ChatGPT GPT-6 Astra Pro fait travailler plusieurs agents en parallèle sur une seule tâche

GPT-6 Astra Pro : ChatGPT fait maintenant travailler plusieurs agents en parallèle sur une seule tâche

🔎 Le multi-agents quitte le terminal et entre dans votre chat

Le 16 octobre 2026, OpenAI a discrètement fait basculer ChatGPT dans l'ère multi-agents. Une mise à jour de GPT-6 Astra Pro — baptisé « GPT-6 Pro » dans les release notes officielles, « GPT-6 Astra Pro » sur X — permet désormais à une seule requête d'être découpée en plusieurs agents qui avancent en même temps, chacun visible et consultable individuellement. L'annonce OpenAI le résume par son propre titre : le parallèle réduit le temps et le coût.

Jusqu'ici, faire collaborer plusieurs IA sur une même tâche relevait du bricolage de développeur : frameworks d'orchestration, scripts maison, projets comme Orca. OpenAI vient de mettre cette mécanique dans le produit grand public, sans une ligne de code à écrire.

Faut-il crier à la révolution ? Le premier test indépendant, publié le jour même par Kingy.ai, invite à la prudence : environ 9 % de gain de vitesse, aucun avantage de précision mesuré, mais un changement réel dans la façon d'inspecter le travail d'une IA. Voici ce qu'on sait, ce qu'on mesure, et ce qu'OpenAI ne dit pas encore.

L'essentiel

• La mise à jour : le 16 octobre 2026, OpenAI active les agents parallèles dans ChatGPT pour les utilisateurs Pro éligibles, avec des « réponses plus rapides » et un « meilleur usage des plugins et outils ».
• Le principe : une requête éclate en plusieurs agents qui travaillent simultanément ; la progression s'affiche dans la conversation et chaque tâche terminée s'ouvre pour revoir son travail.
• Les chiffres : sur le test de Kingy.ai, 3 agents en parallèle bouclent une brief en 4 min 25 s en moyenne contre 4 min 51 s en séquentiel — 26 secondes gagnées, soit environ 9 %.
• Le vrai gain : l'inspection. Trois agents nommés, trois panneaux consultables avec sources et réserves.
• Les angles morts : aucun nombre maximal d'agents documenté, aucun compteur de quota par run, aucun benchmark chiffré pour justifier le « plus rapide ».
• L'accès : rien à activer, il suffit de choisir GPT-6 niveau Pro dans le chat (offres Pro 100, Pro 200, Business et Enterprise).

Outils recommandés

Ce que change vraiment cette mise à jour

Réponse directe : ChatGPT ne se contente plus de répondre — il délègue. Une requête peut désormais être répartie entre plusieurs agents qui travaillent en même temps, et vous pouvez ouvrir le travail de chacun une fois la tâche terminée.

Les release notes de ChatGPT résument la mise à jour en une phrase : « Faster responses, improved use of plugins and tools, and multiple agents that tackle different parts of a task in parallel ». Sur le post X d'OpenAI, la formulation est identique, avec une précision : le déploiement concerne les comptes Pro éligibles, dans l'onglet Chat.

Concrètement, vous suivez la progression de chaque agent directement dans la conversation, et chaque tâche terminée s'ouvre pour revoir son travail. EconoTimes confirme une ouverture progressive dès le 16 octobre aux utilisateurs Pro éligibles, avec affichage de progression et résultats consultables agent par agent.

Petit détail révélateur du flou ambiant : la nomenclature elle-même hésite. Les release notes disent « GPT-6 Pro », le post X dit « GPT-6 Astra Pro ». Même mise à jour, deux noms — signe que la communication a couru plus vite que la documentation.

Un déploiement sans interrupteur

Côté accès, c'est d'une simplicité désarmante : rien à activer. D'après vibecoding, la fonctionnalité est fournie aux offres Pro 100, Pro 200, Business et Enterprise — il suffit de sélectionner GPT-6 niveau Pro dans le chat. La limite consommée par un run parallèle n'est en revanche pas documentée.

Attention toutefois aux workspaces managés : la disponibilité y dépend des réglages du workspace et de l'éligibilité au rollout. Si vous travaillez en entreprise, la décision appartient à votre administrateur, pas à vous. La communauté OpenAI confirme ce fonctionnement par éligibilité.

Contexte utile : cette mise à jour s'inscrit dans la lignée des agents « dots » d'Astra, restés actifs en arrière-plan — et qui avaient été exclus de l'EEE, de la Suisse et du Royaume-Uni à leur lancement, selon GoldenEra. La couverture géographique des agents parallèles n'est pas détaillée. Pour rappel, le modèle lui-même avait décroché 64,6 % sur Terminal-Bench, avec des résultats remarqués en science et sur ARC-AGI-3 (notre analyse).

Les chiffres du premier test indépendant : +9 %, pas miracle

Réponse directe : le gain de vitesse est réel mais modeste — 26 secondes sur près de cinq minutes, soit environ 9 %.

Kingy.ai a publié le jour même le premier test indépendant. Protocole : deux paires séquentiel/parallèle sur une brief figée, avec un découpage en 3 lanes — trois couloirs de travail distincts. Résultat moyen en séquentiel : 4 min 51 s. En parallèle avec 3 agents : 4 min 25 s. Gain moyen : 26 secondes, environ 9 %.

Le détail par run est plus instructif que la moyenne. Le premier run parallèle a été 10 secondes plus lent que son témoin séquentiel (4 min 56 s contre 4 min 46 s). Le second a été 62 secondes plus rapide (3 min 54 s contre 4 min 46 s). Autrement dit : un run dans le rouge, un run très dans le vert, une moyenne tiède.

La variance mange la promesse

Un écart de 72 secondes entre deux runs du même dispositif, pour un gain moyen de 26 secondes : la promesse de vitesse est fragile. Sur une tâche courte, le surcoût d'orchestration peut effacer l'avantage. Sur des tâches plus longues et réellement décomposables, l'écart devrait se creuser — mais c'est une hypothèse, pas une mesure.

Autre point sec : aucun avantage de précision n'a été mesuré. Les agents parallèles ne réfléchissent pas mieux que le modèle en mono-flux. Ils travaillent en même temps, c'est tout. Toute lecture marketing qui suggère le contraire dépasserait ce que les données montrent aujourd'hui.

Le vrai gain, c'est l'inspection — et personne n'en parle

Réponse directe : le bénéfice le plus concret des agents parallèles n'est pas la vitesse, c'est de pouvoir voir le travail.

Dans une réponse mono-flux classique, le raisonnement reste largement invisible : vous recevez un texte final, point. Avec les agents parallèles, Kingy.ai a pu observer 3 agents nommés, chacun ouvrable dans son propre panneau, avec ses sources et ses réserves. GenZ NewZ, qui a relayé le test, arrive à la même conclusion : l'intérêt réel réside dans cette surface d'inspection que les réponses mono-flux ne donnent pas.

Mon avis : c'est là la vraie nouveauté stratégique. ChatGPT passe d'une machine à réponses à un espace de travail où le processus devient auditable. Pour quiconque a déjà eu besoin de vérifier les affirmations d'un modèle — donc pour tout le monde —, pouvoir ouvrir le travail de chaque agent change la posture. On ne lit plus une réponse, on examine un dossier.

C'est exactement la discipline que nous décrivons dans notre article sur le red teaming d'agents IA : vérifier ce qu'un agent a réellement fait plutôt que se fier à sa réponse finale. OpenAI industrialise l'accès à cette vérification, même si elle ne la met pas en avant dans sa communication.

Deux bémols relevés par Kingy.ai : le panneau d'activité affichait « No outputs yet » alors que les 3 agents avaient terminé, et aucun compteur d'usage par run n'existe. Impossible, à ce stade, de mesurer ce qu'un run parallèle coûte réellement en quota.

Ce qu'OpenAI ne dit pas (encore)

Réponse directe : trois questions essentielles restent sans réponse officielle — combien d'agents, à quel coût en quota, et qui décide du découpage.

Le nombre maximal d'agents simultanés n'est annoncé nulle part. GoldenEra relève aussi l'absence de benchmark chiffré pour justifier le « plus rapide », l'absence de prix dédié et l'absence de liste de plugins compatibles. Une mise à jour produit sans un seul chiffre de performance : c'est rare, et ça dit quelque chose.

L'impact sur le quota est la question la plus sensible. Faire tourner plusieurs agents consomme mécaniquement plus de calcul, et donc potentiellement plus de votre abonnement. OpenAI ne publie aucun chiffre, et l'absence de compteur par run — le bug relevé par Kingy.ai — empêche tout suivi précis. iaenunminuto résume les trois questions ouvertes : combien d'agents autorisés, est-ce que ça consomme plus le quota, et quand les workspaces d'entreprise l'auront.

Dernière zone d'ombre, la plus intéressante à mes yeux : qui décide du découpage ? Ni les release notes ni le post X ne précisent si c'est le modèle qui choisit d'éclater la tâche, ni si l'utilisateur peut imposer ou ajuster ce découpage. Dans le test Kingy.ai, la brief a été découpée en 3 lanes et les agents apparaissent nommés — ce qui suggère un découpage côté modèle. En l'état, vous subissez l'orchestration : vous la constatez, vous ne la pilotez pas.

Enfin, le passage aux comptes Team reste une question ouverte, tout comme une éventuelle GPT-6.1 Astra Pro, relayées par TestingCatalog via Digg. À surveiller dans les semaines qui viennent.

Face à Orca et au multi-stream, OpenAI rattrape plus qu'il n'innove

Réponse directe : le parallélisme d'agents n'est pas né le 16 octobre — il tourne depuis des mois dans l'outillage des développeurs. La nouveauté d'OpenAI, c'est la distribution.

Côté open source, Orca pilote déjà des flottes d'agents de code en parallèle, avec une communauté qui a validé l'approche en quelques mois (notre décryptage). Le concept de multi-stream — faire passer le traitement parallèle au cœur même de l'inférence — est lui aussi documenté de longue date (Multi-stream LLMs : pourquoi le futur des agents IA passe par le traitement parallèle). Un développeur qui orchestre plusieurs agents depuis un terminal ne découvrira rien de fondamentalement nouveau.

Ce que fait OpenAI, en revanche, c'est mettre cette mécanique à portée de clic pour des millions d'utilisateurs qui n'ouvriront jamais un terminal. Historiquement, c'est comme ça que se diffusent les vrais changements : pas quand la technologie existe, mais quand elle disparaît derrière l'interface. Le multi-agents avait besoin de son moment « grand public » — le voilà.

Détail révélateur : dès le 17 octobre, une mise à jour distincte de Codex et de ChatGPT Work permet aux subagents de réutiliser le contexte, prolonge la disponibilité du cache de contexte et ajuste le routage pour augmenter le taux de cache hit, selon TokenPost. Traduction : OpenAI est déjà en train d'ingénierer les coûts de cette parallélisation. La course à l'échelle a commencé avant même que la fonction ne soit généralisée.

Et la concurrence ne reste pas immobile. Claude Opus 4.7 (Adaptive) et Gemini 3 Pro Deep Think poussent fort sur le terrain agentique, tandis que GPT-5.5 domine toujours les classements du segment. Si vous hésitez entre écosystèmes, nos comparatifs Claude vs ChatGPT et ChatGPT vs Gemini restent les meilleurs points d'entrée — et notre article sur la collaboration entre plusieurs IA explique pourquoi l'orchestration pèse souvent plus que le modèle sous-jacent.

Comment l'utiliser sans gaspiller votre quota

Réponse directe : réservez les runs parallèles aux tâches réellement décomposables en sous-tâches indépendantes — pas à vos questions du quotidien.

Les bons cas d'usage : une recherche documentaire avec plusieurs axes indépendants, une veille concurrentielle traitée acteur par acteur, la relecture d'un long document section par section, ou une brief découpée en lanes comme dans le protocole de Kingy.ai. Dans tous ces cas, chaque agent produit un livrable que vous pouvez vérifier séparément — c'est là que l'inspection prend tout son sens.

Les mauvais cas : toute tâche séquentielle où l'étape N+1 dépend du résultat de l'étape N. Le parallélisme n'apporte alors que du bruit, de l'attente et de la consommation. Et pour une question simple, lancer trois agents relève du marteau-pilon : vous paierez potentiellement plusieurs fois le calcul pour une réponse que le mono-flux donne aussi bien.

Puisqu'aucun compteur n'existe, imposez-vous une discipline manuelle. Un run parallèle de temps en temps, pas systématiquement. Un œil sur votre consommation après chaque usage. Et l'habitude d'ouvrir chaque panneau d'agent plutôt que de lire uniquement la synthèse finale — c'est précisément là que se trouve la valeur.

Checkliste avant de lancer un run parallèle

• La tâche se découpe-t-elle en sous-tâches réellement indépendantes ?
• Chaque agent produira-t-il un livrable vérifiable, avec sources et réserves ?
• Avez-vous la marge de quota pour un run qui consomme potentiellement plusieurs fois plus ?
• Êtes-vous prêt à inspecter chaque panneau, pas seulement la conclusion d'ensemble ?

Si une seule réponse est non, restez en mono-flux. Vous perdrez moins de temps et moins de quota.

❌ Erreurs courantes

Erreur 1 : attendre un gain de vitesse proportionnel au nombre d'agents

Trois agents ne font pas trois fois plus vite. Kingy.ai mesure 9 % de gain moyen, avec un premier run plus lent que le témoin séquentiel. L'orchestration a un coût, et il se paie en secondes. La solution : utiliser le parallélisme pour la couverture et l'inspection, pas pour la vitesse brute.

Erreur 2 : confondre parallèle et plus intelligent

Aucun gain de précision n'a été mesuré sur le test indépendant. Le parallélisme change le débit et la visibilité du travail, pas la qualité du raisonnement. La solution : juger chaque agent individuellement, panneau par panneau, au lieu de supposer que la multiplication des agents vaut validation.

Erreur 3 : ignorer le coût en quota

Plusieurs agents signifient plus de calcul, mais aucun compteur par run n'existe et OpenAI ne publie aucun chiffre. Vous pouvez épuiser votre quota sans jamais savoir ce qu'a coûté un run précis. La solution : suivre votre consommation manuellement et réserver les runs parallèles aux tâches qui le méritent vraiment.

Erreur 4 : supposer que la fonction est disponible partout

Utilisateurs Pro éligibles d'abord, workspaces managés selon les réglages et l'éligibilité au rollout — et le précédent des agents « dots », exclus de l'EEE, de la Suisse et du Royaume-Uni à leur lancement. La solution : vérifier votre éligibilité et votre zone avant de reconstruire un workflow autour de cette fonctionnalité.

❓ Questions fréquentes

Combien d'agents peuvent travailler en parallèle ?

Personne ne le sait précisément. OpenAI n'a publié aucune limite, et le test Kingy.ai en a utilisé trois sans rencontrer de blocage. Le nombre d'agents consommé par un run n'est pas documenté non plus. En pratique, faute de compteur d'usage, restez sur des découpages modestes — deux à trois agents — en attendant des spécifications officielles.

Est-ce que ça consomme plus de quota ?

Mécaniquement oui : plusieurs agents signifient plus de calcul. Mais aucun chiffre n'est publié et aucun compteur par run n'existe pour l'instant. Les ajustements de cache et de routage déployés le 17 octobre suggèrent qu'OpenAI optimise activement ce coût. Surveillez votre consommation manuellement après chaque run parallèle.

Qui décide du découpage de la tâche ?

OpenAI ne le précise pas. Dans le test indépendant, une brief figée a été découpée en 3 lanes et les agents apparaissent nommés dans l'interface, ce qui suggère un découpage côté modèle. Aucun contrôle manuel du découpage n'est documenté à ce stade : vous constatez l'orchestration, vous ne la pilotez pas.

C'est disponible sur Team ou dans les workspaces d'entreprise ?

La fonction est fournie aux offres Pro 100, Pro 200, Business et Enterprise, mais dans les workspaces managés, la disponibilité dépend des réglages du workspace et de l'éligibilité au rollout. Le passage aux comptes Team reste une question ouverte. En entreprise, la décision revient à votre administrateur.

Quel intérêt concret face à une réponse classique ?

L'inspection. Chaque agent est nommé, visible pendant l'exécution, et son résultat s'ouvre dans son propre panneau avec sources et réserves. C'est une surface de vérification que les réponses mono-flux n'offrent pas — précieuse pour la recherche et la veille, accessoire pour une question simple.

GPT-6 Astra Pro, c'est quoi exactement ?

Le modèle de haut niveau de la famille GPT-6 Astra, réservé aux offres Pro. Les release notes l'appellent « GPT-6 Pro », le post X « GPT-6 Astra Pro » : même mise à jour, deux noms. Le modèle de base avait décroché 64,6 % sur Terminal-Bench, avec des résultats remarqués en science et sur ARC-AGI-3.

✅ Conclusion

En mettant les agents parallèles dans le chat plutôt que dans un terminal, OpenAI a fait basculer ChatGPT de la réponse vers l'espace de travail — gains de vitesse modestes (9 % mesurés), mais vraie rupture sur l'inspection du travail de l'IA. Pour explorer les alternatives open source et locales, notre sélection des meilleurs agents IA vous attend.