OpenAI Astra et la Recurrent Depth : l'IA qui commence à penser dans le noir
OpenAI vient de confirmer qu'Astra, son prochain modèle phare, raisonne d'une manière que ses propres ingénieurs ne peuvent plus vraiment lire. Bienvenue dans l'ère de l'intelligence artificielle opaque.
Ce que vous allez lire ici ne relève pas de la science-fiction. C'est le constat technique et factuel posé par plusieurs chercheurs en sécurité IA depuis la fin du mois d'août 2026. Et franchement, il y a de quoi s'arrêter un instant.
Un nom de code, une rupture réelle
Vous connaissez peut-être Astra sous son nom de travail interne : GPT-6. OpenAI a préféré rebaptiser ce modèle pour marquer la distance avec la série GPT classique. Et ce n'est pas qu'un choix marketing. L'architecture d'Astra est fondamentalement différente de tout ce qu'OpenAI a produit jusqu'ici.
Là où GPT-4o ou o3 raisonnent de manière séquentielle, étape par étape, de façon lisible par les chercheurs, Astra fait quelque chose de radicalement différent. Il utilise une technique appelée recurrent depth, aussi connue sous le nom de looped transformer. Et c'est là que les choses deviennent intéressantes, voire inconfortables.
La confirmation officielle est venue d'OpenAI lui-même, relayée notamment par TechCrunch et The Verge. Le sujet a rapidement été relevé par les communautés de chercheurs en sécurité IA, et les réactions n'ont pas tardé.
La recurrent depth en clair : qu'est-ce que ça veut dire concrètement ?
Pour comprendre l'enjeu, il faut partir de la base. Un modèle de langage classique, comme GPT-4, traite l'information en la faisant passer une seule fois à travers ses couches internes. Chaque couche du réseau de neurones apporte une transformation, puis le résultat sort à l'autre bout. C'est linéaire. C'est prévisible. C'est auditable.
Avec la recurrent depth, OpenAI fait faire des boucles à l'information. Plutôt que de traverser les couches une seule fois, l'information repasse plusieurs fois à travers le même bloc de couches. C'est l'idée du looped transformer : le modèle « tourne en rond » intentionnellement, en affinant sa réponse à chaque itération, avant de produire une sortie.
Une analogie pour y voir clair
Pensez à un cuisinier qui goûte son plat plusieurs fois avant de le servir, en ajoutant une touche à chaque passage. Sauf qu'avec Astra, personne dans la cuisine ne peut vous dire ce qu'il a ajouté entre la deuxième et la troisième dégustation. Le plat arrive dans l'assiette. Il est excellent. Mais la recette intermédiaire est invisible.
C'est exactement ce qui se passe avec Astra. La majeure partie du raisonnement se déroule dans ces boucles internes, en dehors de tout langage naturel. Les chercheurs ne peuvent pas lire une « chaîne de pensée » comme ils le faisaient avec les modèles précédents. Le processus de réflexion est devenu opaque, encapsulé dans des vecteurs mathématiques que seule la machine comprend.
Ce n'est pas une bug. C'est une feature. Et c'est bien là le problème.
Les gains sont réels, et c'est pour ça que c'est compliqué
Soyons honnêtes : cette architecture n'a pas été choisie par hasard. La recurrent depth apporte des bénéfices concrets, mesurables, et commercialement très attractifs.
Des performances sur les tâches complexes
Sur le code, les mathématiques, le raisonnement logique multi-étapes, Astra surpasse les modèles actuels de manière significative. En faisant boucler l'information, le modèle dispose de plus de « temps de calcul » pour affiner ses réponses, sans pour autant augmenter le nombre de paramètres. C'est de l'efficacité architecturale pure.
Une révolution économique sur les coûts d'inférence
L'inférence, c'est le processus par lequel un modèle génère une réponse. C'est l'étape la plus coûteuse opérationnellement pour les entreprises comme OpenAI. La recurrent depth permet d'obtenir des niveaux de raisonnement élevés avec moins de ressources matérielles. Pour un acteur qui gère des milliards de requêtes, c'est une économie considérable. Et potentiellement, une baisse des prix pour les utilisateurs finaux.
| Critère | Transformeur classique | Recurrent Depth (Astra) |
|---|---|---|
| Passages à travers les couches | Une seule fois | Plusieurs boucles |
| Lisibilité du raisonnement | Chain-of-thought visible | Opaque (interne) |
| Performances sur tâches complexes | Bonnes | Supérieures |
| Coût d'inférence | Élevé | Réduit |
| Auditabilité pour la sécurité | Partielle mais existante | Très limitée |
Sur le papier, c'est une technologie remarquable. Le problème, c'est que ses avantages sont immédiats et mesurables, alors que ses risques sont différés et difficiles à quantifier. Ce déséquilibre est au coeur de la controverse.
Le vrai problème : on ne peut plus surveiller ce que le modèle pense
Jusqu'à présent, les chercheurs en sécurité IA disposaient d'un outil précieux : la chaîne de pensée, ou chain-of-thought. Quand un modèle comme o3 répond à une question complexe, il « pense à voix haute ». Il écrit ses étapes intermédiaires en langage naturel. Les chercheurs peuvent lire ces étapes, détecter des comportements anormaux, repérer si le modèle développe des stratégies indésirables.
Avec Astra, cette fenêtre se ferme. Le raisonnement se déroule en interne, dans des représentations mathématiques abstraites que personne ne peut lire directement. Comme le note The Decoder, OpenAI lui-même désigne Astra comme « son modèle le plus dangereux à ce jour », tout en admettant que la surveillance de ses processus internes devient de plus en plus difficile.
Ce n'est pas une question de mauvaise volonté. C'est une conséquence directe de l'architecture choisie. Et c'est exactement ce qui a déclenché l'alarme dans la communauté des spécialistes de l'alignement IA, ce champ de recherche qui vise à s'assurer que les modèles agissent conformément aux intentions humaines.
Les réactions dans la communauté : de la consternation à la minimisation
Daniel Kokotajlo : une voix qui porte
Daniel Kokotajlo n'est pas un inconnu. Ancien chercheur chez OpenAI, il avait déjà quitté l'entreprise en 2024 en dénonçant des pratiques de sécurité insuffisantes. Sa réaction face à l'annonce de l'architecture d'Astra est sans ambiguïté : il parle de consternation. Pour lui, rendre le raisonnement interne illisible à ce stade du développement de l'IA, c'est retirer les instruments de bord d'un avion dont les moteurs deviennent exponentiellement plus puissants.
Jakub Pachocki : la voix officielle d'OpenAI
De l'autre côté, Jakub Pachocki, Chief Research Officer d'OpenAI, a tenté de calmer le jeu. Sa position : les outils d'interprétabilité — c'est-à-dire les méthodes permettant de comprendre ce qui se passe à l'intérieur d'un modèle — progressent en parallèle. Selon lui, l'opacité du raisonnement interne ne signifie pas l'absence de surveillance. OpenAI dit travailler sur des méthodes alternatives pour monitorer les comportements du modèle sans nécessairement lire sa chaîne de pensée.
La réponse est raisonnable. Mais elle ne convainc pas tout le monde, et on le comprend.
Comme le formule Gizmodo sans détour : c'est le pire moment possible pour OpenAI pour faire ce choix. Dans un contexte où la confiance du public envers les grandes entreprises d'IA est déjà écornée, annoncer un modèle dont le raisonnement est partiellement illisible de l'extérieur, c'est s'exposer à des critiques difficiles à contrer.
Une pause dans le développement : signal fort ou geste symbolique ?
L'élément le plus significatif de cette affaire est peut-être celui-là : OpenAI a confirmé avoir temporairement mis en pause certains aspects du développement d'Astra pour renforcer ses protocoles de sécurité interne. C'est une information importante, même si les détails précis de ce qui a été mis en pause restent flous.
D'un côté, cela montre qu'OpenAI prend le sujet au sérieux. L'entreprise ne fonce pas tête baissée. Elle s'arrête, elle réfléchit, elle ajuste. C'est exactement ce que les partisans du développement responsable de l'IA demandent.
De l'autre côté, une pause temporaire ne règle pas le problème structurel. Si la recurrent depth est conservée dans l'architecture finale, les enjeux de surveillance restent entiers. La question n'est pas de savoir si l'on peut ralentir. C'est de savoir si l'on dispose des bons outils pour aller vite en toute sécurité. Et pour l'instant, la réponse honnête est : pas encore.
Ce que ça change pour les entreprises et les décideurs
Si vous êtes un décideur tech, un DSI, ou un responsable de l'IA dans une organisation, voici ce que cette évolution implique concrètement pour vous.
La puissance augmente, mais la confiance doit être rebuildée
Astra sera vraisemblablement plus performant sur les tâches complexes. Si vous utilisez des modèles OpenAI pour du code, de l'analyse juridique, de la recherche financière ou de la génération de contenu technique, les résultats pourraient être nettement meilleurs. Mais la capacité à auditer les réponses du modèle, à comprendre pourquoi il a produit un résultat plutôt qu'un autre, se complexifie.
La question de la conformité réglementaire
Dans les secteurs réglementés — finance, santé, juridique — l'explicabilité des décisions prises par un système d'IA n'est pas optionnelle. Le règlement européen sur l'IA (AI Act) impose des exigences de transparence pour les systèmes à haut risque. Un modèle dont le raisonnement interne est opaque pose des questions directes sur sa conformité dans ces contextes. Ce n'est pas un obstacle insurmontable, mais c'est un chantier supplémentaire à anticiper.
La course à l'interprétabilité comme nouveau front stratégique
Ce qui est certain, c'est que la recurrent depth va accélérer les investissements dans l'interprétabilité des modèles. Anthropic, Google DeepMind, et plusieurs laboratoires académiques travaillent sur des outils permettant d'analyser le comportement interne des réseaux de neurones sans avoir à lire une chaîne de pensée explicite. Cette course va s'intensifier. Et les entreprises capables de proposer des garanties d'interprétabilité auront un avantage concurrentiel considérable dans les années qui viennent.
Notre analyse : le problème n'est pas la technique, c'est le calendrier
La recurrent depth n'est pas une mauvaise idée en soi. Des architectures similaires existent dans la recherche depuis plusieurs années, notamment sous la forme de réseaux récurrents ou de blocs partagés dans les transformeurs. L'idée de faire travailler plus longtemps un modèle sur un problème avant de répondre est même intuitivement séduisante.
Le problème est de contexte. Nous sommes en 2026. Les modèles de langage sont déployés à une échelle massive, dans des contextes où leurs erreurs ou leurs biais peuvent avoir des conséquences réelles. Les outils pour comprendre ce qui se passe à l'intérieur de ces systèmes sont encore jeunes, partiels, souvent expérimentaux. Choisir ce moment pour opacifier davantage le raisonnement interne d'un modèle de pointe, c'est parier sur le fait que la recherche en interprétabilité va combler l'écart rapidement.
C'est un pari techniquement raisonnable. C'est un pari institutionnellement risqué. Et c'est là que les critiques de Kokotajlo et d'autres ont une vraie légitimité : la confiance ne se construit pas en avançant plus vite que les outils de contrôle. Elle se construit en s'assurant que les outils de contrôle avancent au même rythme que la puissance.
OpenAI sait tout cela. La pause annoncée le montre. Mais entre savoir et faire, il reste encore beaucoup de chemin.