Tech • IA • Robotique • Jeu
Harness-as-a-Service : créer avec l’API Agents | DevDay 2026
7/10INTRO
OpenAI a lancé une API Agents managée, construite sur l’infrastructure Codex, afin de permettre aux développeurs d’exécuter des agents IA durables utilisant des outils dans des environnements cloud ou hébergés, sans avoir à exploiter eux-mêmes l’infrastructure d’orchestration sous-jacente.
POINTS CLÉS
Des workflows aux infrastructures complètes d’agents
Les systèmes d’agents ont dépassé les simples appels d’outils de courte durée pour évoluer vers des workflows étendus pouvant durer des heures ou des jours. Des outils hébergés plus anciens, comme l’Assistants API, prenaient en charge des tâches mesurées en secondes, mais des modèles plus récents, dont GPT-6 Astra et GPT-6.1 Sol, sont conçus pour gérer des travaux bien plus vastes du début à la fin. Cette évolution a exigé de passer d’un simple point de terminaison d’inférence à ce qui équivaut à une infrastructure managée pour la planification, l’usage d’outils, l’exécution et la reprise.
Construit sur la Responses API et Codex
L’entreprise décrit sa pile comme une architecture en couches: la Responses API fournit des entrées et sorties multimodales, Codex ajoute des capacités d’exécution pratiques comme le code et des tâches de type navigation, et la nouvelle Agents API expose cette couche d’orchestration sous forme de service. L’objectif est de permettre aux développeurs de définir outils, données, instructions et paramètres d’exécution, tout en externalisant la charge opérationnelle d’exécuter l’infrastructure à grande échelle.
Une réponse à la demande des développeurs pour une infrastructure managée
Un enseignement clé des retours développeurs est que beaucoup d’équipes voulaient davantage d’accompagnement et d’hébergement que de simple flexibilité brute. Même lorsqu’elles savaient quels outils ou environnements elles souhaitaient, elles avaient encore besoin de réponses sur la gestion des secrets, la conception des bacs à sable et l’emplacement d’exécution de l’agent. La nouvelle API est pensée pour ces équipes: elles gardent le contrôle sur les outils et les environnements, mais OpenAI exécute et améliore l’infrastructure.
Problème central d’ingénierie: séparer l’infrastructure et l’environnement d’exécution
La configuration initiale de Codex supposait une exécution locale sur la machine d’un développeur, où l’agent pouvait lire directement des fichiers et lancer des commandes. Dans le cloud, l’infrastructure doit communiquer avec des environnements distants arbitraires, qu’il s’agisse de bacs à sable exploités par le client ou hébergés par OpenAI. Cela implique d’acheminer chaque commande vers la bonne machine, de renvoyer les résultats assez vite pour que le modèle poursuive, et d’isoler de nombreuses sessions simultanées afin que les commandes ne se croisent jamais.
Nouvelle capacité d’utilisation d’ordinateur via l’API
Un ajout majeur est l’utilisation d’ordinateur via l’API, apportant à Astra la capacité d’opérer une interface graphique dans des environnements hébergés par OpenAI. Cela étend le système au-delà de l’automatisation centrée sur le terminal vers des workflows pilotés par interface graphique, une fonctionnalité fortement demandée par les développeurs. L’API prend désormais en charge à la fois les bacs à sable fournis par le client et l’exécution hébergée, avec diffusion d’événements en direct pour les mises à jour d’état.
Visibilité sur les travaux de longue durée
L’observabilité est apparue comme une autre exigence majeure. Les appels d’outils bruts et les sorties du modèle ne suffisaient pas pour les équipes construisant des produits orientés utilisateur autour d’agents de longue durée, surtout lorsque les utilisateurs reviennent pour plusieurs cycles de requêtes. Le service expose désormais le travail par tours conversationnels, ce qui facilite l’affichage de ce que fait un agent, de l’endroit où il peut être bloqué, et du lien entre les requêtes successives, sans obliger les développeurs à reconstruire eux-mêmes cette logique.
Maintenir les agents actifs pendant des jours
Les agents de longue durée font face à deux contraintes opérationnelles: les limites de contexte et les pannes d’infrastructure. Le système utilise la compaction pour conserver les parties utiles d’un historique croissant lorsqu’une session approche de la fenêtre de contexte du modèle. Il suit aussi l’état de session avec assez de précision pour survivre à des déploiements de code, au remplacement de serveurs ou à des pannes, permettant de reprendre le travail sans rejouer des actions risquées déjà effectuées.
La fiabilité dépend de plus que l’inférence
La plateforme vise une fiabilité de trois neufs, mais les agents de longue durée dépendent de plus d’un seul service. L’inférence du modèle, le stockage, les outils externes et le routage de session doivent tous offrir une fiabilité comparable. Un exemple illustre le défi: si une commande de modification est envoyée à un bac à sable et que la connexion tombe, le système doit déterminer si le fichier a changé avant de décider s’il est sûr de réessayer.
La démo de reprogrammation aérienne a montré une automatisation avec humain dans la boucle
Une application de démonstration gérait la reprogrammation après un vol annulé en lançant des sessions d’agent parallèles pour les cas passagers difficiles. Un voyageur avait besoin spécifiquement de O’Hare et d’un départ demain matin; une autre réservation concernait quatre passagers, dont des enfants, qui devaient voyager ensemble. Les agents ont consulté l’inventaire des sièges, délégué les vérifications de placement et d’arrivée à deux sous-agents, produit des fichiers de recommandation en JSON, et généré un script Python pour vérifier la logique par rapport aux contraintes énoncées.
Parallélisme préservé avec validations
Dans le workflow aérien, les sièges disponibles pouvaient être mis en attente, mais un humain devait toujours approuver la reprogrammation finale. Un vol candidat a été rejeté parce qu’il ne disposait que de une place; un autre a été rejeté parce qu’il avait quatre places mais ne pouvait pas garantir que la famille serait assise ensemble. L’exemple illustrait le modèle visé pour l’API: les agents effectuent en parallèle l’analyse et la préparation structurée à grande échelle, tandis que les humains gardent l’autorité finale sur les actions importantes.
Premiers adoptants et portée de l’écosystème
Notion utilise la technologie pour des workflows d’agents externes asynchrones, Rakuten l’applique à des tâches produit de longue durée, et Bain construit des audiences synthétiques simulant des retours clients tout en conservant une revue humaine. Pour les organisations restant dans l’écosystème AWS, le même système central est aussi exposé via des agents managés Bedrock propulsés par OpenAI.
CONCLUSION
La nouvelle Agents API vise à transformer le comportement avancé des agents en infrastructure managée plutôt qu’en projet d’ingénierie sur mesure. Son importance tient au fait qu’elle rend plus pratique l’automatisation parallèle, durable et utilisant des outils, tout en laissant aux développeurs le contrôle des règles, des environnements et des points d’approbation humaine.
Poser une question