Les collègues IA persistants marquent la troisième ère proposée par OpenAI

OpenAI a esquissé une troisième ère pour ses produits, même si les collègues IA persistants relèvent encore davantage d’une vision que d’un produit abouti. Cette affirmation a atteint de nombreux lecteurs via un titre de Google News, mais ses implications vont au-delà d’une simple fonctionnalité supplémentaire pour le travail.

Tara Seshan, responsable produit d’OpenAI pour Codex et ChatGPT Work, a décrit trois étapes lors d’une apparition le 30 août dans Lenny’s Podcast. Le chat est arrivé en premier. Les agents capables d’accomplir des tâches ont suivi. Les collègues persistants représentent la prochaine étape proposée.

Cette progression crée la tension centrale. OpenAI veut faire de l’IA un participant continu au travail, mais la fiabilité, l’autorisation, la mémoire et la coordination des équipes restent sans réponse. Anthropic, Microsoft et d’autres fournisseurs destinés aux entreprises poursuivent des idées connexes, faisant de ce mouvement une compétition autour de la future interface du lieu de travail.

Ce qu’OpenAI a réellement dit sur sa troisième ère

La vision de la troisième ère d’OpenAI décrit une relation de travail continue, et non un employé autonome nouvellement lancé.

Les propos de Seshan ont été tenus lors d’un entretien consacré au développement produit, à Codex, à ChatGPT Work et à l’évolution du rôle des travailleurs du savoir. L’épisode du podcast a duré environ 82 minutes et a été publié le 30 août 2026.

Elle a divisé l’évolution des produits d’IA en trois périodes. La première était centrée sur le chat, où un utilisateur pose une question et reçoit une réponse. La deuxième a introduit des agents qui poursuivent des objectifs et accomplissent des tâches en plusieurs étapes.

La troisième période proposée implique des collègues IA persistants. Ces systèmes resteraient connectés aux projets, conserveraient le contexte de travail pertinent et collaboreraient sur des périodes plus longues. Ils ne repartiraient pas d’une invite vide chaque fois qu’un utilisateur reviendrait.

Seshan a présenté cette étape comme quelque chose qui « pourrait arriver bientôt », et non comme une catégorie de produits établie aux spécifications arrêtées. Cette distinction est importante, car le rapport initial condense une discussion très large en un titre définitif.

Un lecteur de Google News pourrait raisonnablement interpréter ce titre comme une annonce officielle d’OpenAI. La source sous-jacente justifie une conclusion plus prudente. Une responsable produit senior a décrit la direction qu’elle estime que les interfaces IA vont prendre.

Le mot « persistant » recouvre plusieurs sens possibles. Il peut désigner une mémoire entre les sessions, une exécution continue, un travail récurrent planifié ou l’accès à des documents de projet partagés. Il peut également décrire un agent qui suit régulièrement l’avancement avec ses collaborateurs humains.

OpenAI n’a pas publié de définition technique unique couvrant tous les aspects de cette vision. L’entretien relie plutôt plusieurs capacités existantes à une orientation produit encore inachevée.

ChatGPT Work gère déjà des missions plus longues à travers des fichiers et des applications connectées. Codex peut répartir le travail technique entre des agents parallèles. Les projets et les conversations synchronisées préservent davantage de contexte entre les appareils et les sessions.

Ces composants indiquent une forme de persistance sans pour autant créer pleinement un collègue IA. Un véritable collègue doit comprendre l’évolution des objectifs, reconnaître les limites organisationnelles et expliquer ce qu’il a fait. Il doit aussi savoir quand s’arrêter.

L’interface proposée modifie l’unité d’interaction. Le chat commence par un message. Un agent commence par une tâche déléguée. Un collègue persistant commencerait par une responsabilité continue et entretiendrait une relation de travail autour de celle-ci.

Prenons le lancement d’un produit. Un assistant conversationnel pourrait résumer des entretiens clients. Un agent pourrait analyser ces entretiens et rédiger un rapport. Un collègue persistant suivrait le lancement, mettrait l’analyse à jour, signalerait les contradictions et participerait aux cycles de planification ultérieurs.

Ce rôle continu rend l’idée plus importante qu’une simple amélioration de chatbot. Il introduit aussi davantage de façons pour un contexte incomplet ou un accès excessif de produire des erreurs.

Le titre reflète donc une véritable thèse d’OpenAI, mais pas une transition achevée. La troisième ère est une destination vers laquelle OpenAI avance avec Work, Codex, les applications, la mémoire et les interfaces collaboratives.

Pourquoi les collègues IA persistants comptent maintenant

Ce changement compte parce qu’OpenAI passe de la réponse aux travailleurs à la participation aux flux de travail qui produisent des livrables professionnels finis.

OpenAI a lancé ChatGPT Work le 9 juillet 2026. L’entreprise affirme que l’agent peut travailler dans différentes applications et fichiers, rester sur un projet pendant des heures et créer des livrables achevés.

Ces livrables comprennent des documents, des feuilles de calcul, des présentations, des rapports et des sites web. Les utilisateurs peuvent suivre l’avancement, répondre aux questions, réorienter le travail et approuver les actions importantes.

Cela diffère de la génération de texte dans une conversation. L’agent doit recueillir des informations, décider des étapes à suivre, utiliser des logiciels externes et conserver suffisamment d’état pour achever une mission plus longue.

L’annonce de Work d’OpenAI présente le produit comme un partenaire pour les tâches ambitieuses. Ce langage commence à ressembler à la thèse du collègue persistant, même si Work fonctionne encore autour de missions initiées par les utilisateurs.

Seshan a également décrit un horizon étroit de développement produit. Son équipe essaie de concevoir pour les modèles attendus dans deux ou trois mois. Concevoir uniquement pour les capacités actuelles produit une interface dépassée, tandis que prévoir un an à l’avance devient spéculatif.

Cette approche explique pourquoi OpenAI évoque la troisième ère avant que chaque capacité nécessaire ne paraisse mature. Les équipes produit doivent préparer des modèles d’interaction pour des capacités qui sont encore en train d’arriver.

Le calendrier reflète aussi l’évolution des usages au sein d’OpenAI. L’entreprise affirme que Codex est passé d’un outil principalement destiné à l’ingénierie à un outil utilisé par les équipes juridiques, financières, de recrutement et d’autres services.

En mai 2026, plus de 70 % des utilisateurs auraient confié à Codex un travail qui aurait demandé plus d’une heure à une personne. En juin, les utilisateurs du 99e percentile auraient généré plus de 60 heures d’activité quotidienne d’agents réparties sur des tâches parallèles.

Ces chiffres proviennent de l’analyse d’OpenAI elle-même et ne doivent donc pas être considérés comme des mesures indépendantes. Ils révèlent néanmoins quel comportement l’entreprise juge stratégiquement important.

L’étude sur l’utilisation de Codex indique que l’adoption par les non-développeurs a progressé plus vite que celle des développeurs après août 2025. L’usage pour la recherche au sein d’OpenAI a également fortement augmenté pendant la période mesurée.

Les missions plus longues créent un besoin de continuité. Les utilisateurs ne peuvent pas superviser efficacement plusieurs agents si chaque session exige de reconstruire le projet, les décisions pertinentes et les contraintes organisationnelles.

La persistance promet de réduire cette surcharge. Un agent qui mémorise les objectifs approuvés, les travaux récents et les questions ouvertes peut reprendre avec moins d’explications. Le contexte partagé facilite aussi la délégation au sein d’une équipe.

Cela ressemble à l’objectif d’une base de connaissances personnelle. Les informations stockées deviennent utiles lorsqu’un système peut récupérer le bon contexte pendant le travail actif.

Toutefois, la mémoire organisationnelle est plus difficile que la récupération personnelle. Les entreprises contiennent des documents contradictoires, des politiques changeantes, des restrictions d’accès et des décisions informelles. Un collègue doit distinguer les directives actuelles des documents obsolètes.

Les équipes doivent également comprendre d’où l’agent tire son contexte. Un résultat soigné a moins de valeur lorsque les relecteurs ne peuvent pas retracer ses hypothèses ni déterminer quelle source a guidé une décision.

Les agents persistants mettent donc sous pression plusieurs catégories logicielles existantes. Les systèmes de gestion de projet doivent intégrer des participants machines. Les plateformes de connaissances doivent fournir du contexte en direct. Les systèmes d’identité doivent représenter une autorité déléguée.

Les applications professionnelles sont également confrontées à une nouvelle question d’interface. Elles peuvent rester des destinations où les personnes effectuent le travail, ou devenir des services que les agents exploitent sous supervision.

C’est pourquoi le cadre de la troisième ère mérite l’attention. OpenAI ne prédit pas seulement de meilleures réponses. L’entreprise propose que l’interface du lieu de travail organise les personnes, les modèles, les données et les outils autour d’objectifs continus.

Google News a saisi l’affirmation, mais pas l’écart avec le produit

La présentation de Google News donne l’impression que la transition est achevée, alors que le langage même d’OpenAI décrit une orientation avec d’importantes pièces manquantes.

L’agrégation de nouvelles favorise les déclarations concises. « Les collègues IA persistants constituent la troisième ère d’OpenAI » circule plus facilement qu’une discussion nuancée sur les interfaces futures, les expérimentations produit et les horizons de planification des modèles.

Cette compression est utile pour la découverte. Elle l’est moins pour comprendre ce que les acheteurs peuvent déployer aujourd’hui.

ChatGPT Work peut accomplir des missions longues, mais une mission n’est pas la même chose qu’un rôle durable. Codex peut exécuter des agents en parallèle, mais une exécution coordonnée ne crée pas automatiquement une compréhension organisationnelle partagée.

La mémoire reste également plus limitée que la continuité humaine. Un système peut stocker l’historique des conversations ou des fichiers de projet sans comprendre quelles décisions passées restent contraignantes. La récupération et le jugement sont des problèmes distincts.

La différence apparaît clairement dans le travail récurrent. Imaginez un agent préparant une mise à jour hebdomadaire sur un produit à partir d’entretiens, de messages d’assistance, d’analyses et de notes d’ingénierie.

La première exécution nécessite des accès, des instructions, des normes de sortie et des définitions pour les indicateurs importants. Un collègue persistant devrait réutiliser cette configuration lors des exécutions ultérieures sans figer des hypothèses devenues obsolètes.

Il devrait remarquer lorsque le plan de lancement change. Il devrait demander si une nouvelle métrique remplace la précédente. Il devrait préserver les éléments de preuve antérieurs tout en évitant les conclusions qui ne s’appliquent plus.

Il doit également coordonner plusieurs personnes. Un chef de produit, un designer et un ingénieur peuvent ne pas être d’accord sur les priorités. L’accès partagé ne dit pas à un agent quelle instruction contrôle le livrable final.

Seshan a décrit l’interface future comme multijoueur. Des groupes de personnes piloteraient des groupes d’agents autour d’informations et de produits de travail partagés. Ce modèle va au-delà du schéma familier dans lequel un utilisateur dirige un assistant.

Le travail multijoueur soulève des questions de responsabilité. Quelqu’un doit savoir quel agent a créé un livrable, quel humain l’a approuvé et quel système a fourni les données sous-jacentes.

Les conflits deviennent inévitables lorsque les agents reçoivent des responsabilités qui se chevauchent. Deux agents pourraient modifier la même présentation, contacter le même client ou interpréter une politique différemment.

Les équipes logicielles gèrent déjà une coordination similaire grâce au contrôle de version, aux règles d’accès, aux revues et aux journaux d’audit. Les collègues persistants nécessitent des contrôles équivalents dans un travail de connaissance moins structuré.

Cela aide à comprendre la distinction de Seshan entre « piloter » et « ramer ». Les agents accomplissent de plus en plus l’exécution, tandis que les personnes choisissent la direction, évaluent les arbitrages et prennent des décisions éclairées.

La métaphore est convaincante, mais piloter peut demander davantage d’attention lorsque l’exécution est difficile à inspecter. Un responsable supervisant plusieurs agents opaques pourrait passer moins de temps à produire du travail et davantage à le vérifier.

Ce risque est particulièrement pertinent lorsque l’IA crée des livrables finis. Des erreurs peuvent passer d’une réponse à une feuille de calcul, une présentation, un message client ou un système opérationnel avant que quelqu’un ne les remarque.

Un collègue persistant utile a donc besoin de davantage qu’un temps d’exécution plus long. Il a besoin d’un contexte durable, d’une autorité explicite, d’une provenance visible, d’actions contrôlables et de mécanismes d’escalade fiables.

OpenAI dispose d’éléments de cette pile. Les apps ChatGPT connectent des sources externes. Work prend en charge les approbations. Codex fournit une exécution structurée des tâches. Les contrôles Enterprise restreignent les ressources auxquelles les utilisateurs peuvent accéder.

La lacune du produit réside dans l’assemblage de ces éléments en une relation fiable qui perdure d’un projet à l’autre, entre les personnes et malgré l’évolution des conditions.

Les lecteurs arrivant via Google News devraient considérer l’étiquette de troisième ère comme une carte stratégique. Elle ne prouve pas qu’un collègue numérique généraliste est déjà arrivé.

OpenAI est en concurrence pour contrôler l’interface du collègue

La compétition principale oppose une collaboration IA persistante au modèle actuel d’agents isolés, fondés sur des tâches.

Le concurrent le plus proche d’OpenAI n’est pas une seule entreprise. C’est le schéma d’interaction dominant, dans lequel les utilisateurs ouvrent un outil, lui confient une tâche, examinent le résultat, puis recommencent.

Ce schéma limite l’autonomie, mais il contient les défaillances. L’agent reçoit un contexte temporaire, opère dans une session délimitée et s’arrête généralement après avoir fourni une réponse ou un livrable.

La persistance supprime certaines de ces limites. L’agent bénéficie de plus de temps, de davantage de contexte et potentiellement d’un accès plus large. Ces ajouts peuvent accroître son utilité tout en augmentant le coût des erreurs.

OpenAI veut rendre la persistance gérable grâce à des produits qui relient le chat, le travail intellectuel et le développement logiciel. Seshan a décrit Chat, Work et Codex comme des modes distincts adaptés à différents types d’activité.

Chat reste utile pour la recherche, l’analyse et la conversation. Work gère des missions de connaissance plus larges. Codex se concentre sur le développement logiciel et l’exécution technique.

Un collègue persistant pourrait à terme passer d’un mode à l’autre. Il pourrait discuter d’un objectif dans Chat, construire une analyse via Work et demander à Codex de créer une automatisation de soutien.

Ce parcours intégré confère à OpenAI un avantage important. L’entreprise peut relier une interface conversationnelle largement utilisée à l’exécution par agents, aux outils pour développeurs et aux données du lieu de travail.

Cependant, Anthropic poursuit un comportement similaire sur le long terme. Ses produits Claude mettent l’accent sur la mémoire entre les sessions, le travail prolongé, les agents de programmation et les flux de travail d’entreprise.

Anthropic affirme que Claude Opus 4.7 peut conserver le contexte entre les sessions et gérer des projets de plusieurs jours. Comme les affirmations d’OpenAI, cette description provient du fournisseur et doit être évaluée dans des environnements précis.

Microsoft aborde également le marché par le biais des applications, de l’identité d’entreprise et des agents Copilot. Sa distribution au sein de Microsoft 365 lui donne un accès immédiat aux documents, aux réunions, aux e-mails et aux autorisations organisationnelles.

Cette concurrence ne porte pas simplement sur les scores des modèles. L’entreprise qui devient la couche de coordination du lieu de travail peut intervenir dans la manière dont les agents consultent les données, demandent une approbation et produisent des livrables.

La confiance pourrait compter davantage que l’autonomie brute. Les acheteurs d’entreprise ont besoin de contrôles reflétant les identités existantes, les politiques de conservation, les obligations réglementaires et la séparation entre départements.

La qualité du contexte compte tout autant. Un modèle disposant d’un accès étendu peut malgré tout sélectionner le mauvais document ou ignorer une décision prise lors d’une réunion non enregistrée.

Cela ouvre la voie à des systèmes de connaissance qui organisent les informations personnelles et d’équipe avant qu’un agent n’agisse. Un flux de travail IA fiable nécessite des sources claires et des points de contrôle, pas seulement un prompt plus long.

La stratégie produit d’OpenAI remet aussi en question les modèles traditionnels de tarification et d’utilisation des logiciels, même sans évoquer de conditions commerciales précises. Les logiciels ont souvent vendu des licences à des utilisateurs humains. Les agents persistants consomment continuellement des ressources et peuvent accomplir du travail dans plusieurs applications.

Les fournisseurs doivent décider si les agents comptent comme des utilisateurs, des intégrations, des automatisations ou une nouvelle catégorie. Les clients doivent déterminer à qui appartiennent leurs résultats et quel département paie l’activité sous-jacente.

Il existe aussi une concurrence culturelle. Les agents fondés sur des tâches s’intègrent aux habitudes de délégation établies. Les collègues persistants demandent aux équipes de traiter le logiciel comme un participant doté de responsabilités continues.

Ce changement exige de nouvelles pratiques de gestion. Les équipes doivent attribuer un périmètre, examiner les résultats, consigner les décisions et retirer les accès lorsque les responsabilités changent.

OpenAI peut fournir l’interface, mais les employeurs doivent repenser leur modèle opérationnel autour d’elle. L’adoption stagnera si les organisations ne peuvent pas expliquer qui demeure responsable.

L’approche gagnante rendra la persistance contrôlable. Les utilisateurs doivent pouvoir examiner le travail en cours, corriger les hypothèses, limiter l’autorité et se remettre des erreurs sans redémarrer un projet entier.

C’est une exigence plus élevée que de produire une démonstration impressionnante. Elle requiert de la fiabilité dans des conditions de travail ordinaires, désordonnées et adverses.

La persistance étend à la fois les capacités et les risques

Chaque fonctionnalité qui rend un collègue IA plus utile donne aussi aux erreurs et aux attaques davantage de temps pour se propager.

Une erreur de chat n’affecte généralement qu’une réponse. Une erreur d’agent persistant peut influencer des décisions ultérieures, car le système peut stocker, récupérer et s’appuyer sur une conclusion erronée.

La mémoire incorrecte constitue une préoccupation. Un agent peut conserver une décision préliminaire comme définitive, retenir des informations client obsolètes ou associer une instruction au mauvais projet.

L’accès crée un autre problème. Un collègue qui prépare des rapports à partir d’e-mails, de documents, de calendriers et de bases de données internes a besoin d’une large visibilité. Cette visibilité peut exposer des éléments sensibles lorsque les autorisations sont mal définies.

Les droits d’action augmentent encore les enjeux. Lire un dossier client est différent de le modifier. Rédiger un e-mail est différent de l’envoyer. Préparer du code est différent de le déployer.

Les collègues persistants consomment également du contenu non fiable. Les e-mails, sites web, documents et messages peuvent contenir du texte conçu pour manipuler un agent par injection indirecte de prompt.

Le NIST décrit le détournement d’agent comme une attaque dans laquelle des instructions malveillantes apparaissent dans les données traitées par un agent. Le système peut alors effectuer une action non intentionnelle tout en croyant accomplir la tâche de l’utilisateur.

Dans une évaluation du NIST, des tentatives répétées ont fait passer le taux de réussite moyen pour certaines attaques sélectionnées de 57 % à 80 %. Ces résultats proviennent d’un dispositif expérimental spécifique, et non de tous les agents déployés.

Cette constatation met néanmoins en lumière un problème de persistance. Un système fonctionnant sur une longue durée rencontre davantage de contenu et offre aux attaquants plus d’occasions qu’une conversation courte et isolée.

Les travaux du NIST sur la sécurité des agents mettent en avant l’injection indirecte de prompt, l’empoisonnement des données, l’optimisation opportuniste des spécifications et les actions nuisibles sans entrée adverse. L’agence élabore des recommandations pour les systèmes à agent unique et multi-agents.

L’identité et l’autorisation deviennent des défenses centrales. Chaque agent a besoin d’un rôle identifiable, d’autorisations limitées et de registres montrant quelles actions il a effectuées sous quelle autorité.

Un collègue persistant ne devrait pas hériter de toutes les autorisations détenues par son superviseur. Il ne devrait recevoir que l’accès minimal nécessaire à la responsabilité qui lui est confiée.

Les points de contrôle d’approbation ont eux aussi besoin de contexte. Une boîte de confirmation vague ne peut pas protéger les utilisateurs si elle masque l’action proposée, la destination, les données concernées et les effets en aval.

OpenAI indique que ChatGPT Work permet aux utilisateurs d’approuver les actions importantes. Il s’agit d’un contrôle significatif, mais l’entreprise n’a pas établi que chaque action professionnelle conséquente sera correctement classée.

La revue humaine a également ses limites. Des demandes d’approbation fréquentes et de faible qualité créent de la fatigue. Les utilisateurs peuvent approuver les actions automatiquement, surtout lorsqu’un agent a exécuté correctement de nombreuses étapes antérieures.

Les flux de travail longs compliquent l’évaluation. Un document final peut sembler exact tout en dépendant d’une hypothèse erronée introduite des heures plus tôt. Les réviseurs ont besoin de la provenance des décisions intermédiaires, et pas seulement d’un livrable terminé.

La persistance soulève également des questions de confidentialité. Une mémoire utile exige de la conservation, mais une conservation inutile accroît l’exposition. Les équipes ont besoin de contrôles pour la suppression, la correction, l’expiration et la séparation entre projets.

Le modèle multijoueur ajoute une couche supplémentaire. Le résultat d’un agent peut devenir l’entrée d’un autre, créant une chaîne dans laquelle l’erreur initiale devient plus difficile à localiser.

Les organisations devraient donc évaluer les collègues persistants comme des systèmes, et non comme des modèles. Les tests doivent couvrir les connecteurs, les autorisations, la mémoire, les approbations humaines, l’auditabilité et le comportement de récupération.

OpenAI a décrit des contrôles de sécurité et de gouvernance pour les déploiements d’entreprise. Cependant, la vaste vision de la troisième ère n’a pas encore fait l’objet d’une validation indépendante dans des organisations typiques.

La conclusion prudente n’est pas que les agents persistants sont inutilisables. C’est que la persistance modifie le modèle de risque autant que le modèle de productivité.

Le titre Google News met l’accent sur la destination. L’adoption en entreprise dépendra de preuves que l’itinéraire inclut des contrôles fiables, des taux de défaillance mesurables et une responsabilité claire.

Trois signaux indiqueront si la troisième ère arrive

La thèse d’OpenAI sur la troisième ère ne devient crédible que lorsque la persistance, la coordination multijoueur et l’autonomie contrôlée apparaissent dans des déploiements réels.

Le premier signal est un produit qui maintient l’état d’un projet sur plusieurs jours sans obliger les utilisateurs à reconstruire le contexte. ChatGPT Work poursuit déjà des tâches longues, mais le comportement d’un collègue durable exige davantage.

Surveillez l’apparition de contrôles explicites sur ce dont le système se souvient, les sources qui restent faisant autorité et le moment où le contexte stocké expire. Les corrections devraient se propager sans effacer l’historique nécessaire à la responsabilité.

Si OpenAI déploie ces contrôles avec une provenance visible, l’affirmation de la troisième ère gagne en crédibilité. Si la persistance se limite à l’historique des conversations et à une récupération étendue, la distinction avec les assistants actuels restera faible.

Le deuxième signal est une véritable interface multijoueur. Seshan a décrit des groupes de personnes pilotant des groupes d’agents, mais la plupart des interactions commerciales restent centrées sur une personne et un agent actif.

Une mise en œuvre convaincante montrerait une propriété partagée, des instructions fondées sur les rôles, la résolution des conflits, des identités d’agents et des files de révision. Elle empêcherait aussi deux agents d’écraser silencieusement le travail l’un de l’autre.

Cette interface doit fonctionner en dehors de démonstrations contrôlées. Les équipes devraient pouvoir voir quelle personne a changé de direction, quel agent a agi et quel livrable représente le résultat accepté.

Une coordination multijoueur réussie renforcerait l’argument d’OpenAI selon lequel l’IA devient un collègue. Un échec suggérerait que les agents restent des outils personnels rattachés à des comptes individuels.

Le troisième signal est l’existence de preuves indépendantes sur la fiabilité et la sécurité. Les études de cas des fournisseurs montrent ce que les produits peuvent accomplir, mais les acheteurs ont besoin de taux de défaillance dans des conditions réalistes.

Recherchez des évaluations portant sur l’injection de prompt, la mémoire obsolète, les instructions contradictoires, les autorisations révoquées et la récupération après des flux de travail interrompus. Les audits devraient mesurer les erreurs conséquentes, et non seulement l’achèvement des tâches.

L’activité réglementaire et normative influencera aussi l’adoption. Le NIST étudie l’identité des agents, l’autorisation, la surveillance et les contrôles de sécurité. Des normes claires aideraient les clients à comparer les systèmes selon des attentes communes.

Les réactions des concurrents comptent dans les trois signaux. Anthropic et Microsoft peuvent affaiblir la position d’OpenAI en proposant une mémoire, une gouvernance ou une coordination plus fiables avant qu’OpenAI n’achève sa vision intégrée.

L’avantage d’OpenAI réside dans l’étendue de sa surface produit. Son défi consiste à transformer Chat, Work, Codex, les apps et les contrôles Enterprise en une relation cohérente.

Pour les travailleurs du savoir, la question pratique n’est pas de savoir si une IA mérite le titre de « collègue ». La meilleure question est de savoir quelles responsabilités elle peut assumer sans rendre la supervision plus difficile que l’exécution.

Commencez par un flux de travail récurrent et révisable. Définissez ses sources, ses autorisations, ses points d’approbation et son responsable. Mesurez ensuite le temps de correction, le contexte manqué et les erreurs ayant des conséquences sur plusieurs exécutions.

Ce processus permet de tester le fondement de l’affirmation de google news. Les collègues IA persistants ne représenteront une troisième ère que s’ils peuvent préserver le contexte sans perpétuer les erreurs.

Ils doivent pouvoir se coordonner sans brouiller les responsabilités et agir sans dépasser leur autorité. Tant que ces conditions ne seront pas démontrées, la troisième ère d’OpenAI restera une thèse produit sérieuse plutôt qu’une transition achevée du monde du travail.