Il y a un an, nous lancions l’API Responses pour donner aux développeurs et aux entreprises les moyens de créer des agents utiles et fiables. En dotant les modèles d’outils hébergés, nous avons permis à l’IA de passer des assistants conversationnels à des systèmes capables d’agir pour vous. Aujourd’hui, l’API Responses propose plusieurs outils pour exécuter des workflows agentiques, ainsi que de nouvelles fonctionnalités et primitives spécialement conçues pour développer des applications avec des modèles plus performants.
Des milliers de développeurs utilisent aujourd’hui l’API Responses pour gagner en productivité dans des domaines aussi variés que le service client, le droit, les sciences de la vie ou le voyage. Nous avons déjà présenté de nombreuses réussites dans ces secteurs. Aujourd’hui, nous mettons à l’honneur cinq projets moins connus de développeurs qui ont travaillé avec l’API Responses au cours de l’année écoulée.
Détecter et corriger les défaillances des agents d’IA
Par Alexis Gauba et Ben Hylak de Raindrop AI
Outils : outils développés sur mesure
Modèles : GPT-5.2 (GPT-5.4 en cours de test)
Raindrop est la plateforme de surveillance qu’utilisent certaines des entreprises d’IA les plus ambitieuses au monde pour repérer les comportements inattendus de leurs agents en production. À mesure que les agents se complexifient, ces défaillances deviennent plus critiques.
Sans l’API Responses, il aurait été bien plus difficile de construire un tel système de surveillance, et le résultat aurait été beaucoup moins fiable.
Le système analyse le comportement des agents en arrière-plan avec l’API Responses, via le Vercel AI SDK. Raindrop peut ainsi utiliser les mêmes outils avec des modèles de différents fournisseurs et déployer son système dans plusieurs environnements. Ces workflows font ressortir les comportements inhabituels. En cas de problème, le système alerte les développeurs et les aide à en diagnostiquer la cause.
La plateforme s’articule autour de trois systèmes :
- Surveillance du comportement des agents
- Détection des défaillances et alertes
- Outils d’investigation et de débogage pour les développeurs
Ensemble, ces systèmes permettent aux équipes de repérer, de suivre et de corriger les problèmes des agents d’IA avant qu’ils ne perturbent les systèmes en production.
Architecture de surveillance
Cette architecture permet aux équipes de surveiller en continu le comportement des agents et de réagir rapidement en cas de problème.
1. Surveillance du comportement des agents
Le système évalue en continu le comportement de chaque agent pour vérifier qu’il fonctionne comme prévu.
Les développeurs peuvent définir les critères qui caractérisent un résultat indésirable. La plateforme peut alors déclencher une alerte lorsque ces critères sont remplis.
2. Détection des défaillances et alertes
Dès que Raindrop détecte une anomalie, la plateforme avertit les développeurs et leur fournit les éléments de contexte nécessaires pour examiner le problème.
Ses outils permettent de :
- Suivre les changements de comportement d’une version de l’agent à l’autre
- Identifier les modifications du prompt ou du système qui ont provoqué une défaillance
- Examiner les traces de raisonnement et les appels d’outils
Les développeurs peuvent ainsi trouver rapidement la cause d’une défaillance et déployer un correctif.
3. Outils d’investigation et de débogage
Raindrop fournit également aux développeurs des outils pour diagnostiquer les problèmes dans les workflows des agents. Les équipes peuvent ainsi s’appuyer sur les défaillances détectées pour améliorer le système.
Raindrop AI utilise l’API Responses pour exécuter tous ses workflows d’analyse de longue durée en arrière-plan. Sans cette API, la mise en œuvre de ces systèmes de surveillance serait nettement plus difficile.
Des workflows de raisonnement approfondi pour analyser des données complexes
Par Eric Provencher de Repo Prompt
Outils utilisés : Codex avec App Server et MCP, recherche web
Modèle utilisé : GPT-5.3-Codex
Pendant la planification ou les revues, chercher les bonnes informations mobiliserait inutilement la fenêtre de contexte du modèle de raisonnement. Nous confions donc à un autre agent le soin de sélectionner ces informations en amont. Notre modèle peut ainsi consacrer l’essentiel de sa capacité de raisonnement au problème à résoudre.
Eric Provencher a créé un système qui aide les développeurs et les chercheurs à analyser en profondeur de vastes collections de documents, de grandes bases de code et de volumineux jeux de données.
Repo Prompt se concentre sur l’ingénierie du contexte : la plateforme rassemble, organise et structure automatiquement les informations pertinentes pour qu’un modèle de raisonnement puisse les analyser efficacement.
Si de nombreux systèmes d’agents se concentrent sur la collecte des données, l’architecture d’Eric sépare la collecte du contexte du raisonnement approfondi. Des workflows d’agents rassemblent les éléments pertinents, puis les transmettent à un modèle de raisonnement qui se consacre exclusivement à leur analyse.
La plateforme utilise l’API Responses d’OpenAI pour orchestrer des workflows d’agents et des tâches de raisonnement de longue durée, notamment pour :
- Analyser de grandes bases de code et planifier leur architecture
- Mener des revues de code approfondies
- Analyser de vastes corpus documentaires dans le cadre de recherches
- Analyser des documents médicaux et scientifiques
Le système repose sur trois composantes : des workflows d’agents qui préparent le contexte, des modèles de raisonnement approfondi (workflow « Oracle ») et des boucles de recherche et d’analyse itératives.
1. Workflow de l’agent chargé de préparer le contexte
La première étape fait intervenir un agent chargé de préparer le contexte. Son workflow analyse de vastes dépôts de données pour déterminer quelles informations sont pertinentes pour une requête donnée.
Grâce aux outils et au raisonnement du modèle accessibles via l’API Responses, l’agent repère les fichiers pertinents, les liens entre les documents et les passages clés.
Cette étape produit un ensemble structuré d’éléments de contexte qui sert de point de départ au raisonnement.
2. Workflow de raisonnement approfondi « Oracle »
À la différence des agents chargés de préparer le contexte, le modèle « Oracle » (le modèle de raisonnement approfondi) n’appelle aucun outil et ne recherche pas d’informations supplémentaires. Il se consacre entièrement à l’analyse des éléments sélectionnés qui lui sont transmis.
En séparant la recherche du raisonnement, le système permet au modèle de consacrer toute sa capacité de raisonnement à la compréhension du problème. Dans de nombreux workflows, cette étape peut se prolonger pour permettre au modèle d’analyser les relations complexes entre les éléments du contexte fourni.
3. Boucles de recherche et d’analyse itératives
Le système prend également en charge des boucles de raisonnement itératives. Une fois que le modèle de raisonnement a produit un résultat, un autre agent peut l’examiner et déterminer s’il faut poursuivre les recherches.
Si nécessaire, le système lance un nouveau cycle de collecte du contexte et de raisonnement. Cette boucle permet de mener des investigations de longue durée au cours desquelles le système affine progressivement son analyse.
Workflow itératif
Le système s’appuie sur plusieurs fonctionnalités de l’API Responses :
- Tâches en arrière-plan : exécuter des tâches de raisonnement de longue durée, de quelques minutes à plusieurs heures
- Orchestration des agents : coordonner les boucles d’agents chargés de la collecte du contexte, du raisonnement et de la validation
- Observabilité : surveiller et gérer les workflows de raisonnement de longue durée pendant leur exécution
La plateforme utilise des modèles Codex pour rassembler et structurer les éléments de contexte pertinents, puis les transmet à des modèles de raisonnement plus performants pour une analyse approfondie. Ces fonctionnalités rendent possible l’architecture hybride de la plateforme, qui associe workflows d’agents et modèles de raisonnement approfondi.
Une interface conversationnelle pour les collectionneurs de vinyles
Par Ash Ryan Arnwine de Collxn
Outils : recherche web et 16 outils sur mesure
Modèles : GPT-5.4, GPT-5 nano
Avec l’API Responses, j’avais l’impression d’avoir beaucoup moins de travail que si j’avais choisi une autre solution, comme la création d’un système complet de génération augmentée par récupération.
Ash Ryan Arnwine a créé « Collxn » (un clin d’œil au mot « collection »), un petit service qui s’est donné une grande mission : aider les collectionneurs de vinyles à redécouvrir les disques qu’ils ont déjà sur leurs étagères et à interagir avec eux.
Les collectionneurs répertorient souvent sur Discogs des discothèques qui comptent parfois des milliers de disques. Collxn se connecte à leur collection et leur envoie chaque jour un e-mail, le « Daily Drop », qui présente un disque différent et son artiste. C’est l’occasion de réécouter des disques qu’ils possèdent déjà.
Et comme il est plus agréable de parcourir ses disques quand on peut poser des questions, Collxn s’appuie sur l’API Responses d’OpenAI pour proposer une interface de discussion qui permet littéralement aux utilisateurs de parler à leurs disques.
Une interface conversationnelle avec appels d’outils
Grâce à l’API Responses, l’application propose une interface de discussion appelée « Ask This Drop », où les utilisateurs peuvent poser des questions sur les disques présentés dans leur Daily Drop.
Le modèle est configuré pour utiliser les outils de l’API Discogs. Il peut ainsi consulter directement les données de Discogs pour répondre à une question.
Les utilisateurs peuvent par exemple demander :
- Quelle est la cote actuelle de ce disque ?
- Quels autres albums cet artiste a-t-il sortis ?
- À quel point ce pressage est-il rare ?
Ask This Drop permet aux utilisateurs de Collxn de discuter avec leurs vinyles.
Il suffit aux collectionneurs de poser une question. La réponse combine les données de Discogs consultées en temps réel avec les informations tirées de leur propre collection.
Une collection de disques jusque-là statique devient ainsi le point de départ de conversations qui s’ouvrent sur le monde de la musique.
Le Daily Drop et l’actualité des artistes
Collxn utilise également le SDK Agents d’OpenAI pour générer une rubrique « Actualités récentes » consacrée à l’artiste à l’honneur dans l’e-mail Daily Drop.
Le SDK Agents d’OpenAI alimente la rubrique d’actualité de l’artiste dans le Daily Drop de Collxn.
Un agent doté de la recherche web repère les articles récents et les nouveautés concernant l’artiste, puis ajoute ces informations à l’e-mail du jour. Cette rubrique est rapidement devenue l’une des fonctionnalités les plus appréciées des utilisateurs de la version bêta, car elle fait le lien entre leurs collections et l’actualité musicale.
Ash a finalement migré Collxn vers l’API Responses pour lancer « Ask This Drop ». L’application a ainsi pu prendre en charge le raisonnement en plusieurs étapes dans ses workflows conversationnels, ainsi que les appels à des outils intégrés ou sur mesure. Dans Collxn, l’outil de recherche web intégré à l’API Responses permet de rechercher l’actualité des artistes directement dans la discussion. Il s’ajoute à 16 outils sur mesure qui servent notamment à interagir avec l’API Discogs et à interroger le compte Collxn de l’utilisateur.
Dans « Ask This Drop » de Collxn, l’outil de recherche web de l’API Responses permet de consulter en direct l’actualité des artistes.
L’API Responses conserve également l’état des conversations, ce qui simplifie et accélère la gestion des échanges en plusieurs tours. Selon Ash, l’API Responses a permis d’adopter une architecture plus simple que celle d’un système complet de génération augmentée par récupération (RAG).
Transformer des enregistrements d’écran en démos produit interactives
Par Nick Sorrentino et Pawel Wszola, de l’équipe d’Arcade
Outils : utilisation de l’ordinateur
Modèles : GPT-5.2, computer-use-preview
En intégrant la génération de contenu via l’API, nous avons réduit de moitié le nombre d’étapes nécessaires pour publier une démo. Le taux de publication et l’adoption du produit ont nettement augmenté.
Arcade part d’une pratique déjà courante dans les équipes, l’enregistrement d’écran, pour en faire une démo produit interactive et soignée. Au lieu de présenter le produit en direct ou de rédiger une documentation étape par étape, les équipes enregistrent une seule fois un workflow et Arcade se charge du reste.
La plateforme analyse l’enregistrement et génère automatiquement un parcours guidé qui explique ce qui se passe à chaque étape.
Workflow de génération d’une démo
Voici comment se déroule une session d’enregistrement :
- L’utilisateur enregistre son écran pendant qu’il exécute un workflow.
- Sur ordinateur ou dans le navigateur, Arcade capture directement les interactions, comme les clics, la saisie de texte et le défilement, sous forme de données structurées.
- Sur mobile, le bac à sable d’iOS empêche les applications de capturer les interactions à l’échelle du système. Les utilisateurs réalisent donc un simple enregistrement vidéo de l’application à l’écran.
- L’enregistrement est envoyé à l’API Responses d’OpenAI avec l’outil d’utilisation de l’ordinateur, qui analyse les images de la vidéo pour en déduire les interactions effectuées.
- Le système convertit les actions ainsi déduites en étapes structurées.
- Arcade génère le texte explicatif et les zones interactives qui guident le public tout au long de la démo.
Ces étapes forment automatiquement le parcours interactif présenté aux utilisateurs.
Les actions structurées sont ensuite transmises à l’API Chat Completions, qui génère les titres et les descriptions des zones interactives affichés au fil de la démo. Les utilisateurs peuvent ajuster les textes générés grâce aux outils de rédaction assistée par IA intégrés, par exemple pour les raccourcir ou les reformuler.
Deux fois moins d’actions pour créer une démo
L’automatisation de la rédaction des explications a considérablement réduit le travail nécessaire pour publier une visite guidée du produit.
Après l’intégration du workflow utilisant l’API :
- Le nombre médian d’actions nécessaires avant publication a diminué de 50 %
- Le nombre d’actions au 80e percentile est passé d’environ 230 à environ 120
- Le taux de publication et l’adoption du produit ont augmenté
En simplifiant la création des démos, Arcade permet aux équipes de transformer bien plus vite des enregistrements bruts en démos interactives soignées.
Mesurer et améliorer la visibilité des marques dans les réponses de l’IA
Par Tunde Adeyinka et Ramon Silva d’Hexagon
Outil utilisé : recherche web
Modèle utilisé : GPT-5.2 Chat
Tunde Adeyinka et Ramon Silva ont fondé Hexagon pour répondre à une question nouvelle pour les commerçants : comment les assistants d’IA parlent-ils de vos produits ?
Les assistants d’IA influencent de plus en plus la façon dont les consommateurs découvrent des produits. Hexagon aide les entreprises à suivre la manière dont leurs marques apparaissent dans les réponses générées par l’IA et à améliorer ces résultats au fil du temps.
La plateforme s’appuie sur l’API Responses d’OpenAI pour faire fonctionner trois systèmes :
1. Architecture de simulation des réponses
Hexagon exécute chaque jour un pipeline de simulation pour mesurer la façon dont les assistants d’IA répondent aux questions sur les produits. Le système génère des milliers de prompts réalistes reflétant les questions de consommateurs, les demandes de recommandations de produits et les recherches en vue d’un achat, puis les soumet à l’API Responses. Il analyse ensuite les réponses générées par l’IA pour suivre la visibilité des marques.
Les commerçants qui utilisent Hexagon peuvent ainsi voir à quelle fréquence leurs produits sont mentionnés et comment les réponses évoluent au fil du temps.
2. Pipeline de génération de contenu à plusieurs agents
En complément de ses outils d’analyse, Hexagon utilise l’API Responses pour générer du contenu optimisé qui améliore la visibilité des marques dans les réponses de l’IA.
Le système repose sur quatre agents. Chacun exécute une étape spécialisée du pipeline, puis transmet ses résultats à l’étape suivante, jusqu’à la production et à la publication du contenu final. Avant la publication, les agents échangent au sein de boucles non déterministes pour affiner progressivement le contenu.
3. Tableau de bord et outils pour les clients
La plateforme propose également « Hexi », un assistant conversationnel qui utilise l’appel de fonction via l’API Responses. Avec Hexi, les clients peuvent explorer leurs statistiques en posant des questions et générer eux-mêmes des synthèses sur leur visibilité dans les réponses de l’IA. Hexagon présente ces analyses dans un tableau de bord où les commerçants peuvent suivre la façon dont leurs produits apparaissent dans les réponses générées par l’IA.
Hexagon s’appuie sur plusieurs fonctionnalités clés de l’API Responses pour produire des simulations réalistes et utiles dans l’ensemble de sa plateforme :
- Recherche web : reproduit des réponses comparables à celles de ChatGPT lorsque la navigation web est activée.
- Paramètre de localisation de l’utilisateur : simule des requêtes provenant de différentes régions pour évaluer les variations géographiques.
- Effort de raisonnement : règle le degré d’approfondissement et de complexité des réponses.
- Nombre maximal de tokens en sortie : limite la longueur des réponses au format long.
- Persistance du contexte : conserve le contexte d’un appel à l’autre pour permettre l’exécution de workflows à plusieurs agents.
Avec l’API Responses, nous avons obtenu des réponses de meilleure qualité et un contexte mieux préservé d’un appel à l’autre. Ces deux éléments sont essentiels aux pipelines en plusieurs étapes qui font fonctionner la plateforme Hexagon.
Pour conclure
En un an, l’API Responses est devenue une composante essentielle pour les développeurs qui créent des logiciels agentiques.
Ces cinq témoignages montrent concrètement ce que permettent les systèmes à plusieurs agents : coordonner des outils, détecter des bugs, exécuter des workflows et lancer des produits qui s’appuient sur l’IA.
La plateforme elle-même évolue rapidement. L’orchestration s’améliore et les écosystèmes d’outils s’enrichissent, notamment avec l’arrivée de conteneurs hébergés par OpenAI et dotés d’un accès réseau, ainsi que d’outils shell.
Plus d’outils.
Plus de possibilités.
Plus de développeurs qui créent ce que le reste d’entre nous n’a pas encore imaginé.
Rendez-vous pour découvrir ce que les développeurs créeront au cours de cette deuxième année.