OpenAI accélère sur les agents d’IA avec trois nouveaux modèles audio

Le futur que dessine OpenAI ne se limite plus à une fenêtre de discussion où l’on pose une question à une IA. L’entreprise veut fournir les briques nécessaires à des agents capables d’écouter un utilisateur, de lui répondre oralement, de rechercher des informations et, dans certains cas, d’agir dans un navigateur. Les annonces de mars 2025 éclairent cette direction, sans pour autant faire disparaître les limites de fiabilité et de sécurité propres à ces outils.

Le 20 mars 2025, OpenAI a ainsi présenté trois nouveaux modèles audio. Ils arrivent quelques jours après l’annonce de l’API Responses, une interface conçue pour aider les développeurs à bâtir des agents. Il faut bien distinguer ces nouveautés : les trois modèles sont dédiés à la parole, tandis que Responses et Operator sont des outils ou des produits permettant d’orchestrer des actions.

Trois modèles pour mieux transcrire et générer la parole

Les trois modèles présentés par OpenAI poursuivent un objectif simple : rendre les échanges vocaux avec une application plus naturels et plus exploitables. Deux transforment la voix en texte, le troisième transforme le texte en voix.

Avec gpt-4o-transcribe et gpt-4o-mini-transcribe, OpenAI met en avant une transcription plus précise que ses modèles précédents. L’entreprise indique notamment avoir travaillé sur la reconnaissance de la parole dans des conditions difficiles, comme un environnement bruyant, ainsi que sur une meilleure identification des langues. Ces progrès sont essentiels pour des usages concrets : une erreur de transcription dans une commande vocale, un compte rendu de réunion ou un échange avec un service client peut changer le sens d’une demande.

Le modèle gpt-4o-mini-tts est, lui, chargé de produire une voix à partir d’un texte. OpenAI propose 11 voix intégrées aux développeurs. Ceux-ci doivent indiquer clairement à leurs utilisateurs qu’ils entendent une voix générée par intelligence artificielle. Cette exigence de transparence répond à un enjeu simple : une voix de synthèse convaincante ne doit pas être confondue avec une personne réelle.

Ces modèles sont accessibles via l’interface de programmation d’OpenAI. Autrement dit, ils ne constituent pas nécessairement de nouvelles applications visibles par le grand public : ils peuvent être intégrés par des éditeurs dans un assistant téléphonique, une application mobile, un outil de dictée ou un logiciel professionnel.

Pourquoi la voix compte dans la course aux agents d’IA

Un agent d’IA désigne un logiciel auquel on confie un objectif, puis qui utilise des outils pour avancer vers ce but. À la différence d’un chatbot classique, limité à la génération de texte dans une conversation, un agent peut par exemple consulter une source en ligne, examiner un document, appeler un service externe ou naviguer dans une interface.

La voix n’est pas un simple habillage dans ce scénario. Elle peut devenir une interface d’entrée et de sortie plus immédiate que le clavier. Un utilisateur pourrait formuler une demande oralement, l’agent la transcrire, chercher des éléments utiles, puis lui restituer le résultat par la parole. Cela rapproche l’IA de l’assistant vocal, mais avec des capacités de raisonnement et d’accès à des outils plus étendues.

Cette perspective soulève aussi une difficulté : plus l’agent accomplit d’étapes, plus il faut s’assurer que l’instruction de départ a été correctement comprise. Une transcription imparfaite peut entraîner une action inappropriée. Dans les domaines sensibles, les développeurs devront donc prévoir des confirmations explicites et laisser à l’utilisateur la maîtrise des décisions importantes.

L’API Responses, le socle technique des agents

Le 11 mars 2025, OpenAI a annoncé l’API Responses, conçue comme une interface unifiée pour développer des applications agentiques. Une API est un mécanisme qui permet à un logiciel de communiquer avec un autre service. Ici, elle permet à une application d’envoyer une demande à un modèle d’IA et de lui donner accès à des outils.

OpenAI y propose notamment trois grandes catégories de capacités :

• la recherche sur le web ;
• la recherche dans des fichiers fournis à l’application ;
• l’utilisation d’un ordinateur, afin d’interagir avec une interface à l’écran.

L’intérêt pour les développeurs est de pouvoir combiner ces fonctions dans une même architecture plutôt que de les assembler entièrement eux-mêmes. Si un utilisateur demande une réponse fondée sur une documentation interne et des informations récentes, l’application peut chercher dans les fichiers concernés, effectuer une recherche en ligne si elle y est autorisée, puis produire une réponse structurée.

OpenAI a également annoncé l’Agents SDK, un kit de développement destiné à organiser des systèmes où plusieurs agents ou outils se répartissent des tâches. Cela peut servir, par exemple, à séparer la recherche documentaire, la vérification d’une étape et la formulation finale. Cette organisation ne garantit pas l’exactitude du résultat, mais elle donne aux équipes davantage de moyens pour suivre les actions du logiciel.

L’API Responses est appelée à remplacer progressivement l’API Assistants. OpenAI a indiqué prévoir l’arrêt de cette dernière à la mi-2026, après l’atteinte d’une parité fonctionnelle. Pour les entreprises qui avaient déjà construit des applications avec l’API Assistants, il s’agit donc d’une transition technique à anticiper.

Operator montre ce qu’un agent peut faire sur un ordinateur

L’autre élément de la stratégie d’OpenAI est Operator, présenté le 23 janvier 2025 comme un aperçu de recherche. Son principe est plus concret que celui d’une simple conversation : l’outil peut utiliser un navigateur, observer ce qui s’affiche à l’écran et effectuer des actions telles que cliquer, faire défiler une page ou saisir du texte.

OpenAI le décrit comme un agent fondé sur un système appelé Computer-Using Agent, ou CUA. Celui-ci combine les capacités visuelles de GPT-4o avec un apprentissage par renforcement, une méthode qui consiste à améliorer un comportement à partir de retours sur les résultats obtenus. Au lieu de passer directement par une connexion technique avec chaque site, l’agent se comporte, en partie, comme un internaute qui emploierait une souris et un clavier.

À la date de publication de cet article, Operator est proposé aux États-Unis, en aperçu de recherche, aux utilisateurs de l’offre ChatGPT Pro. Il peut aider à accomplir des tâches répétitives dans un navigateur, mais OpenAI reconnaît qu’il reste perfectible. Certaines actions demandent une confirmation de l’utilisateur, en particulier lorsqu’elles ont des conséquences importantes.

Cette prudence est déterminante. Remplir un formulaire, organiser une information ou comparer des offres peut être utile. En revanche, un agent ne devrait pas finaliser seul une opération financière, valider une décision engageante ou transmettre des données sensibles sans intervention humaine. La promesse d’autonomie n’efface pas la nécessité du contrôle.

Les annonces de mars 2025 remettent les nouveautés en perspective

L’actualité d’OpenAI regroupe des produits différents, dont les noms peuvent prêter à confusion. Les modèles o1-preview et o1-mini, souvent associés aux capacités de raisonnement, ne font pas partie de l’annonce audio du 20 mars 2025. Ils avaient été dévoilés par OpenAI en septembre 2024.

Leur rôle est néanmoins utile à comprendre : les modèles de la famille o1 ont été présentés pour traiter plus longuement certains problèmes avant de répondre, notamment en sciences, en programmation et en mathématiques. Les modèles audio publiés en mars répondent à un autre besoin, celui de l’entrée et de la sortie vocale. Quant à Operator et à l’API Responses, ils concernent la capacité d’un système à employer des outils.

La stratégie qui se dessine repose donc sur plusieurs couches :

1. des modèles capables de produire ou d’interpréter du texte, des images et du son ;
2. des outils qui donnent accès à des données, à des fichiers ou à un navigateur ;
3. des mécanismes de contrôle permettant de suivre et de limiter les actions de l’agent.

Une bataille industrielle où les coûts restent centraux

La poussée vers les agents intervient dans une compétition intense entre les grands acteurs de l’IA. En février 2025, Alphabet, maison mère de Google, a annoncé prévoir environ 75 milliards de dollars de dépenses d’investissement en 2025. Ce montant illustre l’ampleur des infrastructures nécessaires pour entraîner et faire fonctionner des modèles à grande échelle, notamment les centres de données et les équipements informatiques.

OpenAI défend par ailleurs, dans son plan économique publié en janvier 2025, l’idée que les États-Unis doivent conserver un rôle de premier plan dans le développement de l’IA. Derrière les démonstrations de produits se trouve donc une question industrielle : qui contrôlera les puces, les centres de données, l’énergie et les logiciels qui rendent ces agents possibles ?

Pour les utilisateurs, cette rivalité peut accélérer l’arrivée de nouveaux outils. Mais elle pose également la question de leur coût, de leur dépendance à quelques plateformes et des données confiées à ces services. Les bénéfices attendus ne se mesurent pas seulement à la fluidité d’une voix de synthèse ou à la rapidité d’un clic automatisé : ils dépendent aussi de la fiabilité et de la gouvernance des systèmes déployés.

Ce qu’il faut surveiller avant de déléguer des tâches à une IA

Les nouveaux modèles audio et les outils pour agents rendent des usages plus ambitieux techniquement accessibles. Leur véritable évaluation commencera toutefois dans les situations ordinaires : une conversation bruitée, un site web qui change, une instruction ambiguë, un document mal classé ou une demande qui comporte une information personnelle.

Trois points méritent une attention particulière. D’abord, la qualité des résultats : un agent peut donner une réponse plausible tout en commettant une erreur. Ensuite, la protection des données : accéder à des fichiers ou à un navigateur implique de définir avec précision les informations auxquelles l’outil a droit. Enfin, la responsabilité humaine : plus une tâche est sensible, plus une validation claire doit être maintenue.

À court terme, l’ambition d’OpenAI consiste moins à livrer un assistant entièrement autonome qu’à fournir les composants d’applications capables de réaliser davantage d’étapes. Le défi, pour les développeurs comme pour les utilisateurs, sera de transformer cette puissance en services réellement utiles, transparents et contrôlables.