Tech • IA • Robotique • Jeu
Du mode solo au multijoueur avec Codex | DevDay 2026
9/10INTRO
OpenAI a décrit un passage d’outils d’IA qui augmentent la productivité individuelle à des agents persistants, orientés équipe, qui rassemblent le contexte, suivent le travail entre les applications et aident les groupes à se coordonner via des automatisations, des documents et des plugins partagés.
POINTS CLÉS
De la productivité individuelle à la coordination d’équipe
L’argument central était que les outils d’IA dépassent le simple objectif de rendre un employé plus rapide pour viser la réduction des goulets d’étranglement d’une équipe. Les premiers gains venaient de l’accès des modèles à l’ordinateur, aux fichiers, au navigateur et aux applications d’un utilisateur, mais cela laissait souvent une personne jouer le rôle de « colle » entre les systèmes, en faisant avancer chaque tâche manuellement. Le nouvel objectif est de permettre aux équipes de partager le contexte et de déléguer le travail à des agents qui continuent d’opérer sans dépendre d’un seul coordinateur.
Une nouvelle définition de l’IA “multijoueur”
Le terme “multijoueur” n’était pas présenté comme un simple fil de discussion partagé, mais comme un flux de travail où les conversations, mises à jour et décisions sont automatiquement capturées et transformées en progression. Au lieu qu’une personne surveille les e-mails, Slack, les onglets du navigateur et les retours clients, des agents peuvent suivre des investigations en arrière-plan, faire remonter les problèmes et préserver le contexte pour éviter qu’il se perde dans des outils dispersés. Ce modèle vise à permettre aux collègues de reprendre le travail là où d’autres l’ont laissé.
La réponse aux incidents comme cas d’usage
Un incident hypothétique survenant le matin a illustré le problème. Si des plaintes apparaissent en ligne au sujet de défaillances d’usage ou de limites de débit, les équipes doivent déterminer ce qui a cassé, qui enquête et à quel moment une escalade est justifiée. Auparavant, cela impliquait de vérifier manuellement les outils internes, d’épingler des fils, de configurer des automatisations et de résumer les mises à jour à répétition. Même lorsque l’automatisation des tâches s’améliorait, le travail dupliqué restait fréquent, car plusieurs équipes menaient souvent des investigations parallèles sans système partagé.
Des agents cloud persistants et les “dots”
La nouvelle approche s’articule autour d’agents cloud persistants appelés dots. Ces agents peuvent surveiller les commentaires, e-mails, réponses dans les fils et d’autres signaux à travers les services, puis continuer à suivre une investigation sans sollicitations constantes. Comme un dot fonctionne dans le cloud avec son propre navigateur, ses fichiers et son environnement de calcul, il peut continuer à tourner même lorsque l’ordinateur portable de l’utilisateur est éteint, tout en se synchronisant avec l’activité sur les appareils locaux lorsque l’autorisation est accordée.
Les “app shots” comme capture de contexte
Un outil mis en avant était l’app shot, qui capture non seulement une capture d’écran, mais aussi tout le contexte d’une application, y compris les métadonnées, les URL et le contenu hors écran. Au lieu de partir d’un prompt vide, un utilisateur peut en pratique identifier un agent d’IA directement depuis l’application qu’il utilise déjà. Cela vise à réduire la friction au lancement des tâches et à permettre au système de “rencontrer les utilisateurs là où ils sont”, même si, à lui seul, cela laisse encore l’utilisateur assurer l’essentiel de l’orchestration.
La voix et les réunions comme entrée d’équipe
Les interfaces vocales ont été présentées comme une avancée majeure, car les gens parlent généralement bien plus vite qu’ils ne tapent. Des systèmes vocaux agentiques peuvent recevoir des instructions orales, effectuer un travail en arrière-plan, poser des questions de suivi et renvoyer des mises à jour. En réunion, la transcription devient plus utile lorsqu’un agent persistant absorbe automatiquement les notes et transforme les actions à mener en tâches, comme rédiger un post, envoyer des messages à des coéquipiers via Slack, ou collecter sur le web des identifiants de retours clients.
Des espaces partagés comme source unique de vérité
Pour éviter la fragmentation des connaissances, les équipes peuvent utiliser des spaces avec des pages servant de coffres de mémoire dans le cloud. Les agents peuvent mettre à jour ces pages en continu à l’aide d’instructions prédéfinies, en préservant le formatage, les citations et la structure, un peu comme les flux Markdown standardisés le faisaient autrefois sur les machines locales. L’objectif est de donner aux personnes comme aux agents un lieu unique pour examiner chronologies, rapports, responsabilités et hypothèses en évolution.
Automatisations, plugins et extensions
Le système va aussi au-delà de l’assistant d’un seul utilisateur grâce à des automatisations d’équipe et à des plugins partageables. Les automatisations peuvent fonctionner au niveau d’une page ou d’une équipe entière, pour des usages comme des rapports hebdomadaires d’analytique finance, le suivi des pull requests d’ingénierie, l’identification de la personne directement responsable d’un projet, ou le suivi d’expériences de research au long cours. Les plugins et extensions sont présentés comme une infrastructure versionnée et réutilisable, afin que les améliorations puissent être diffusées dans toute l’entreprise plutôt que de rester enfermées dans la configuration d’une seule personne.
Au-delà de l’ingénierie
Même si les incidents d’ingénierie étaient l’exemple le plus clair, la même approche a été appliquée aux tournages, à la planification de contenu et au travail créatif. Sur des plateaux très actifs, des agents peuvent maintenir les projets à jour pendant les pauses et générer des sites, des modifications de documentation ou des présentations à partir des retours et validations. En marketing et en planification créative, des agents persistants peuvent capter des idées mentionnées dans des chats ou des réunions, puis les transformer plus tard en prototypes, concepts de lancement ou brouillons de supports.
CONCLUSION
Le pari plus large est que la prochaine phase de l’IA portera moins sur la maximisation de la production d’une seule personne que sur la construction d’une infrastructure d’agents partagée pour les équipes. Si ce modèle fonctionne, les organisations pourraient consacrer moins de temps aux coûts de coordination et davantage à la prise de décision, au travail créatif et à l’exécution.
Poser une question