OpenAI et l'ère de l'IA autonome : GPT-5.4 redéfinit les standards

Lancement de GPT-5.4 par OpenAI

OpenAI a récemment dévoilé son dernier modèle d'intelligence artificielle, GPT-5.4, le 5 mars. Ce modèle se distingue par son orientation vers le travail, intégrant des fonctionnalités avancées qui le rendent particulièrement adapté aux applications professionnelles. GPT-5.4 est disponible sous plusieurs formes, notamment dans GPT-5.4 Thinking in ChatGPT, gpt-5.4 et gpt-5.4-pro dans l'API, ainsi que dans Codex. Cette diversité de formats permet une utilisation flexible et adaptée aux besoins spécifiques des utilisateurs.

Le modèle intègre les capacités de codage de GPT-5.3-Codex et ajoute des fonctionnalités telles que l'utilisation native de l'ordinateur et la recherche d'outils. Il offre également une fenêtre de contexte impressionnante de 1 million de tokens, avec un paramètre par défaut de 272K tokens. Cette capacité étendue permet aux utilisateurs de gérer des tâches complexes avec une efficacité accrue.

Les tarifs pour l'utilisation de GPT-5.4 ont été fixés à 2,50 $ / 15 $ par million de tokens pour le modèle de base, et 30 $ / 180 $ pour la version Pro. Bien que ces coûts puissent sembler élevés, l'efficacité accrue des tokens compense largement les dépenses, comme l'ont démontré les tests effectués par OpenAI. Les requêtes dépassant 272K tokens d'entrée entraînent un doublement des coûts, soulignant l'importance de la gestion efficace des ressources.

Un Rythme de Publication Accéléré

Le rythme de publication des modèles par OpenAI est également remarquable. Depuis décembre, plusieurs versions ont été successivement lancées : GPT-5.2, GPT-5.3-Codex le 5 février, suivi de Codex-Spark le 12 février, puis GPT-5.3 Instant le 3 mars, avant l'arrivée de GPT-5.4. Un membre du personnel d'OpenAI a confirmé sur le forum des développeurs que les publications mensuelles sont désormais la norme. Les progrès réalisés sont attribués aux boucles d'évaluation post-formation, aux contrôles de temps de raisonnement, à la sélection d'outils, à la compaction de mémoire et à l'intégration de produits. Bien que la course au modèle de base reste cruciale, c'est dans l'ingénierie environnante que les gains les plus rapides sont réalisés.

Performances de GPT-5.4

GPT-5.4 représente un saut significatif dans de nombreuses dimensions, bien qu'il ne soit pas un knockout clair. Sur l'Intelligence Index d'Artificial Analysis, il égalise Gemini 3.1 Pro Preview avec un score de 57. Sur LiveBench, GPT-5.4 Thinking xHigh devance légèrement Gemini 3.1 Pro Preview, avec un score de 80.28 contre 79.93. Sur la grille de référence Vals, le tableau est éclaté : GPT-5.4 domine ProofBench, IOI, et Vibe Code Bench, tandis que Gemini 3.1 Pro mène dans d'autres domaines tels que LegalBench, GPQA, MMLU Pro, LiveCodeBench, et Terminal-Bench 2.0. Claude Opus 4.6 et Claude Sonnet 4.6 dominent respectivement SWE-bench et le composite large de Vals et Finance Agent. Il n'existe plus de modèle de pointe unique, chaque IA ayant ses propres domaines de prédilection.

L'histoire des benchmarks d'OpenAI cette fois-ci est particulièrement centrée sur le lieu de travail. Sur GDPval, qui teste le travail de connaissance réel à travers 44 professions, GPT-5.4 atteint 83,0 % contre 70,9 % pour GPT-5.2. Sur des tâches de modélisation de tableurs internes, 87,3 % contre 68,4 %. Sur OSWorld-Verified pour la navigation de bureau, 75,0 %, dépassant la référence humaine de 72,4 % et presque doublant les 47,3 % de GPT-5.2. Sur BrowseComp, 82,7 %, avec Pro atteignant 89,3 %. OpenAI revendique 33 % de fausses déclarations en moins et 18 % de réponses contenant des erreurs par rapport à GPT-5.2. Mainstay a rapporté qu'à travers environ 30 000 portails HOA et de taxes foncières, GPT-5.4 a atteint 95 % de succès au premier essai et 100 % en trois essais, environ 3 fois plus rapide tout en utilisant 70 % de tokens en moins. Harvey’s BigLaw Bench : 91 %.

Écart d'Interface et Réaction de Microsoft

Malgré les progrès continus sur GDPval, OpenAI fait face à un écart d'interface pour le travail de bureau. Le préambule et la direction en cours de réponse de GPT-5.4 sont réellement utiles. ChatGPT pour Excel et les nouvelles intégrations de données financières sont une approche intelligente pour des flux de travail à forte valeur ajoutée. Cependant, OpenAI n'a toujours pas une surface non-développeur aussi conviviale que Claude Cowork pour déléguer des tâches de bureau réelles et complexes. Codex et l'API ont désormais une capacité d'utilisation informatique sérieuse, mais l'expérience globale reste plus technique qu'elle ne devrait probablement l'être si OpenAI souhaite dominer le bureau quotidien.

Microsoft a réagi rapidement cette semaine avec Copilot Cowork. L'entreprise a annoncé qu'elle intégrait la technologie derrière Claude Cowork directement dans Microsoft 365 Copilot, avec des contrôles d'entreprise, une position de sécurité et des tarifs sous l'égide existante de Microsoft 365 Copilot. Cela donne à Microsoft un avantage clair en matière de distribution, car Word, Excel, PowerPoint, Outlook et Teams sont déjà des outils clés où une grande partie du travail de bureau se déroule. Cependant, l'exécution de Microsoft jusqu'à présent a souvent donné l'impression d'une entreprise avec une distribution parfaite mais une urgence de produit intermittente. En revanche, OpenAI et Anthropic ont généralement été plus efficaces pour inciter les utilisateurs à réellement utiliser leurs produits. Microsoft a toujours une base installée. La question est de savoir s'il peut convertir cela en une véritable demande de produit avant que les laboratoires de modèles ne vendent leurs propres agents de travail directement aux entreprises.

Autorecherche d'Andrej Karpathy

L'autre histoire de la semaine, tout aussi importante, même si elle semble plus petite sur le papier, est l'expérience d'autorecherche d'Andrej Karpathy. Karpathy a rapporté publiquement qu'après environ deux jours de réglage autonome sur une petite boucle d'entraînement nanochat, son agent LLM a trouvé environ 20 changements additifs transférables d'un modèle proxy de profondeur 12 à un modèle de profondeur 24, réduisant le « Temps pour GPT-2 » de 2,02 heures à 1,80 heures, soit une amélioration d'environ 11 %. Le dépôt d'autorecherche décrit la configuration : donner à un agent IA un environnement d'entraînement LLM petit mais réel, lui permettre de modifier le code, d'exécuter de courtes expériences, de vérifier si la validation s'améliore, et de répéter le processus pendant la nuit.

Perspectives d'Amélioration Autonome

Beaucoup de gens ont immédiatement évoqué l'idée que « ce n'est que du réglage d'hyperparamètres ». Je pense que cela manque le point économique. Si un essaim d'agents peut explorer de manière fiable les paramètres d'optimisation, les ajustements d'attention, les choix de régularisation, les recettes de mélange de données, les schémas d'initialisation et les détails d'architecture sur des exécutions proxy peu coûteuses, puis promouvoir les changements prometteurs à des échelles plus grandes, c'est déjà un processus de recherche extrêmement précieux, même si cela ne ressemble pas à un scientifique synthétique inventant un tout nouveau paradigme à partir de zéro. La recherche de pointe est pleine de problèmes de recherche limités avec un retour d'information retardé mais mesurable. C'est exactement le terrain où les agents peuvent commencer à s'accumuler.

Voici la trajectoire que j'attends à partir de maintenant. Les laboratoires donneront à des essaims d'agents des budgets GPU significatifs pour réaliser des milliers de petites et moyennes expériences sur des modèles proxy. Ils rechercheront de meilleurs mécanismes d'attention, de meilleurs calendriers d'optimisation, de meilleurs curricula de formation, de meilleures recettes post-formation et de meilleures méthodes d'évaluation. Les idées prometteuses seront ensuite promues à travers des exécutions de formation de plus en plus grandes. Les experts humains resteront impliqués aux points de blocage évidents : décider quels métriques sont importantes, repérer les faux positifs, concevoir de nouveaux espaces de recherche, choisir quelles idées méritent une montée en échelle coûteuse, et co-concevoir les modifications à enjeux plus élevés une fois que l'on traite de véritables comptes de paramètres et de budgets d'entraînement sérieux. Mais la boucle interne de « proposer, mettre en œuvre, tester, comparer, itérer » semble de plus en plus automatisable.

Nous avons déjà des indices que les laboratoires sont sur le premier échelon de cette échelle. OpenAI a déclaré que GPT-5.3-Codex était le premier modèle « instrumental dans sa propre création », avec des versions initiales utilisées pour déboguer sa propre formation, gérer le déploiement et diagnostiquer les évaluations. Pour être précis, OpenAI a été beaucoup plus explicite publiquement sur le développement autonome dans GPT-5.3-Codex que dans GPT-5.4 lui-même. Mais la direction du voyage est difficile à manquer.

Il y a aussi une nuance importante dans la carte système de GPT-5.4 d'OpenAI. L'entreprise affirme que GPT-5.4 Thinking ne répond pas à son seuil de haute capacité en matière d'amélioration autonome de l'IA, qu'elle définit comme étant à peu près au niveau d'un ingénieur de recherche performant en milieu de carrière. Je pense que cette distinction est importante, mais probablement dans le sens opposé à ce que certains sceptiques supposent. Le seuil pour une amélioration autonome économiquement utile est beaucoup plus bas que le seuil pour la recherche autonome de pointe. Un modèle n'a pas besoin d'être un scientifique principal synthétique pour améliorer les prompts, les évaluations, les outils, les échafaudages, les recettes d'entraînement et les expériences de modèles plus petits autour de lui. Ce seuil plus bas est celui qui accélère tout le reste.

Pourquoi Cela Compte

Le centre de gravité dans l'IA a évolué de « chatbot intelligent » à « opérateur fiable ». Le système gagnant n'est plus celui qui écrit la plus belle réponse unique. C'est celui qui peut rester concentré pendant une heure, utiliser les bons outils sans se noyer dans les frais de tokens, faire fonctionner des logiciels peu attrayants que personne n'a exposés à travers des API propres, compresser son propre historique, et permettre à un humain de diriger sans redémarrer tout le travail. GPT-5.4, Codex, les équipes d'agents d'Opus 4.6, Gemini CLI, Copilot Cowork de Microsoft, et l'autorecherche de Karpathy pointent tous dans la même direction.

C'est pourquoi GDPval est plus important que GPQA ou MMLU. La trajectoire de 12,4 % avec GPT-4o à 83,0 % avec GPT-5.4 en environ 18 mois ne mesure pas l'intelligence des chatbots. Elle mesure à quel point l'IA est proche de remplacer la production réelle des travailleurs de la connaissance sur des tâches bien définies. Nous avons dépassé la moitié du chemin, et la courbe s'accentue. Cela dit, GDPval a encore des limitations évidentes, et nous espérons que le projet recevra plus de financement d'OpenAI pour élargir le benchmark et tester davantage de tâches agentiques multistades et à long terme.

L'autorecherche de Karpathy prolonge la même logique vers l'intérieur. Si les agents peuvent améliorer de manière fiable la pile d'entraînement elle-même, le taux d'amélioration s'accumule. Je m'attends à ce que les Frontier Labs donnent aux essaims d'agents des budgets GPU significatifs cette année pour explorer les mécanismes d'attention, les variantes d'optimisation et les recettes de jeux de données sur de petits proxies avant de mettre à l'échelle les gagnants. Les chercheurs humains co-concevront à grande échelle. Mon hypothèse est qu'à la fin de l'année, nous pourrions bien voir un modèle de pointe dont le développement a été matériellement façonné par ce type de boucle de recherche autonome en IA. Je ne veux pas dire entièrement autonome au sens de science-fiction. Je veux dire qu'une fraction significative des ajustements d'attention, des choix d'optimisation, des changements de recettes de données, des méthodes post-formation et des corrections d'évaluation auront été découvertes, filtrées, et...