L’API Agents d’OpenAI : une alternative gérée aux frameworks d’agents personnalisés

OpenAI a lancé la bêta publique d’une nouvelle Agents API. En résumé : le même système qui fait fonctionner Codex est désormais disponible en tant que service cloud géré, accessible à tous. Au lieu de mettre en place votre propre couche d’orchestration, il vous suffit de décrire la tâche, de choisir un modèle, de connecter vos outils et de désigner l’endroit où l’agent doit s’exécuter. Une seule appel API crée alors un agent prêt à être utilisé en production, avec tout le traitement complexe — gestion du contexte, planification des outils, coordination des sous-tâches — géré et hébergé par OpenAI lui-même.

Une seule appel remplace tout votre framework

const client = new OpenAI();

const session = await client.beta.agents.sessions.create({
  agent: {
    model: "gpt-6-astra",
    tools: [{ type: "mcp", server_label: "observability" }],
    multi_agent: { enabled: true, max_concurrent_subagents: 3 },
  },
  environment: { type: "openai_hosted" },
  input: "Investigate the spike in 5xx errors for service-api over the last 30 minutes. Delegate the deployment, error, and dependency analysis to sub-agents. Save your findings and mitigation recommendations to /workspace/outputs."
});

Construire un agent solide de zéro a traditionnellement impliqué beaucoup d’efforts techniques peu attrayants : gérer la quantité de données qui peut tenir dans la fenêtre de contexte, ajuster l’utilisation des tokens lors des appels aux outils, et mettre en place manuellement des logiques pour maintenir la synchronisation des sous-tâches. L’API des agents a été conçue pour absorber toute cette couche de travail :

• Compression automatique du contexte : à mesure qu’une session approche de sa limite de contexte, le système supprime et résume automatiquement les messages anciens, vous évitant ainsi de devoir créer des logiques personnalisées pour maintenir en vie les tâches longues.
• Chargement différé des définitions d’outils via une recherche, ce qui permet de préserver le cache du modèle et de réduire la consommation globale de tokens.
• Appel programmé aux outils avec prise en charge des appels parallèles et de la chaînage, de sorte que seuls les éléments d’un grand ensemble de données qui sont réellement importants sont transmis dans le contexte de l’agent principal.

Orchestration multi-agents intégrée : un agent principal divise une tâche complexe en plusieurs parties, les transmet à des sous-agents qui s’exécutent en parallèle, et chaque sous-agent conserve son propre contexte isolé.

Le service fonctionne actuellement sur le dernier modèle d’OpenAI, GPT-6-Astra.

Choisissez votre propre environnement d’exécution

Toutes les charges de travail d’agent n’ont pas les mêmes besoins en infrastructure, c’est pourquoi l’API Agents propose trois méthodes distinctes pour exécuter vos agents :

• Un environnement de test hébergé par OpenAI, basé sur le même backend qui gère déjà Codex et ChatGPT
• Une infrastructure auto-gérée, où l’agent s’exécute directement à l’intérieur de votre propre VPC
• Des environnements de test gérés par des fournisseurs partenaires, tels que Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop et Vercel

Le choix du chemin à suivre dépend de ce que vous cherchez à optimiser. Pour un prototypage rapide, l’environnement sandbox hébergé vous permet de démarrer sans trop de difficultés. Pour des charges de travail en production soumises à des exigences de conformité ou à des contraintes de résidence des données, exécuter le système au sein de votre propre VPC vous offre le contrôle nécessaire. Chaque option présente ses propres compromis en termes de puissance de calcul, de mémoire, d’accès aux GPU, de temps de démarrage et de coûts, ce qui vous permet d’adapter l’environnement à la tâche.

Signaux des premiers utilisateurs

Un petit groupe d’équipes ayant testé la version bêta a déjà rapporté des résultats encourageants :

• Ciridae a vu ses scores d’évaluation passer de 0,71 à 0,85 tout en réduisant la latence de quatre fois
• SafetyKit a permis de réduire les coûts d’examen des cas de 60 %, accompagné d’améliorations notables en termes d’efficacité des tokens

Les taux d’échec des agents de coupe d’hyphes ont diminué de 86 % après avoir séparé le harnais de la couche sandbox

Le CTO de Ciridae a indiqué que l’équipe avait passé des mois à développer en interne ses propres outils d’observabilité et d’orchestration pour les sous-agents, et que le passage à l’API gérée a apporté des améliorations immédiates et mesurables sans nécessiter de réglages supplémentaires. Le point commun à tous ces résultats est simple : une fois que l’on n’est plus responsable de la maintenance d’une infrastructure d’agents personnalisée, on peut rediriger ces efforts vers la logique qui distingue véritablement son produit.

Conçu pour être transparent, pas une boîte noire

Le service est basé sur l’outil open source Codex, et le code sous-jacent reste accessible au public sur GitHub. OpenAI gère et entretient l’infrastructure, mais rien de la logique d’exécution principale n’est caché — vous pouvez l’inspecter à tout moment. Cela signifie que l’adoption de ce service géré ne nécessite pas de faire confiance à un système fermé ; la transparence du code open source se retrouve dans le produit hébergé.

Penser aux coûts réels

Il circule une blague selon laquelle ce lancement aurait mis plus d’une centaine de startups en difficulté, et ce n’est pas entièrement une blague. Chaque fois qu’un fournisseur de plateforme intègre une partie de l’infrastructure principale dans une offre gérée, les entreprises dont le produit repose entièrement sur cette couche intermédiaire doivent alors trouver une nouvelle approche.

Les développeurs ont déjà souligné un problème réel lié aux tarifs : une seule tentative de réalisation d’une tâche complexe peut déclencher une douzaine d’appels à des outils, et chacun d’eux ajoute son propre suivi dans le contexte. Il est possible de générer des frais considérablement plus élevés avant même d’obtenir un résultat fonctionnel. Pour l’instant, OpenAI ne facture rien de supplémentaire pour l’API Agents elle-même pendant la phase bêta publique — vous ne payez que pour les tokens que vous consommez et les exécutions d’outils que vous déclenchez. Cela signifie que vous économisez sur les coûts d’ingénierie liés à la création et au fonctionnement de votre propre framework, mais vous pourriez finir par payer plus en raison d’une utilisation intensive du temps de traitement. Trouver l’équilibre idéal entre le niveau d’automatisation des appels aux outils par votre agent et le coût associé relève de la responsabilité de chaque équipe.

Le point clé pratique

Tester un nouveau concept d’agent n’a jamais été aussi peu coûteux ni aussi rapide. Les équipes ne disposant pas encore d’une stack d’agents interne peuvent désormais développer directement sur Codex, en évitant complètement les étapes d’ingénierie de base. Si votre organisation dispose déjà d’un framework d’agents développé en interne, il est utile de se poser une question précise : la création et la maintenance de ce framework font-elles réellement partie des éléments qui rendent votre produit unique ? Si ce n’est pas le cas, passer à un service géré comme celui-ci pourrait libérer une quantité considérable de temps d’ingénierie.

L’API des Agents reste en version bêta publique et est actuellement gratuite à utiliser durant cette phase, il n’y a donc presque aucune raison de ne pas créer un agent de test avec une seule appel API pour voir ce qu’il est réellement capable de faire.

Cette nouvelle version s’inscrit dans une tendance plus large selon laquelle les grands modèles de langage continuent de compresser les couches que les développeurs devaient autrefois construire eux-mêmes. D’abord sont apparus les modèles en tant que service, puis Harness en tant que service, et maintenant quelque chose de plus proche du bot en tant que service. Chaque étape pousse les développeurs davantage vers le haut de la chaîne technologique, loin des aspects infrastructurels, afin qu’ils puissent créer les applications et expériences qui vraiment distinguent leurs produits — et cette tendance ne montre aucun signe de ralentissement.

Lectures complémentaires

• Comprendre les items et les messages dans l’API des réponses d’OpenAI — Explique comment l’API des réponses d’OpenAI reorganise les sorties du modèle en items plutôt qu’en messages, et pourquoi ce changement est important pour l’appel d’outils et les workflows agents.

Comprendre les agents IA : objectifs, outils, mémoire et la boucle de l’agent — Une explication adaptée aux débutants sur les différences entre les agents IA et les chatbots, abordant les composants fondamentaux, la boucle de décision, les niveaux d’autonomie et les cas d’usage dans le monde réel.