Les lauréats de l’OpenAI Build Week montrent ce que Codex peut créer au-delà des démos

OpenAI a annoncé les huit lauréats de l’OpenAI Build Week le 25 août 2026, après que près de 47 000 personnes ont participé à son plus grand hackathon. Le résultat marquant n’était pas une nouvelle collection de chatbots généralistes. Les lauréats ont traité des problèmes précis liés au triage vétérinaire, à la réanimation, à l’accessibilité de la parole, à l’apprentissage des langues, à l’audio spatial, à la sécurité, à l’audio domestique et aux machines historiques.

Cette focalisation crée une tension utile. Codex a aidé les créateurs à aller au-delà de leurs spécialités techniques existantes, mais les projets les plus solides n’ont pas confié chaque décision à un modèle. Ils ont intégré l’IA dans des flux de travail dotés d’entrées définies, de sorties contraintes, de composants déterministes et d’un contrôle humain visible.

Les projets restent des candidatures de hackathon, des prototypes, des démonstrations ou des pilotes précoces, sauf indication contraire de leurs équipes. Ils ne prouvent pas que chaque idée est prête pour la production. Ils offrent quelque chose de plus concret : huit petites études de cas sur ce qui distingue un flux de travail agentique crédible d’une démo impressionnante.

Les lauréats de l’OpenAI Build Week partageaient une contrainte importante

Chaque lauréat est parti d’une tâche, d’un utilisateur et d’un environnement d’utilisation précis, plutôt que d’un assistant IA générique.

OpenAI a organisé Build Week comme un défi de huit jours centré sur la création de projets utilisables avec Codex et GPT-5.6. Selon sa rétrospective des lauréats, les participants ont soumis plus de 8 000 projets issus de 186 pays. Ils ont également participé à sept événements numériques et à 60 événements communautaires en personne.

La compétition couvrait quatre catégories : Éducation, Travail et productivité, Applications pour votre vie et Outils pour développeurs. Un projet arrivé premier et un autre arrivé deuxième ont été distingués dans chaque catégorie.

L’ampleur de l’événement compte, mais les critères d’évaluation expliquent davantage la sélection finale. Les règles officielles du défi mettaient l’accent sur l’implémentation technique, le design, l’impact potentiel et la qualité de l’idée. Les candidatures devaient inclure un projet exécutable, un dépôt et une vidéo de démonstration de moins de trois minutes.

Ces exigences favorisaient les expériences fonctionnelles plutôt que les présentations spéculatives. Les juges pouvaient examiner comment Codex avait contribué, où les créateurs avaient pris leurs propres décisions et si le résultat répondait à un public réel.

La page officielle des résultats d’OpenAI décrit les huit projets en termes directs et fonctionnels. Chaque description identifie l’utilisateur, la tâche et l’interface. Aucune ne repose sur la promesse abstraite qu’un assistant unique peut prendre en charge toutes les formes de travail.

Ce schéma est facile à manquer lorsqu’on lit les résultats comme une simple liste de lauréats. Il devient plus clair lorsque les projets sont comparés comme des systèmes.

Mechanica se concentre sur la reconstruction de machines chinoises anciennes. Dấu se concentre sur la prononciation vietnamienne. veTriage organise le triage téléphonique vétérinaire, tandis que Pulse suit les événements durant les soins d’arrêt cardiaque.

Second Voice facilite la communication en direct pour les personnes dont la parole est difficile à comprendre. AirBridge résout le streaming de Windows vers AirPlay. Echo Canvas rend l’acoustique spatiale interactive, et Sentinel inspecte les serveurs MCP à la recherche de faiblesses de sécurité.

Chaque périmètre est suffisamment étroit pour définir ce qu’est une bonne sortie. Il définit également les moments où le logiciel doit s’arrêter, demander confirmation ou s’en remettre à une personne.

La distinction compte, car les agents généralistes échouent souvent à cause de l’ambiguïté. Une demande telle que « aide-moi dans mon travail » laisse le système deviner les sources, les autorisations, les priorités et les critères d’achèvement.

Un assistant de triage vétérinaire fait face à un problème différent. Il peut recueillir les antécédents, identifier des signes d’alerte documentés et orienter l’appel sans diagnostiquer l’animal. Cette limite crée un rôle utile pour l’IA sans prétendre que le modèle doit devenir le vétérinaire.

C’est la leçon centrale des lauréats de l’OpenAI Build Week. Codex a élargi ce que des créateurs individuels pouvaient mettre en œuvre, mais la structure du domaine a rendu les logiciels obtenus crédibles.

Les lauréats de la catégorie Éducation ont transformé les preuves en interface

Mechanica et Dấu utilisent l’IA pour expliquer les preuves, tandis que des systèmes déterministes et une incertitude visible protègent l’expérience d’apprentissage.

Mechanica, le premier prix de la catégorie Éducation, est un musée interactif consacré aux machines chinoises anciennes. Les créateurs Weiying Zhu, Yukun Li et Shan Wei ont reconstruit quatre machines à partir de documents historiques incomplets.

Les utilisateurs peuvent actionner les mécanismes, séparer leurs pièces et examiner leurs mouvements. Le projet relie les dimensions à des textes classiques, à des artefacts mesurés ou à des inférences savantes étiquetées.

Cette provenance est plus importante que la seule présentation en 3D. Les machines anciennes ne subsistent parfois qu’à travers des descriptions fragmentaires, et les historiens peuvent diverger sur leur construction. Mechanica présente des reconstructions concurrentes lorsque les preuves ne permettent pas de soutenir une réponse définitive.

GPT-5.6 alimente un guide qui explique les machines et cite les preuves du musée. OpenAI indique que ce guide doit refuser de répondre lorsque les preuves à l’appui ne sont pas disponibles. Le modèle interprète donc une collection délimitée plutôt que d’improviser une certitude historique.

Codex a joué un rôle différent pendant le développement. L’équipe avait une vaste expérience logicielle, mais peu d’expérience en simulation physique, animation et modélisation 3D. Codex les a aidés à mettre en œuvre des tâches en dehors de leurs spécialités établies.

Cela ne signifie pas que le modèle a fourni la vérité historique. L’équipe devait toujours organiser les sources, signaler les inférences, concevoir les reconstructions et décider de la manière dont les désaccords devaient apparaître.

Le deuxième prix de la catégorie Éducation, Dấu, traite un autre problème où une erreur formulée avec assurance nuit à la confiance. Le vietnamien utilise la hauteur et les qualités vocales pour distinguer les sens, y compris six tons pour une même syllabe.

Dấu permet aux apprenants d’enregistrer un mot et de comparer sa courbe de hauteur à une référence validée par un locuteur natif. Il explique ensuite la différence probable et suggère une correction physique.

Le créateur Robert Huynh a séparé la mesure du coaching. Un traitement déterministe du signal évalue le ton, tandis que GPT-5.6 communique le retour. Lorsque le signal n’est pas clair, le système demande à l’apprenant de répéter l’essai.

Cette division offre un modèle réutilisable pour les agents multimodaux. Un modèle peut traduire une mesure en langage utile sans devenir lui-même le système de mesure.

L’interface rend également visible une caractéristique invisible. Les apprenants ne reçoivent pas seulement un jugement textuel. Ils voient leur courbe de hauteur à côté d’une référence, ce qui relie l’explication à des preuves observables.

Mechanica applique une idée similaire au moyen d’objets 3D interactifs. Au lieu de lire une description générée, les apprenants manipulent une reconstruction et suivent ses hypothèses.

Les deux projets montrent pourquoi « multimodal » devrait décrire un flux de travail, et non une liste de fonctionnalités. Les éléments visuels, audio, textuels et interactifs comptent lorsqu’ils exposent des preuves qu’un simple chat masquerait.

Ce principe s’étend aux connaissances en entreprise. Un agent de bureau utile devrait relier une réponse au fichier, à la réunion, à la personne et à l’historique de décision pertinents. Cela ressemble davantage au knowledge blending qu’à un échange isolé de questions-réponses.

Le langage de l’agent peut rester conversationnel. Ses preuves doivent rester vérifiables.

Les lauréats de la catégorie Travail ont maintenu les cliniciens aux commandes

veTriage et Pulse répondent à des tâches aux conséquences élevées en assistant le jugement humain plutôt qu’en revendiquant une autorité sur celui-ci.

veTriage a remporté le premier prix dans la catégorie Travail et productivité. La vétérinaire Erin Downes l’a créé après que sa clinique est passée de trois vétérinaires à un seul, selon le récit d’OpenAI.

Ce changement d’effectif n’a pas réduit les appels entrants de propriétaires d’animaux inquiets. Les réceptionnistes devaient toujours recueillir des informations utiles et reconnaître les cas nécessitant une attention plus rapide.

veTriage structure ce triage. Il aide le personnel à recueillir les antécédents, à faire remonter les recommandations rédigées par des vétérinaires, à reconnaître les signes d’alerte urgents et à orienter les cas vers une évaluation clinique.

Le projet sépare délibérément l’urgence de la capacité de rendez-vous. Un agenda complet ne rend pas un patient moins malade. Cette distinction transforme le jugement professionnel en flux de travail sans demander aux réceptionnistes ni au modèle de poser un diagnostic.

OpenAI décrit veTriage comme étant piloté par l’équipe de Downes. Un pilote constitue une preuve d’utilisation réelle, mais pas une preuve de validation clinique étendue ni de disponibilité générale.

Cette limite doit rester explicite. Le triage vétérinaire peut affecter les soins, la responsabilité et les attentes des clients. Un court hackathon ne peut pas établir la sécurité dans des cliniques, pour des pathologies, des pratiques du personnel et des règles locales différents.

Pourtant, la conception comporte une limite significative. GPT-5.6 soutient la conversation de triage, tandis que les décisions médicales restent entre les mains de personnes qualifiées.

Pulse, le deuxième prix, adopte une division du travail encore plus nette. Le cardiologue Mohamed Mostafa Mohamed Labib Abu Taleb a développé ce prototype de recherche entre ses gardes à l’hôpital au Caire.

Lors des soins d’arrêt cardiaque, une équipe doit suivre les rythmes, les chocs, les médicaments, les cycles de compressions et les interruptions. Pulse écoute les mises à jour orales, y compris en arabe égyptien avec alternance de langues, et maintient un état clinique partagé.

L’interface peut mettre en évidence ce qui s’est passé et ce qui pourrait devoir être fait ensuite. Elle ne remplace pas le clinicien qui dirige la réanimation.

OpenAI indique que GPT-5.6 interprète une parole désordonnée, tandis qu’un code déterministe et auditable suit le flux clinique. Lorsque les preuves ne sont pas claires, le système demande confirmation.

Cette architecture reconnaît deux types d’erreurs distincts. L’interprétation de la parole peut être probabiliste, mais le temps écoulé et les événements documentés exigent une gestion cohérente de l’état.

Cette distinction est cruciale dans les environnements à fortes conséquences. Un modèle peut mal entendre un médicament ou confondre une discussion avec une action accomplie. Traiter chaque fragment de transcription comme une vérité établie produirait un historique d’événements dangereux.

La confirmation agit comme une limite transactionnelle. Le logiciel peut proposer une mise à jour, mais une personne responsable détermine si cette mise à jour entre dans le dossier clinique.

Les agents de bureau ont besoin de limites similaires, même lorsque les conséquences sont moins immédiates. Rédiger un résumé diffère de son envoi. Trouver un contrat diffère de l’approbation de ses conditions. Préparer une note de réunion diffère de l’engagement de l’entreprise dans une action.

Un agent riche en contexte devrait comprendre les fichiers, les réunions, les personnes et les projets en cours. Ce contexte plus large améliore la pertinence, mais il augmente aussi l’impact potentiel des erreurs.

La réponse n’est pas de supprimer entièrement l’action. Il s’agit de distinguer la préparation réversible de l’exécution aux conséquences importantes.

Un agent peut recueillir des documents, comparer des notes de réunion et proposer automatiquement des suivis. Il devrait exiger une révision avant l’envoi de messages sensibles, la modification de dossiers ou l’engagement de ressources.

veTriage et Pulse remettent ainsi en question le récit familier de « l’agent entièrement autonome ». Dans les deux projets, l’automatisation utile provient d’une préservation soigneuse de l’autorité humaine.

Les applications pour votre vie ont fait de l’approbation une partie du produit

Second Voice et AirBridge montrent que l’approbation humaine et les politiques locales peuvent améliorer l’utilisabilité au lieu de simplement ralentir un agent.

Second Voice a remporté le premier prix dans la catégorie Applications pour votre vie. Le créateur Ravitez Dondeti l’a conçu pour les personnes atteintes de dysarthrie ou ayant une mobilité limitée, qui peuvent avoir du mal à se faire comprendre.

Le système combine une parole partielle, un répertoire personnel de phrases et le contexte immédiat de la conversation. Il propose ensuite un petit ensemble de phrases probables.

L’utilisateur choisit ou modifie une phrase avant que l’application ne la prononce à voix haute. Cette étape d’approbation protège la paternité du locuteur au moment où le logiciel représente sa voix.

Une conception moins prudente pourrait générer et prononcer immédiatement la phrase la plus probable. Cela réduirait le temps d’interaction, mais risquerait aussi de mettre des mots non souhaités dans la bouche de l’utilisateur.

Second Voice place l’interface de confirmation au centre du produit. Le nombre de suggestions, leur rapidité et l’effort nécessaire pour les approuver influencent tous l’efficacité de l’outil en conversation.

Cette attention remet en question une hypothèse courante sur les interfaces d’IA. La précision du modèle ne suffit pas, à elle seule, à déterminer son utilité. Une suggestion techniquement correcte peut arriver trop tard, exiger trop de manipulations ou interrompre la prise de parole.

Le projet utilise également plusieurs sources de contexte sans les rendre interchangeables. La parole partielle décrit la tentative en cours. Un répertoire de phrases reflète les expressions habituelles de la personne. Le contexte conversationnel restreint le sens plausible.

Ensemble, ces éléments peuvent améliorer une suggestion. L’utilisateur demeure l’autorité finale, car aucune de ces sources ne peut prouver son intention.

AirBridge for Windows, deuxième lauréat de la catégorie, résout un problème moins conséquent mais techniquement tenace. Il diffuse l’audio des ordinateurs Windows vers des enceintes compatibles AirPlay.

Le projet prend en charge plusieurs enceintes ainsi qu’un calibrage du délai propre à chaque pièce. Une extension de navigateur peut retarder la lecture vidéo pour corriger la synchronisation labiale lorsque la temporalité audio diffère.

AirBridge comprend également un assistant vocal facultatif. L’assistant peut contrôler la lecture, mais une couche de politique locale définit les actions autorisées et vérifie le résultat par rapport au matériel.

Cette couche locale change la nature de l’interface vocale. Le modèle interprète l’intention, tandis que des contrôles distincts régissent ce qui peut réellement se produire.

C’est une conception utile pour les agents qui interagissent avec des systèmes d’exploitation, des applications métier ou des appareils connectés. Le langage naturel ne devrait pas devenir une exécution sans restriction.

Les politiques peuvent limiter les actions par application, ressource, compte ou niveau de risque. La vérification peut ensuite comparer le résultat demandé à l’état réel du système.

L’association de politiques et de vérification est importante. Les contrôles d’autorisation peuvent empêcher les actions interdites, mais ils ne garantissent pas qu’une action autorisée a réussi. Un appareil, un service ou une intégration peut toujours échouer.

Second Voice résout le même problème général grâce à l’approbation explicite de l’utilisateur. AirBridge utilise une politique locale et la vérification des résultats. Tous deux établissent une frontière entre la sortie du modèle et ses conséquences dans le monde réel.

Ces mécanismes ne sont pas interchangeables. Un utilisateur devrait approuver directement une parole qui représente son intention personnelle. Les commandes routinières d’appareils peuvent relever de politiques prédéfinies, en particulier lorsque le système vérifie le résultat.

Un agent de bureau a besoin des deux approches. Il peut appliquer des règles permanentes à une organisation à faible risque tout en demandant une approbation pour les communications externes ou les modifications d’enregistrements.

L’objectif n’est pas une autonomie maximale. Il s’agit d’une autonomie adaptée à chaque étape.

Les outils de développement ont séparé les modèles des systèmes déterministes

Echo Canvas et Sentinel utilisent des modèles là où l’interprétation est utile, puis réservent les calculs et l’application des règles de sécurité à du code inspectable.

Echo Canvas a remporté la première place dans la catégorie Developer Tools. Kevin Yang l’a conçu comme un atelier accessible dans le navigateur pour créer de l’audio spatial avant qu’une scène complète n’existe.

Les utilisateurs peuvent esquisser une pièce, placer des auditeurs et des sources sonores, ouvrir une porte ou modifier le matériau d’un mur. Ils peuvent ensuite entendre comment ces décisions modifient le résultat acoustique.

L’interface transforme un système invisible en un élément que les collaborateurs peuvent examiner. Designers et développeurs peuvent tester leurs hypothèses avant de les intégrer à un jeu ou une application plus vaste.

GPT-5.6 aide à créer et à expliquer les scènes, selon OpenAI. Il fonctionne toutefois à travers des schémas contraints, ce qui signifie que le modèle doit produire des informations dans une structure prédéfinie.

Des systèmes déterministes gèrent les calculs géométriques et acoustiques. Le rendu audio s’effectue localement dans le navigateur.

Cette séparation éloigne le modèle des tâches où la reproductibilité importe. La même géométrie de pièce ne devrait pas produire des calculs physiques différents parce qu’un modèle de langage a formulé son raisonnement autrement.

L’IA reste précieuse au niveau de la traduction. Elle peut convertir une intention en paramètres structurés de scène ou expliquer comment une modification affecte la conception.

Cette approche soutient aussi la collaboration. Un non-spécialiste peut décrire un effet acoustique souhaité, tandis qu’un spécialiste peut examiner la scène résultante et ses paramètres sous-jacents.

Sentinel, deuxième lauréat de Developer Tools, fait de la contrainte elle-même le problème central de sa conception. Il analyse les serveurs Model Context Protocol, qui peuvent relier des agents à des fichiers, des API, des bases de données et des commandes shell.

Son créateur Malik Bashaar Javaid a rencontré des serveurs d’exemple contenant des identifiants intégrés, des appels shell non sûrs et de faibles frontières d’autorisation. Sentinel vise à identifier ces problèmes avant le déploiement.

L’outil combine analyse statique, revue assistée par GPT et sondes dans des environnements Docker isolés. L’analyse statique examine le code sans l’exécuter, tandis que les sondes sandboxées testent le comportement dans un système confiné.

OpenAI indique que le modèle examine les résultats dans leur contexte source réel. Il peut étayer ou contester un résultat, mais ne peut pas supprimer silencieusement des préoccupations ni citer du code inexistant.

Le modèle ne peut pas non plus inventer des sondes exécutables. Il peut paramétrer des modèles approuvés, en maintenant la surface de test dans une limite définie.

Sentinel associe les résultats à l’OWASP Agentic Top 10 et peut envoyer les résultats vers l’analyse de code GitHub. Ces intégrations inscrivent la sécurité des agents dans des pratiques de développement familières.

L’idée la plus utile du projet n’est pas que GPT-5.6 puisse trouver des vulnérabilités. C’est que la revue par le modèle devrait se situer entre des preuves déterministes et des règles explicites.

Une explication de sécurité générée peut aider les développeurs à comprendre un résultat. Elle ne devrait pas devenir l’unique fondement pour valider du code capable d’accéder à des identifiants, des bases de données ou des shells.

L’annonce de la communauté présentait initialement Build Week comme une exploration de ce que Codex pouvait rendre possible. Sentinel apporte le contrepoids nécessaire : des capacités d’agent plus étendues produisent une frontière de sécurité plus étendue.

Pour les agents de bureau, cette frontière inclut les documents locaux, les informations client, les calendriers, les transcriptions de réunions et les applications internes. Un contexte riche accroît l’utilité, mais chaque nouvelle connexion crée un autre problème d’autorisation et de vérification.

Un agent qui comprend le travail en cours ne devrait pas hériter d’un accès illimité à ce travail. La récupération, l’interprétation, la modification et l’action externe méritent des autorisations distinctes.

Ce que ces projets Codex disent des agents de bureau

Le schéma durable est celui du contexte associé à une action encadrée, et non d’un modèle placé derrière une boîte de discussion.

Chez les lauréats d’OpenAI Build Week, cinq choix de conception reviennent : un périmètre restreint, l’approbation humaine, des interfaces multimodales, des limites de sécurité et des flux de travail riches en contexte.

Un périmètre restreint rend l’évaluation possible. Un coach de prononciation vietnamienne peut comparer un enregistrement à une référence. Un « assistant linguistique » généraliste n’offre aucun test d’achèvement aussi clair.

L’approbation humaine protège l’intention aux moments conséquents. Second Voice demande avant de parler, Pulse confirme les événements ambigus et veTriage oriente les décisions vers les cliniciens.

Les interfaces multimodales exposent les preuves sous la forme dont les utilisateurs ont besoin. Dấu affiche la hauteur, Mechanica fournit des mécanismes interactifs, Pulse écoute une pièce et Echo Canvas rend l’acoustique audible.

Les limites de sécurité définissent ce que le modèle ne peut pas faire. AirBridge applique des politiques d’action locales. Sentinel encadre la revue de sécurité. Mechanica refuse lorsqu’aucune preuve n’est disponible.

Les flux de travail riches en contexte relient l’entrée actuelle à des connaissances durables. Second Voice combine la parole, des phrases personnelles et le contexte conversationnel. veTriage combine l’historique de l’appelant avec des recommandations rédigées par des cliniciens.

Ces schémas se transposent naturellement au travail de bureau. Un agent utile a besoin de plus que l’invite actuelle. Il lui faut les fichiers pertinents, les réunions précédentes, les collaborateurs, les décisions et l’état actuel du projet.

Un contexte durable aide un agent à reconnaître que « le brief de lancement » renvoie à un document précis et que la réunion d’hier a modifié le calendrier. Il peut aussi faire ressortir les questions non résolues issues de discussions antérieures.

Pourtant, le contexte seul ne crée pas une action digne de confiance. L’agent doit montrer quelle source étaye une affirmation et distinguer une proposition d’une décision approuvée.

Une base de connaissances consultable peut réduire l’effort nécessaire pour trouver les éléments pertinents. Le flux de travail environnant nécessite toujours des autorisations, une révision, une traçabilité et une responsabilité claire.

La même distinction s’applique à la mémoire. Se souvenir qu’un collègue est responsable d’un projet peut améliorer l’orientation. Traiter un ancien commentaire de réunion comme une autorisation permanente créerait un risque.

Les agents de bureau ont donc besoin de transitions structurées entre les étapes. Ils peuvent récupérer, résumer, rédiger, demander une approbation, exécuter et vérifier. Chaque transition devrait préserver la source et la personne responsable.

Cette structure améliore également la récupération après échec. Si un agent ne peut pas accéder à un fichier, il devrait signaler la source manquante. Si une mise à jour de calendrier échoue, il ne devrait pas laisser entendre que la réunion a été modifiée.

Les lauréats n’établissent pas que les applications construites avec Codex sont prêtes pour un déploiement à grande échelle. La plupart des éléments proviennent d’OpenAI et des équipes de projet, et non de tests indépendants.

Plusieurs projets interviennent dans la médecine, l’accessibilité, l’éducation ou la sécurité. Ces domaines exigent des tests auprès des utilisateurs, dans divers environnements et langues, couvrant les cas d’échec et les règles applicables.

L’évaluation de Build Week crée également un environnement condensé. Une courte démonstration récompense une expérience claire, mais ne peut révéler la fiabilité à long terme ni la charge de maintenance.

Les prochains signaux devraient donc venir d’utilisations au-delà de l’événement. Premièrement, il faudra observer si le pilote clinique de veTriage produit des flux de travail documentés sans transférer le jugement médical à du personnel non clinique.

Deuxièmement, il faudra observer si des projets tels que Second Voice et Dấu mènent des tests d’accessibilité et de langue auprès de leurs utilisateurs visés. La qualité de l’interface doit résister aux conditions réelles.

Troisièmement, il faudra observer si Sentinel, Echo Canvas et AirBridge publient des versions continues, des historiques d’incidents et des tests reproductibles. Une maintenance continue montrerait si leurs limites résistent à l’ajout de fonctionnalités.

Ces signaux peuvent renforcer ou affaiblir le jugement rétrospectif. Un usage soutenu appuierait l’idée que Codex aide les spécialistes de domaine à créer des outils durables. Des prototypes abandonnés montreraient que la construction rapide n’a pas résolu le déploiement.

Les huit lauréats offrent néanmoins un aperçu significatif. Ils montrent des créateurs franchissant des frontières techniques sans effacer les frontières professionnelles.

C’est aussi la meilleure norme pour un agent de bureau. Demandez-vous s’il comprend le travail, identifie ses preuves, limite son autorité et renvoie les décisions conséquentes aux personnes.

Les lauréats d’OpenAI Build Week méritent d’être revisités parce qu’ils remplacent une grande promesse par huit systèmes concrets. Laquelle de leurs protections votre prochain agent devrait-il adopter avant de pouvoir agir sur un travail réel ?