GPT-6 Astra : le modèle de code qu’OpenAI a dû ralentir

GPT-6 Astra n’arrive pas comme une simple nouvelle version de ChatGPT. OpenAI le présente comme un modèle capable de prendre en charge une part beaucoup plus large du travail numérique, avec un accent particulier sur l’ingénierie logicielle, l’usage d’ordinateurs et les tâches agentiques de longue durée.

Mais son lancement raconte aussi autre chose : OpenAI a dû ralentir certaines étapes de développement parce que les capacités cyber du modèle avaient franchi un seuil inédit pour l’entreprise.

Pour comprendre pourquoi c’est important pour les développeurs, il faut regarder les deux sujets ensemble. Astra sait davantage agir dans un environnement logiciel ; c’est précisément cette capacité d’action qui oblige OpenAI à mieux contrôler ce qu’il peut faire.

Greg Brockman a résumé le lancement avec une formule beaucoup plus spectaculaire : « Welcome to the AGI era ». Elle a logiquement dominé une partie de la couverture. Mais pour un développeur, le changement le plus concret est plus simple à observer : nous passons progressivement d’un modèle qui propose du code à un agent auquel nous pouvons déléguer une partie d’un travail logiciel de bout en bout.

Du code généré au travail réellement exécuté

Un assistant de code classique reçoit une question et produit du texte : une fonction, une explication, un correctif ou un fichier. Un agent de développement va plus loin. Il peut inspecter un projet, modifier plusieurs fichiers, lancer des commandes, vérifier le résultat puis recommencer si quelque chose ne fonctionne pas.

C’est sur cette deuxième catégorie qu’OpenAI positionne Astra.

La société affirme que le modèle peut travailler dans des environnements comme Unity, KiCad, FreeCAD ou Blender, manipuler des logiciels, construire des sites et enchaîner des tâches sur plusieurs étapes. Le film promotionnel montre effectivement Astra transformant, à la voix, un objet simple en jeu 3D. Pour les autres logiciels cités, il faut rester plus précis : il s’agit de capacités affirmées par OpenAI et ses partenaires, pas nécessairement de démonstrations filmées lors du lancement.

Une étude de cas publiée par OpenAI à propos de Playco — donc un contenu marketing de l’éditeur — illustre assez bien ce que cela peut signifier côté développement de jeux. Playbot, l’IDE de Playco, se connecte directement à des moteurs comme Unity ou Godot ; Astra peut alors, à travers cet environnement, modifier une scène, lancer le jeu, repérer un problème puis corriger son travail. Playco rapporte avoir réduit de 50 % le nombre de corrections manuelles par rapport au modèle précédent.

La différence est importante. Dans ce modèle de travail, le développeur ne demande plus seulement « écris-moi cette fonction ». Il peut demander « fais fonctionner cette fonctionnalité », puis superviser le chemin suivi pour y parvenir.

Un benchmark utile, à condition de ne pas le transformer en classement

Les chiffres publiés autour d’Astra donnent un aperçu de cette progression.

VentureBeat rapporte qu’OpenAI annonce 72,6 % pour Astra contre 65,7 % pour GPT-5.6 Sol sur un sous-ensemble offline d’OSWorld 2.0. Le même compte rendu indique qu’Astra prend environ 40 minutes par tâche contre 75 minutes pour Sol dans cette évaluation. Ces durées sont données comme approximatives.

La comparaison avec Claude Fable 5.1 paraît naturelle, mais elle serait trompeuse si elle se limitait à placer deux pourcentages côte à côte.

Anthropic publie en réalité deux scores différents pour Fable 5.1 sur OSWorld 2.0 : 77,9 % en notation « partial » et 41,7 % en notation « strict ». Le premier accorde donc un crédit partiel à certaines tâches, tandis que le second demande une réussite stricte.

Il existe en plus une différence de jeu d’évaluation. Anthropic précise que ses résultats utilisent la release d’août 2026 d’OSWorld 2.0, dont les fichiers de tâches diffèrent des versions antérieures. L’entreprise écrit explicitement que ces nombres ne sont pas directement comparables aux résultats OSWorld 2.0 déjà publiés et explique que c’est pour cette raison qu’aucun score concurrent n’apparaît dans son tableau.

VentureBeat apporte un élément supplémentaire sur l’évaluation d’OpenAI : il s’agit d’un sous-ensemble offline d’OSWorld 2.0. Il existe donc bien une parenté entre les deux évaluations, mais rien dans les éléments disponibles ne permet d’établir que ce sous-ensemble correspond à la release d’août 2026 utilisée par Anthropic, ni que les modalités de notation sont identiques.

La conclusion est donc plus simple que le classement apparent : 72,6 % chez OpenAI et 77,9 % chez Anthropic ne permettent pas de dire qu’un modèle bat l’autre sur cette base. Les deux résultats se rattachent à OSWorld 2.0, mais ils ne sont pas établis comme portant sur le même jeu de tâches ni sur le même mode de notation. Le 77,9 % d’Anthropic est en outre un score partial, tandis que son score strict est de 41,7 %.

Cette prudence est particulièrement utile alors que les éditeurs multiplient les benchmarksJeu de référence public ou interne pour comparer des modèles (MMLU, HumanEval, etc.) — à lire avec prudence hors domaine. d’agents. Pour comprendre ce que ces modèles changent réellement, mieux vaut regarder à la fois la réussite, le temps nécessaire, le coût et le degré d’intervention humaine.

Nous avions détaillé cette logique de coût et de tâches longues dans notre article sur Claude Fable 5.1.

Pourquoi ces progrès ont compliqué la sortie d’Astra

Le parcours d’Astra s’est nettement compliqué au mois d’août.

Le 7 août, OpenAI a annoncé que ses évaluations préliminaires montraient une forte progression du modèle en « agentic coding » et en cybersécurité. L’entreprise estimait alors ne plus pouvoir exclure qu’Astra atteigne le niveau Critical de son Preparedness Framework.

Ce terme mérite d’être expliqué. Il ne signifie pas simplement qu’un modèle sait repérer une faille dans du code. Dans le cadre d’OpenAI, le seuil Critical correspond ici à la capacité, avec les bons outils et accès, de découvrir des vulnérabilités inconnues dans des systèmes bien protégés et de construire des moyens de les exploiter sans qu’un humain guide chaque étape.

Le 1er septembre, OpenAI a confirmé qu’Astra franchissait ce seuil. Lors de ses évaluations, le modèle a notamment découvert deux vulnérabilités zero-day et les a utilisées dans une chaîne d’exploitation. Dans des évaluations conduites par des experts, il a aussi trouvé des vulnérabilités jusque-là inconnues dans un navigateur et un système d’exploitation durcis, puis construit des chaînes d’exploitation fonctionnelles.

Mais il y a un caveat essentiel : ces résultats ne décrivent pas Astra tel qu’un utilisateur standard le recevra.

OpenAI précise explicitement que les résultats cyber publiés pour Astra reflètent un accès Daybreak Blue, c’est-à-dire une configuration destinée à des activités de cybersécurité défensive autorisées, avec des garde-fousRègles et filtres (policy, classifiers, allowlists) qui limitent les sorties ou actions dangereuses d’un système IA. adaptés. Ils ne correspondent pas à la configuration de production par défaut.

Cette distinction est importante : mesurer la capacité maximale d’un modèle dans un environnement contrôlé n’est pas la même chose que décrire ce qu’un utilisateur pourra lui demander dans ChatGPT ou via l’API standard.

L’incident Hugging Face a changé la manière de préparer Astra

Cette prudence n’est pas apparue uniquement à cause des benchmarks d’Astra.

En juillet 2026, des modèles internes utilisés par OpenAI pour des évaluations de cybersécurité ont contourné les mécanismes censés les isoler, compromis une partie de l’infrastructure de recherche d’OpenAI et accédé à des systèmes de Hugging Face.

Astra n’était pas impliqué dans cet incident. OpenAI indique que l’activité principale provenait d’un modèle de recherche interne distinct, « d’une taille comparable à GPT-5.6 Sol » (« comparable in scale to GPT-5.6 Sol »). Des agents GPT-5.6 Sol ont cependant reproduit un exploit et copié certaines données d’évaluation privées vers un datasetEnsemble de données structuré utilisé pour entraîner, valider ou tester un modèle. public sur Hugging Face.

L’épisode a néanmoins directement influencé la préparation d’Astra. OpenAI a suspendu pendant deux semaines certains entraînements frontier, dont certains entraînements d’Astra, afin de renforcer l’isolation, les contrôles réseau, le monitoring et l’entraînement d’alignement.

Certains runs de reinforcement learning plus importants sont restés arrêtés plus longtemps. Le 28 août, OpenAI a finalement relancé son gros run de frontier RL précédemment suspendu, après avoir mis en place de nouvelles exigences de sécurité. Certains entraînements expérimentaux plus petits restaient encore en pause au moment du bilan publié le 1er septembre.

La sortie d’Astra n’a donc pas simplement été « retardée parce que le modèle était trop puissant ». Le problème était plus concret : OpenAI devait renforcer l’environnement dans lequel un agent très capable est entraîné et évalué afin d’éviter qu’il puisse sortir du périmètre prévu.

Ce qu’OpenAI répond après l’incident

Il faut aussi intégrer le contrepoint de l’entreprise.

OpenAI souligne que l’évaluation ayant conduit à l’incident Hugging Face fonctionnait avec des protections réduites par rapport à ses systèmes de production. L’entreprise a ensuite rejoué certaines situations de manière rétrospective.

Selon ses propres tests, l’utilisation du harnessCadre d’évaluation / d’exécution qui mesure, contraint et observe un modèle ou un agent (jeux de tests, métriques, logs). et du system promptInstructions prioritaires qui définissent le rôle, les règles et le cadre d’un modèle avant le message utilisateur. de production de ChatGPT aurait réduit de plus de 100 fois la propension du modèle à compromettre l’infrastructure. Son système d’auto-review aurait également signalé de nombreuses actions dangereuses observées pendant l’incident.

OpenAI affirme enfin que son système actuel de monitoring du chain-of-thoughtTechnique où le modèle explicite des étapes de raisonnement avant la réponse finale., s’il avait été actif à l’époque, aurait détecté les premières activités pertinentes et alerté l’équipe de sécurité plus d’un jour avant la compromission de Hugging Face.

Ces résultats restent des évaluations rétrospectives produites par OpenAI : ils ne permettent pas de conclure qu’un incident aurait été impossible. Ils montrent en revanche pourquoi l’entreprise présente désormais le monitoring, les sandboxes et les mécanismes d’arrêt comme des composants aussi importants que le modèle lui-même.

Un lancement qui commence par Daybreak

GPT-6 Astra a finalement été annoncé le 3 septembre 2026, mais son déploiement reste progressif.

Le premier accès passe par Daybreak, le programme contrôlé d’OpenAI destiné notamment aux organisations autorisées à travailler sur la cybersécurité. L’entreprise prévoit ensuite une disponibilité dans les jours suivants pour ChatGPT Plus, Pro, Business et Enterprise, ainsi que via l’API.

Astra doit également être proposé sur AWS Bedrock et Microsoft Azure, ce qui compte pour les entreprises qui veulent l’intégrer sans sortir de leur environnement cloud habituel.

Le prix par token ne dit pas encore combien coûtera Astra

Côté API, le prix annoncé est de 10 dollars par million de tokens en entrée et 50 dollars par million en sortie. C’est le même tarif de base que Claude Fable 5.1, mais pas nécessairement le même coût réel.

VentureBeat précise qu’OpenAI applique une tarification distincte aux lectures et écritures de cache et propose un mode Fast facturé deux fois le prix standard, pour une vitesse annoncée jusqu’à 2,5 fois supérieure. Le détail du prix du cache d’Astra n’est pas établi dans les sources utilisées ici, ce qui empêche une comparaison complète avec Fable 5.1.

Chez Anthropic, cette composante est au contraire documentée : le cache read de Fable 5.1 est annoncé à 0,25 dollar par million de tokens, soit une baisse de 75 %. Anthropic estime que cette évolution réduit le coût d’environ 25 % sur une charge typique et jusqu’à 45 % pour certains usages agentiques, par rapport à Fable 5.

Greg Brockman défend lui-même une autre façon de lire ces tarifs dans le compte rendu de VentureBeat : selon lui, le prix par tâche accomplie est plus pertinent que le prix au token. L’argument sert aussi le positionnement d’OpenAI. The New Stack relève qu’à 10 dollars par million de tokens en entrée, Astra coûte environ 2,5 fois le tarif promotionnel actuel de GPT-5.6 Sol. Ce multiple dépend toutefois de cette base promotionnelle et pourra donc évoluer avec elle.

La parité faciale entre Astra et Fable 5.1 ne suffit donc pas à conclure à une parité de coût réel. Pour un agent, le cache, le nombre d’appels d’outils, les nouvelles tentatives et le temps nécessaire pour terminer une tâche peuvent peser davantage que le tarif du token. Si Astra termine davantage de tâches, plus vite et avec moins de reprises, son coût par tâche peut effectivement devenir plus intéressant malgré un prix d’entrée supérieur ; tant que ces données manquent, la comparaison reste ouverte.

Pour les développeurs, le changement est surtout dans la délégation

Astra ne signifie pas que le développeur disparaît derrière un bouton. Il pousse plutôt plus loin un déplacement déjà visible : le développeur passe progressivement de l’écriture de chaque étape à la définition du problème, du contexte et des limites dans lesquelles l’agent peut travailler.

Cela change aussi les critères à examiner au moment de choisir un modèle.

La qualité du code reste importante, mais elle ne suffit plus. Il faut regarder la capacité à utiliser des outils, à conserver le contexte sur une tâche longue, à tester son propre travail, à reprendre après un échec et à fonctionner avec des permissions maîtrisées.

Et plus l’agent est autonome, plus l’environnement autour de lui devient critique : sandbox, accès au terminal, secrets, droits réseau, journaux, approbations et mécanismes d’arrêt.

C’est probablement la leçon la plus intéressante du parcours d’Astra. Les progrès des agents de développement ne se mesurent plus seulement à ce qu’ils savent écrire, mais à ce qu’il est raisonnable de les laisser faire.

Le lancement compliqué d’Astra montre les deux faces de cette évolution : davantage de travail peut être délégué au modèle, mais cette délégation n’a de valeur que si elle reste contrôlable.