Introduction
Le 1er août 2026, OpenAI a levé un coin du voile sur Astra, sa prochaine famille de modèles. Le nom prête immédiatement à confusion : Google DeepMind utilise ce même label depuis 2024 pour son assistant multimodal « Project Astra ». Qu'OpenAI le revendique à son tour — qu'il s'agisse d'un choix délibéré ou d'un nom de code interne non encore définitif — en dit long sur l'intensité de la rivalité entre les deux laboratoires. Mais c'est la démonstration technique qui retient l'attention : une version interne d'Astra a résolu dix problèmes mathématiques ouverts depuis au moins une décennie, couvrant la géométrie, la théorie des groupes, la complexité quantique et la combinatoire.
Une architecture conçue pour la durée
Ce qui distingue Astra de ses prédécesseurs n'est pas seulement sa puissance de raisonnement, mais son architecture d'orchestration. Le modèle est conçu pour coordonner plusieurs agents IA travaillant en parallèle pendant des heures ou des jours — formuler un plan, exécuter des tests, réviser le travail, relancer les cycles. Une approche fondamentalement différente des interactions ponctuelles auxquelles les professionnels sont habitués aujourd'hui.
Pour les dix preuves mathématiques, Astra a produit des arguments formalisés en Lean, le langage de vérification formelle, générant des certificats vérifiables par machine. Des chercheurs humains ont ensuite contribué à transformer ces arguments en manuscrits publiables. Coût estimé pour l'ensemble des dix solutions : environ 2 000 dollars aux tarifs API actuels — un chiffre mentionné par OpenAI lui-même pour illustrer l'efficacité computationnelle du système.
Ce que cela signifie pour la R&D en entreprise
La démonstration vise un public précis : directions de la recherche, équipes d'ingénierie et fonctions analytiques confrontées à des problèmes complexes de longue durée. Jusqu'ici, les modèles de langage étaient surtout efficaces sur des tâches bornées dans le temps. Astra ambitionne de changer cette limite : des agents capables de persévérer plusieurs jours sur un problème, en maintenant un contexte cohérent et en corrigeant leurs propres erreurs au fil du processus.
OpenAI a formulé des jalons explicites : atteindre le niveau d'un stagiaire chercheur en IA d'ici septembre 2026, et celui d'un chercheur pleinement autonome d'ici mars 2028. Ces dates posent une question stratégique directe pour les entreprises : dans quels domaines la puissance de calcul commence-t-elle à substituer l'expertise humaine spécialisée, et à quelle vitesse ?
Un modèle soumis à une revue gouvernementale inédite
Astra s'inscrit dans un contexte réglementaire nouveau. Le modèle sera parmi les premiers à passer par le cadre de révision fédérale américain instauré par l'administration Trump — une fenêtre de trente jours pendant laquelle les autorités peuvent examiner le système avant toute mise sur le marché public. Sam Altman a présenté Astra en amont à des sénateurs et à des responsables de l'administration à Washington, perpétuant la stratégie déjà appliquée lors de la sortie de GPT-5.6.
Cette procédure ouvre un débat structurant pour les entreprises clientes : à mesure que les gouvernements prennent la main sur la validation des modèles frontière, le déploiement de l'IA en entreprise entre dans une nouvelle phase de conformité qui dépasse largement les seuls critères techniques ou éthiques internes.
Anticiper avant que le produit arrive
Pour les DSI et les responsables R&D, Astra n'est pas encore un produit disponible. C'est un signal fort sur la direction prise. Les entreprises qui ont structuré des pipelines d'agents simples ces dix-huit derniers mois vont devoir anticiper le passage à une coordination multi-agents de longue durée, avec ce que cela implique en matière de gouvernance, de coûts, d'audit et d'intégration aux workflows existants.
Le plus instructif n'est peut-être pas qu'une IA ait résolu dix problèmes de mathématiques que la communauté scientifique avait mis de côté depuis des décennies. C'est qu'elle l'ait fait pour deux mille dollars.