« Dans deux ou trois mois, Codex ne sera plus qu'un outil primitif. »
Ces mots ne viennent pas d'un concurrent, mais de Thibault Sottiaux, actuel directeur général des produits et de la plateforme chez OpenAI, responsable de ChatGPT et Codex, qui les a prononcés lui-même.
Récemment, le cadre Harness a progressivement franchi les cercles habituels. Des développeurs aux cols blancs, les gens utilisent massivement ces outils d'agent, profitant des avantages de l'automatisation par l'IA. Parmi eux, Codex d'OpenAI se distingue particulièrement.
Cependant, à ce stade, les cadres d'OpenAI voient déjà plus loin. La prochaine étape pour les agents d'IA (Agent) pourrait impliquer une évolution paradigmatique, passant d'un petit outil local à une « infrastructure cloud native ».
Lorsque Thibault Sottiaux dit que « l'ordinateur portable ne suffit plus », le sens est clair : nous utilisons un Harness local pour piloter la prochaine génération de modèles nécessitant un raisonnement de longue durée et une forte autonomie, et ce modèle « disproportionné » est sur le point d'atteindre ses limites.
Nous savons que le terme Harness désigne un ensemble d'outils construit autour d'un grand modèle pour gérer le contexte, l'appel de fonctions, la persistance de l'état, l'isolement de l'environnement et la reprise après erreur. Actuellement, de nombreux développeurs exécutent des tâches d'agent sur leur ordinateur portable (via CLI, Cursor, Claude Code ou une logique d'agent légère).
Bien sûr, de plus en plus de développeurs tendent également à utiliser plusieurs outils et modèles simultanément : par exemple, utiliser Fable 5 sur Claude Code pour rédiger la documentation d'un projet, puis passer sur Codex pour exécuter le code avec d'autres modèles.
Mais cette approche rencontrera trois goulets d'étranglement physiques majeurs face aux modèles de prochaine génération :
Limites de puissance de calcul et de mémoire : Lorsqu'un agent doit exécuter simultanément 20 sous-tâches (comme exécuter des tests, extraire des données et compiler un grand projet), la mémoire, le CPU et les ressources de sandbox concurrente (Docker/VM) d'un ordinateur portable local seront instantanément saturés.
Impossibilité d'éteindre l'ordinateur pour les tâches longues : Les tâches complexes d'un agent peuvent nécessiter plusieurs heures, voire plusieurs jours d'exécution, exigeant que l'ordinateur portable de l'utilisateur ne s'éteigne pas, ne perde pas la connexion Internet et ne se mette pas en veille, ce qui est très contraignant en ingénierie.
Explosion parallèle du contexte et de la chaîne d'outils : Les modèles de prochaine génération supporteront très certainement des contextes extrêmement longs et un raisonnement hautement concurrent. Les Harness légers locaux auront du mal à gérer la compression de contexte, la synchronisation d'état et le suivi centralisé des journaux entre un grand nombre d'agents concurrents.
Face à ces défis, les signes d'une transformation des outils d'agent vers des infrastructures lourdes et une conception systémique sont déjà apparus progressivement au cours des derniers mois.
Par exemple, Codex d'OpenAI propose déjà un support d'exécution asynchrone dans le cloud. L'utilisateur donne une instruction dans le terminal, la tâche est envoyée dans un conteneur isolé (Sandbox Container) dans le cloud pour une exécution autonome, le téléphone ou l'ordinateur portable ne servant que d'interface de commande et de contrôle.
Simultanément, les micro-sandbox cloud native émergent : Des infrastructures de sandbox cloud ultra-rapides spécialement conçues pour les agents d'IA, comme E2B, Daytona, Fly.io, Modal, permettent à un agent de lancer dynamiquement des centaines d'environnements conteneurisés indépendants pour exécuter du code en parallèle et vérifier les résultats.
Parmi les équipes d'IA de pointe, y compris OpenAI, Anthropic, Cognition, les ingénieurs commencent à déplacer l'essentiel de leur R&D de l'optimisation des prompts vers « l'écriture de Harness de niveau système ».
En février de cette année, l'équipe d'Anthropic a présenté un cas où 16 instances de Claude fonctionnant en parallèle sur 2000 sessions cloud ont écrit un compilateur en langage C. C'est une étape importante vers la collaboration multi-agents pour l'IA générative dans le domaine de l'ingénierie logicielle. Différentes instances de Claude y jouaient différents rôles : 1 agent architecte responsable de la conception de l'arbre de syntaxe abstraite (AST), 4 agents codeurs responsables de différents modules, deux agents de test dédiés à l'écriture de tests unitaires, 1 agent d'audit responsable de la revue du flux de code et de la sécurité.
Le chercheur principal Nicholas Carlini a souligné : « La majeure partie de l'effort a été consacrée à la création de l'environnement pour le modèle, à la boucle de test et à l'infrastructure de retour d'information. »
Dans les deux ou trois prochains mois, de tels flux de travail d'agents pourraient devenir notre quotidien.
Selon l'analyse de Thibault Sottiaux, « commande légère locale, exécution lourde dans le cloud » deviendra la norme. Les interfaces de développement (comme l'IDE, le terminal, l'interface web) deviendront purement des tableaux de bord. Les tâches véritablement intensives en calcul, comme la refactorisation de code, l'exécution de tests, la simulation d'automatisation de navigateur, seront toutes digérées en parallèle dans des clusters dynamiques cloud, puis les différences finales (Diff) et les journaux seront renvoyés en flux vers la machine locale.
L'intégration profonde du modèle et du Harness pourrait déplacer la compétition de « qui a le modèle avec les meilleures capacités de raisonnement » vers « qui libère le plus pleinement le potentiel de son modèle ». Les cadres d'agents qui reposent uniquement sur l'exécution de scripts Python et d'appels API simples sur un ordinateur local sont sur le point d'atteindre un plafond complet.
Cet article provient du compte WeChat officiel « Machine Heart » (ID : almosthuman2014), auteur : Zenan.
