Traitement en cours…
IA & cybersécurité
OpenAI présente GPT-6 Astra, un modèle conçu pour mener des tâches complexes de bout en bout : naviguer sur le web, utiliser des logiciels, coder, produire des documents et intervenir en cybersécurité.
OpenAI vient de présenter GPT-6 Astra, son nouveau modèle de pointe. Comme à chaque nouvelle génération, les chiffres progressent en raisonnement, en programmation ou sur différents benchmarks. Mais la nouveauté la plus intéressante n’est probablement pas là.
Avec Astra, OpenAI insiste surtout sur la capacité du modèle à agir directement dans un environnement informatique. Naviguer sur un site, remplir un formulaire, modifier des données dans un CRM, utiliser un logiciel, analyser des fichiers, créer une interface, tester un site ou travailler sur une base de code deviennent les différentes étapes d’un même processus.
La frontière entre un assistant qui explique comment réaliser une tâche et un agent qui participe réellement à son exécution devient donc plus fine. Pour les développeurs, les éditeurs de SaaS et les entreprises qui automatisent une partie de leurs processus, cette évolution est probablement plus importante que le simple passage d’un numéro de modèle à un autre. OpenAI présente Astra comme son modèle le plus capable à ce jour pour le raisonnement, le code, l’utilisation d’un ordinateur, la recherche et la création de documents.
GPT-6 Astra est la nouvelle génération de modèle de pointe présentée par OpenAI le 3 septembre 2026. L’entreprise le positionne comme son modèle le plus avancé pour les tâches nécessitant du raisonnement, du code, de la recherche, de l’utilisation d’outils et des enchaînements complexes d’actions.
Il serait cependant réducteur de le considérer simplement comme un chatbot qui répond mieux aux questions.
Les modèles précédents pouvaient déjà produire du code, analyser un document ou rechercher des informations. Astra cherche davantage à réunir ces différentes capacités dans un même processus. Une demande peut commencer par une recherche, continuer par l’utilisation d'une application, nécessiter la modification de plusieurs fichiers puis se terminer par des tests et la production d’un résultat exploitable.
C’est cette continuité qui mérite particulièrement l’attention.
L’objectif n’est plus seulement de générer la prochaine réponse. Il devient progressivement de mener une mission jusqu’à son résultat.
OpenAI consacre une partie importante de la présentation d’Astra à ce qu’elle appelle le « computer use ».
Le principe consiste à permettre au modèle d’interagir avec les outils que nous utilisons quotidiennement plutôt que d’être limité à une fenêtre de discussion.
OpenAI présente notamment des scénarios dans lesquels Astra peut remplir des formulaires, mettre à jour des informations dans un CRM, organiser un calendrier, réaliser une recherche en ligne, utiliser un éditeur de documents, analyser des données ou effectuer des contrôles sur une interface web. Il peut également installer et tester certains logiciels ou diagnostiquer des problèmes apparaissant directement à l’écran.
Pour un humain, chacune de ces actions paraît relativement banale.
Pour une IA, leur enchaînement est beaucoup plus difficile.
Il faut comprendre ce qui est affiché, identifier l’action appropriée, utiliser correctement l’interface, observer le résultat, détecter une éventuelle erreur puis modifier la stratégie si nécessaire.
Le progrès vient donc autant de la capacité à agir et vérifier que de la capacité à raisonner.
Pendant plusieurs années, l’utilisation d’un LLM suivait principalement une logique simple :
question → réponse → action humaine.
L’utilisateur demandait comment effectuer une tâche. Le modèle produisait une explication. Une personne réalisait ensuite les manipulations nécessaires.
Les agents introduisent progressivement une autre organisation :
objectif → planification → actions → vérifications → résultat.
Prenons l’exemple d’un contrôle de site internet.
Un assistant peut expliquer comment tester un formulaire.
Un agent peut potentiellement ouvrir le site, compléter le formulaire, déclencher son envoi, vérifier le comportement obtenu, examiner une erreur éventuelle puis transmettre un rapport.
OpenAI montre justement Astra réalisant des tâches de frontend QA et travaillant directement dans différents environnements logiciels. Sur ses propres évaluations de tâches informatiques, l’entreprise annonce également une réduction importante du temps nécessaire à certaines opérations par rapport à GPT-5.6 Sol.
Cette différence peut sembler subtile. Elle change pourtant profondément la manière d’intégrer l’IA dans une application.
L’IA ne devient plus uniquement une interface conversationnelle. Elle peut devenir un composant d’un processus opérationnel.
Le développement logiciel constitue naturellement l’un des domaines les plus concernés.
Les modèles actuels peuvent déjà générer une fonction ou proposer un correctif. Les agents de développement vont plus loin : ils peuvent explorer une base de code, comprendre plusieurs fichiers, modifier le projet, lancer des commandes, utiliser un navigateur et vérifier visuellement le résultat.
OpenAI présente Astra comme son modèle le plus performant à ce jour pour l’ingénierie logicielle. Des entreprises comme Jane Street et Lovable ayant participé aux évaluations décrivent notamment une amélioration de la compréhension des bases de code et une réduction du nombre d’itérations nécessaires pour obtenir un résultat exploitable.
Pour un développeur web, la différence pourrait prendre une forme très concrète.
Au lieu de demander :
« Écris-moi ce composant React. »
on peut progressivement se rapprocher d’une instruction comme :
« Ajoute cette fonctionnalité, respecte l’architecture existante, mets à jour l’API, vérifie les permissions, ajoute les tests puis contrôle le résultat dans le navigateur. »
Le modèle doit alors comprendre plusieurs couches du projet et conserver le même objectif pendant toute l’intervention.
La difficulté n’est plus seulement de produire du code valide. Elle consiste à modifier un système existant sans en casser les règles.
Cette capacité soulève immédiatement un problème connu des développeurs utilisant des agents : le contexte.
Une modification importante peut nécessiter plusieurs heures de travail et des dizaines d’actions. Au fil du temps, un modèle doit se rappeler pourquoi une décision a été prise, quels tests ont échoué, quelles approches ont déjà été essayées et quelles contraintes doivent rester respectées.
Astra dispose dans l’API d’une fenêtre de contexte annoncée à 1 050 000 tokens, avec jusqu’à 128 000 tokens de sortie.
Fenêtre de contexte et limites API ↗
La taille seule ne résout cependant pas tout.
OpenAI introduit également avec Astra une nouvelle approche expérimentale dans Codex permettant au modèle de conserver des notes au fil des fenêtres de contexte et de rechercher dans des parties antérieures d’une longue session. L’objectif est d’éviter que certains détails importants disparaissent lorsque le travail devient trop volumineux pour rester entièrement dans le contexte actif.
C’est un changement intéressant pour les tâches longues comme une refonte, une migration ou l’analyse d’une base de code importante.
Un agent efficace ne doit pas seulement comprendre beaucoup d’informations.
Il doit savoir retrouver la bonne information plusieurs heures plus tard.
Astra ne vise pas uniquement les développeurs.
OpenAI indique avoir spécifiquement entraîné le modèle à travailler sur des documents, des tableurs, des présentations et d’autres productions professionnelles en respectant davantage les modèles et les contraintes fournies par l’utilisateur.
Cette évolution est importante car une grande partie du travail d’une entreprise ne nécessite pas la création d’un contenu totalement original.
Il faut plutôt respecter un environnement existant.
Un rapport possède une structure. Une présentation reprend une identité visuelle. Un fichier Excel suit certaines colonnes. Un document commercial utilise un vocabulaire précis. Une procédure métier possède des règles qui ne doivent pas être improvisées.
La qualité d’un agent professionnel dépend donc moins de sa capacité à produire quelque chose d’impressionnant que de sa capacité à ne pas casser les conventions existantes.
Cette distinction rejoint directement les enjeux rencontrés lors de l’intégration d’IA dans un logiciel métier.
Le véritable problème n’est presque jamais de faire fonctionner une démonstration.
Il est de faire fonctionner l’IA dans les règles de l’entreprise.
OpenAI accompagne Astra de nombreux résultats de benchmarks.
Sur Agents’ Last Exam, une évaluation portant sur des tâches professionnelles réalisées dans de véritables logiciels, et sur OSWorld 2.0, OpenAI communique les résultats suivants :
| Évaluation | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|
| Agents’ Last Exam | 59,3% | 53,6% |
| OSWorld 2.0 | 72,6% | 65,7% |
Pour OSWorld 2.0, il s’agit de la version du 8 août 2026, sur le sous-ensemble hors ligne avec score partiel. Consulter les résultats et leur méthodologie ↗.
L’entreprise publie également des résultats très élevés en raisonnement abstrait, mathématiques et cybersécurité.
Ces chiffres permettent de mesurer une progression, mais ils ne doivent pas être interprétés comme une garantie de résultat sur une application réelle.
OpenAI précise elle-même que ses modèles peuvent être évalués dans des environnements de recherche ou avec des configurations différentes de celles utilisées en production. Les benchmarks publiés par le fournisseur restent également des évaluations à distinguer d’un audit indépendant d’un cas d’usage précis.
La question importante pour une entreprise n’est pas de savoir si un modèle obtient 72 % ou 60 % sur une évaluation générale. Elle est de savoir comment il se comporte face à vos données, vos permissions, vos règles métier et vos cas limites.
Un modèle extrêmement performant peut parfaitement prendre une mauvaise décision si le périmètre de son action est mal défini.
C’est probablement l’élément le plus inhabituel de cette sortie.
GPT-6 Astra est le premier modèle qu’OpenAI considère comme ayant atteint son niveau Critical pour les capacités de cybersécurité dans le cadre de son Preparedness Framework.
OpenAI explique qu’avec les outils et les accès appropriés, un modèle de ce niveau peut être capable de découvrir des vulnérabilités inconnues et de développer des méthodes permettant de les exploiter sur des systèmes fortement protégés avec beaucoup moins d’intervention humaine.
Lors de ses évaluations sans les protections de production, OpenAI rapporte notamment un score de 100 % sur ExploitBench contre 78,5 % pour GPT-5.6 Sol. L’entreprise indique également qu’Astra a découvert deux vulnérabilités zero-day inconnues pendant une évaluation récente et qu’un signalement aux responsables des logiciels concernés est en cours.
Cette capacité possède évidemment deux faces.
Pour un défenseur, un modèle capable de comprendre rapidement une vulnérabilité peut accélérer une revue de sécurité, l’identification d’une faiblesse ou la préparation d’un correctif.
Pour un attaquant, les mêmes capacités peuvent diminuer le niveau d’expertise nécessaire à certaines opérations.
C’est pourquoi OpenAI limite actuellement certaines utilisations cyber avancées et applique des protections supplémentaires autour du modèle.
Lire la présentation des protections d’Astra ↗
Plus une IA est capable d’agir, moins sa sécurité peut reposer uniquement sur la qualité de ses réponses.
Une mauvaise réponse dans une conversation peut être corrigée.
Une mauvaise action effectuée sur un système peut avoir des conséquences beaucoup plus importantes.
OpenAI explique donc avoir renforcé plusieurs couches de protection autour d’Astra : surveillance des actions, détection de comportements hors périmètre, contrôles supplémentaires pour les tâches sensibles et possibilité d’interrompre certaines opérations. Dans ChatGPT ou Codex, certaines actions peuvent nécessiter une revue avant de continuer ; dans l’API, une tâche peut être stoppée par ces mécanismes.
Le principe dépasse largement Astra.
À mesure que des agents obtiennent accès à des fichiers, des bases de données, des outils internes ou des services externes, une architecture sérieuse doit définir au minimum :
Autrement dit, plus l’agent devient compétent, plus le système qui l’entoure devient important.
Pour une TPE ou une PME, la question n’est probablement pas « comment remplacer toute l’équipe par GPT-6 Astra ? ».
Les opportunités les plus réalistes sont beaucoup plus précises.
Prenons un logiciel métier dans lequel une personne traite quotidiennement des demandes clients.
Aujourd’hui, une IA peut résumer le contenu de la demande et suggérer une réponse.
Demain, un agent peut potentiellement examiner la demande, consulter la fiche client, vérifier une information dans un autre service, préparer une modification, remplir certaines données puis demander une validation avant l’action importante.
La différence est considérable.
L’IA passe d’un rôle de production d’information à un rôle de coordination du travail.
Pour un SaaS, des agents comparables peuvent également intervenir sur le support, la qualification de documents, certains contrôles administratifs, la préparation d’actions commerciales, l’analyse de données ou la maintenance du logiciel lui-même.
Mais ces automatisations nécessitent une architecture adaptée.
Donner à un modèle un accès complet à une base de données ou à une interface d’administration n’est pas une stratégie d’intégration.
Les actions doivent rester explicites, limitées et contrôlables.
L’autonomie ne supprime donc pas la validation humaine.
Elle déplace surtout la validation vers les moments où elle apporte le plus de valeur.
Le déploiement de GPT-6 Astra est progressif. OpenAI commence par un nombre limité d’organisations et annonce un accès dans les jours suivants via ChatGPT Plus, Pro, Business et Enterprise ainsi que par l’API, Microsoft Azure et AWS Bedrock. La disponibilité exacte peut donc différer selon les comptes au cours du déploiement.
Pour les développeurs, l’identifiant du modèle est :
gpt-6-astra
La documentation API indique une fenêtre de contexte de 1 050 000 tokens et un maximum de 128 000 tokens générés.
Le tarif Standard annoncé est de :
| Type de tokens | Tarif |
|---|---|
| Entrée | 10$ |
| Entrée lue en cache | 1$ |
| Sortie | 50$ |
Des règles tarifaires particulières s’appliquent notamment aux contextes très volumineux et à certains modes de traitement. La lecture du cache est distincte de son écriture, facturée 12,50$ par million de tokens. Au-delà de 272000 tokens en entrée, les tarifs d’entrée et de cache sont multipliés par deux et le tarif de sortie par 1,5 pour la requête entière. Consulter les tarifs et limites du modèle ↗.
Ce coût rappelle un autre point important pour un produit utilisant l’IA : le meilleur modèle n’est pas nécessairement celui qui doit traiter chaque requête.
Un SaaS peut associer plusieurs modèles selon les tâches. Une opération complexe peut justifier Astra tandis qu’une classification simple ou une génération courte peut être confiée à un modèle moins coûteux.
L’architecture devient alors aussi importante que le choix du modèle.
GPT-6 Astra représente évidemment une nouvelle progression en matière de raisonnement, de programmation et de compréhension.
Mais le changement le plus intéressant se situe probablement ailleurs.
Les modèles d’IA quittent progressivement le rôle de simples générateurs de texte pour devenir des systèmes capables de comprendre un objectif, utiliser des outils, exécuter plusieurs étapes et contrôler une partie de leur propre travail.
Pour un développeur, cela signifie que l’IA peut participer à une part croissante du cycle logiciel : exploration d’un projet, modification du code, tests, utilisation du navigateur, vérification visuelle ou analyse de sécurité.
Pour une entreprise, cela ouvre une autre génération d’automatisations. Les logiciels peuvent intégrer des agents capables non seulement de proposer une action, mais également de préparer ou d’exécuter certaines étapes du processus.
Cette évolution ne rend pas l’architecture, la sécurité ou le contrôle humain moins importants.
Elle produit précisément l’effet inverse.
Lorsque l’IA sait seulement parler, une erreur produit une mauvaise réponse. Lorsqu’elle sait agir, il faut aussi contrôler ce qu’elle a le droit de faire.
C’est probablement là que se situe la véritable rupture introduite par Astra : l’intelligence du modèle continue de progresser, mais la prochaine étape consiste surtout à apprendre à lui confier du travail sans lui confier aveuglément le système.
Actualité préparée à partir de la présentation officielle de GPT-6 Astra publiée par OpenAI, de la documentation technique du modèle et des informations de sécurité accompagnant son lancement. Les performances mentionnées correspondent aux évaluations communiquées par OpenAI et doivent être interprétées dans le contexte et les configurations indiqués par l’éditeur.
Sources consultées le 5 septembre 2026. Les conditions de disponibilité et les tarifs peuvent évoluer.
VOTRE PROJET IA
Modèles, outils, données, permissions et validation humaine : une automatisation réellement utile doit être pensée comme une fonctionnalité du produit, pas comme un chatbot ajouté après coup.
Saisissez au moins 2 caractères pour lancer la recherche.
