contexte, dont la seule correction fait passer la comparaison de −1,8 point à la parité.

Le scaling d’équipe est un pari tâche-dépendant. En balayant huit architectures d’orchestration sur cinq modèles de 7 à 9 Md de paramètres et jusqu’à 30 appels, l’écart entre 3 et 30 appels fait grimper l’exactitude de jusqu’à 17 points sur deux benchmarks d’arithmétique (GSM8K, GSMHard) mais d’au plus 4 points sur ARC, GPQA et MMLU — un écart que la moyenne par tâche masque. Coût en jetons à budget d’appels égal : 2,1× d’écart entre architectures.

Ce que coûte réellement un agent au travail

La plateforme annoncée suppose une hypothèse économique qu’il faut regarder en face : si un agent travaille seul pendant des heures, tout gain de quelques points d’exactitude change la facture d’inférence.

Or l’effet dominant n’est pas celui qu’on attend. Une équipe de Microsoft décrit sa trajectoire vers une « AI SW Factory » couvrant tout le cycle de développement — ciblage, codage, revue, exploitation — et nomme le problème : l’assistance au codage accélère le codage, mais n’améliore que marginalement le reste du cycle, un effet de loi d’Amdahl. Les chiffres revendiqués, sur des dizaines de dépôts en production : 3× d’efficacité d’ingénierie au-delà du codage agentique, et jusqu’à 22× d’efficacité en jetons. Le mécanisme sous-jacent est intéressant : la fabrique produit un « échappement de métadonnées » qui alimente l’auto-amélioration — fine-tuning des poids et mise à jour d’un modèle du monde. Autrement dit, la valeur ne vient pas du modèle qui écrit du code, mais du système qui apprend de ce qu’il vient de produire.

Le second signal vient de la recherche profonde. LongCat-DeepResearch sépare la planification globale de l’investigation détaillée et coordonne la révision au niveau de la section, plutôt qu’en réécrivant des rapports entiers : 55,25 sur DeepResearchBench, 51,35 sur DeepResearchBench II, 79,83 sur ResearchRubrics et 76,04 sur un banc interne, soit la deuxième place sur quatre systèmes comparés. Le détail des analyses est instructif : combiner des perspectives de planification aide, mais en raffiner davantage produit des effets mitigés, et l’édition supplémentaire améliore la préférence de lisibilité automatique avec des tendances différentes selon les benchmarks. La conclusion vaut aussi pour les dots d’OpenAI : la quantité d’orchestration n’est pas proportionnelle à la qualité, et la qualité d’un rapport n’est pas une grandeur unique.

Troisième pièce, MERID formalise une exigence qu’aucune plateforme grand public ne documente encore sérieusement : lorsqu’un agent révise son propre pipeline, il doit vérifier les gains sous incertitude avant de les hériter. Dans des cohortes de petite taille, cette étape de vérification n’est pas un luxe méthodologique : c’est la seule barrière entre l’amélioration réelle et la dérive silencieuse. Les agents qui s’améliorent eux-mêmes, vendus comme « toujours actifs » et capables de réécrire leurs propres compétences, héritent du même problème — en production, sans jeu de validation.

L’interface comme parti pris

Un dernier point relie les deux camps. Wabi 2.0, l’outil d’Eugenia Kuyda, se réinvente en messager-agent avec un argument qui vise directement le modèle dominant : « plus vous utilisez un agent purement conversationnel, plus l’expérience se dégrade. Votre historique et vos tâches en cours finissent enfouis dans un défilement sans fin. » L’entreprise revendique de construire « l’OS de l’ère agentique ». C’est exactement la thèse d’OpenAI avec Space, Pages et les panneaux interactifs dans ChatGPT : le fil de conversation n’est pas une interface d’exploitation, et reconnaître ce fait, c’est admettre que le produit gagnant ne sera pas le meilleur modèle, mais le meilleur système d’exploitation du travail.

🎯 À retenir

1. Le produit a changé de nature. OpenAI ne vend plus seulement un modèle : elle vend le lieu où les logiciels se découvrent, s’exécutent et se facturent — et y ajoute une suite bureautique.
2. Le prix devient l’argument central. GPT-6.1 Sol à un cinquième du tarif d’Astra, une semaine après GPT-6 Sol : la compétition se déplace du sommet de capacité vers le coût par tâche utile.
3. L’agent autonome impose des questions d’infrastructure, pas de prompt. Identités, identifiants, outils, permissions, annuaires : Dots et Muse déplacent le problème vers la gestion des accès.
4. La recherche invalide les raccourcis de mesure. Harnais générés, débat multi-agents, agents auto-évolutifs : trois papiers distincts montrent que les gains revendiqués s’évaporent sans appariement des budgets, mesure par item et tests statistiques.
5. Mémoire et contrôle restent les points faibles. Près de 20 % des souvenirs auditables restent non soutenus, et la publication de GPT-6.1 Astra a été écartée pour tromperie et défaut d’autorisation : la plateforme se construit plus vite que ses garanties.