OpenAI pour les développeurs en 2025

Au-delà du lancement de tel ou tel modèle, 2025 a surtout été l’année où l’IA est devenue plus facile à exploiter en production. À mesure que les modèles progressaient en planification, dans l’utilisation des outils et dans l’exécution de tâches de longue durée, de plus en plus d’équipes ont délaissé les « prompts à chaque étape » pour déléguer le travail à des agents.

Pour les développeurs, cette évolution s’est traduite par plusieurs changements concrets :

• L’effort de raisonnement est devenu un réglage essentiel, de plus en plus intégré aux modèles de discussion généralistes.
• La multimodalité (documents, audio, images, vidéo) est devenue une fonctionnalité centrale de l’API.
• Les composants de développement d’agents (Responses API, Agents SDK, AgentKit) ont simplifié la mise en production et l’exploitation de workflows en plusieurs étapes.
• Codex a permis de développer plus vite et de produire du code de meilleure qualité que jamais.

En bref

• La grande évolution a été l’association d’API conçues dès le départ pour les agents et de modèles plus performants, capables d’accomplir des tâches plus complexes qui exigent de raisonner et d’utiliser des outils.
• Les modèles et les outils de Codex ont gagné en maturité. Pour les tâches de développement de longue durée, les développeurs peuvent associer le raisonnement de GPT-5.2-Codex à l’échelle d’un dépôt à une CLI prête pour la production et à des workflows sur le Web et dans leur IDE.
• Grâce aux progrès des outils, il est devenu plus simple de connecter les modèles à des systèmes réels et de surmonter les difficultés d’intégration.
• Les entrées et sorties multimodales (PDF, images, audio, vidéo) se sont imposées dans les workflows de bout en bout.
• Les évaluations, les outils de notation et les fonctionnalités d’affinage ont gagné en maturité, facilitant la répétition du cycle « mesurer → améliorer → mettre en production ».

Découvrez les principales évolutions des modèles, des API et de la plateforme en 2025, et comment elles peuvent vous aider à déployer des agents prêts pour la production.

Raisonnement : de modèles distincts à une gamme unifiée

Fin 2024, nous avons introduit une approche fondée sur le raisonnement, qui consiste à laisser aux modèles « le temps de réfléchir ». Début 2025, les modèles de raisonnement formaient encore une famille à part. Des modèles comme o1, o3 et o4-mini ont montré qu’en consacrant davantage de ressources de calcul à la réflexion avant de répondre, on pouvait nettement améliorer la fiabilité des résultats sur des tâches complexes en plusieurs étapes.

o3-mini a été l’un des premiers modèles à montrer que le raisonnement pouvait s’étendre au-delà des modèles de pointe, sous une forme économique et facile à exploiter pour les développeurs.

Au second semestre 2025, la grande tendance a été la convergence. Une même gamme de modèles phares combinait de mieux en mieux raisonnement approfondi, utilisation d’outils et qualité de conversation. Pour la plupart des équipes, « choisir un modèle » revenait surtout à trouver le bon compromis entre coût, latence et qualité, alors qu’il fallait auparavant choisir entre des familles fondamentalement différentes.

Les modèles axés sur le raisonnement comme o1, o3 / o4-mini et o3-mini ont permis aux développeurs de régler eux-mêmes le compromis entre « réfléchir davantage » et « répondre plus vite ». Au fil de l’année, la famille GPT-5.x a progressivement intégré cette approche, réunissant intelligence généraliste, raisonnement approfondi, spécialisation en programmation et multimodalité au sein d’une seule gamme.

Multimodalité : audio, vision, images et vidéo

Fin 2025, le terme multimodal est passé de « le modèle accepte une image en entrée » à « vous pouvez créer un produit qui combine plusieurs modalités de bout en bout », souvent dans un seul workflow.

Audio et temps réel

• Les modèles audio de nouvelle génération ont amélioré la précision de la transcription et offert un contrôle plus fin de la synthèse vocale, pour des chaînes de traitement vocal adaptées à la production.
• La Realtime API est passée en disponibilité générale. Elle permet de transmettre des flux audio dans les deux sens avec une faible latence, ce qui rend viable le déploiement en production d’agents vocaux et d’interfaces de conversation en direct.

Images

• GPT Image 1 a inauguré une nouvelle génération de modèles de génération d’images. Grâce à une bonne compréhension du monde et à un meilleur respect des instructions, il produit des images de haute qualité et permet d’y apporter des modifications structurées.
• Une meilleure fidélité aux images d’entrée a permis de préserver plus systématiquement certains détails, comme les visages et les logos, lors des retouches.
• GPT Image 1 mini a réduit le coût de la génération d’images native.
• GPT Image 1.5, notre modèle de génération d’images le plus avancé, a marqué un net progrès en matière de qualité d’image et de cohérence des retouches.
• L’intégration de la génération d’images aux outils de la Responses API a permis de créer des images au fil d’une conversation, en combinaison avec d’autres outils.

Vidéo

• Les modèles Sora 2 et Sora 2 Pro ont permis de générer des vidéos plus fidèles, avec une meilleure cohérence dans le temps et la possibilité de les remixer.
• L’API vidéo a rendu la génération et le montage vidéo accessibles via v1/videos. La vidéo est ainsi devenue une modalité à part entière de l’API, au même titre que le texte, les images et l’audio.

PDF et documents

• La prise en charge des PDF en entrée a permis d’exécuter directement dans l’API des workflows qui traitent de nombreux documents.
• La possibilité de fournir un PDF par URL a simplifié ces workflows : il suffit d’indiquer l’adresse du document sans avoir à l’importer.

Ce que cela change : vous pouvez désormais utiliser la plateforme OpenAI pour le texte et la vision, mais aussi pour vos workflows de génération d’images et de vidéos et vos applications de parole à parole.

Codex

En 2025, Codex est passé du rôle de modèle de programmation à celui de coéquipier en ingénierie logicielle. Il relie les modèles, les outils locaux et le cloud pour aider les développeurs à mener à bien des tâches de programmation plus longues et plus complexes.

Modèles

Les premiers modèles de raisonnement ont nettement amélioré les résultats sur des tâches de programmation complexes comme la modification de plusieurs fichiers, le débogage et la planification. Au second semestre 2025, la famille GPT-5 a réuni ces capacités. GPT-5.2-Codex est devenu le nouveau choix par défaut pour la génération de code, la revue de code et le raisonnement à l’échelle d’un dépôt. Cette spécialisation s’inscrit désormais au sein de la famille de modèles généralistes.

CLI

La CLI Codex open source (GitHub) a permis aux développeurs de travailler avec un agent de programmation directement dans leur environnement local. Ils peuvent exécuter Codex sur leurs propres dépôts, examiner les changements à chaque itération et appliquer les modifications aux fichiers tout en gardant la main. Les tâches de programmation de longue durée ont ainsi trouvé leur place dans les workflows quotidiens.

Codex est aussi devenu plus facile à exploiter en dehors des sessions interactives grâce à la prise en charge native d’automatisations reproductibles, comme l’exécution de Codex depuis un script.

Sécurité, contrôle et intégrations

Codex a pris en compte les contraintes de mise en production. Le bac à sable et les modes d’approbation ont facilité la supervision humaine. La prise en charge d’AGENTS.md et de MCP a également simplifié l’adaptation de Codex à votre dépôt et l’ajout d’outils et de contexte provenant de tiers. Elle a même permis d’orchestrer Codex avec l’Agents SDK en exécutant la CLI comme serveur MCP.

Mise à jour du 5 septembre 2026 : le serveur MCP de Codex a été supprimé. Consultez le guide de migration pour connaître les options d’intégration actuelles.

Web, cloud et IDE

Au-delà de la CLI, Codex a étendu la prise en charge des sessions longues et de la résolution de problèmes par itérations sur le Web et dans le cloud ainsi que dans l’extension pour IDE. Les développeurs pouvaient ainsi passer plus rapidement d’un raisonnement mené en conversation à des modifications concrètes du code. Les équipes pouvaient également automatiser certaines étapes du workflow avec Codex Autofix dans leur chaîne d’intégration continue.

Ce que cela change : fin 2025, Codex avait dépassé le stade du « modèle auquel on envoie un prompt ». Il offrait un environnement de développement qui associait des modèles capables de raisonner aux outils que les développeurs utilisaient déjà.

Évolution de la plateforme : Responses API et composants pour agents

L’une des principales évolutions de la plateforme en 2025 a été l’adoption d’API conçues dès le départ pour les agents.

La Responses API a simplifié le développement avec la nouvelle génération de modèles :

• Prise en charge de plusieurs entrées et sorties, y compris dans différentes modalités
• Réglages du raisonnement et résumés du raisonnement
• Meilleure prise en charge des appels d’outils, y compris pendant le raisonnement

Sur cette base, 2025 a également vu apparaître des composants de plus haut niveau, comme l’Agents SDK open source et AgentKit, qui facilitent la création et l’orchestration d’agents.

La gestion de l’état et de sa persistance s’est également simplifiée :

• L’état de la conversation et la Conversations API permettent de conserver les fils de discussion et d’en rejouer l’état.
• Les connecteurs et serveurs MCP permettent d’intégrer du contexte externe et d’effectuer des actions par l’intermédiaire d’outils de confiance.

Ce que cela change : créer des agents qui procèdent en plusieurs étapes et des workflows de longue durée demande désormais moins de code d’intégration sur mesure et moins de travail de gestion de l’état.

En complément de ces primitives, nous avons intégré de nouveaux outils puissants pour tirer pleinement parti des modèles.

Outils : de la recherche web aux workflows

En 2025, nous avons lancé un ensemble de fonctionnalités standardisées que l’on peut combiner pour permettre aux agents d’accomplir des tâches utiles en toute sécurité.

• La recherche web a fourni aux agents un moyen simple de trouver des informations à jour et de citer leurs sources.
• La recherche dans les fichiers (avec des bases vectorielles) a fourni une solution RAG hébergée par défaut, facile à combiner avec la Responses API et les sorties structurées.
• L’Interpréteur de code a permis d’exécuter du Python dans des conteneurs isolés pour traiter des données, transformer des fichiers et déboguer par itérations.
• L’utilisation de l’ordinateur a permis d’automatiser des séquences d’actions comme « cliquer, saisir du texte, faire défiler ». Mieux vaut l’associer à un bac à sable et à une supervision humaine.

Ce que cela change : les agents peuvent rechercher des informations, effectuer des calculs et agir de manière fiable, sans que chaque équipe ait à créer son propre environnement d’exécution pour les outils.

Exploitation et passage à l’échelle : traitement asynchrone, événements et maîtrise des coûts

Lorsque les agents sont passés de la « requête unique » aux « traitements en plusieurs étapes », les équipes chargées de la production ont eu besoin de primitives pour maîtriser les coûts, la latence et la fiabilité.

• La mise en cache des prompts a réduit la latence et le coût des entrées lorsque les prompts ont en commun un long préfixe (prompt système, outils, schémas).
• Le mode en arrière-plan a permis de générer des réponses sur de longues durées sans maintenir ouverte la connexion du client.
• Les webhooks ont permis de passer de la « vérification périodique de tous les traitements » à des systèmes pilotés par les événements, qui signalent la fin d’un traitement par lots, d’une tâche en arrière-plan ou d’un affinage.
• Les limites de débit et les recommandations pour optimiser les charges de travail se sont affinées à mesure que les niveaux d’utilisation et les familles de modèles se diversifiaient.

Ce que cela change : la création d’agents repose désormais autant sur la conception du système (traitement asynchrone, événements et budgets) que sur la rédaction des prompts.

Standards ouverts et composants open source pour les agents

Parallèlement à l’unification des API, l’année 2025 a mis l’accent sur l’interopérabilité des systèmes agentiques et la possibilité de combiner leurs composants.

• L’Agents SDK open source pour Python (GitHub) et TypeScript (GitHub) a fourni des composants pour utiliser des outils, passer le relais entre agents, mettre en place des garde-fous et tracer les exécutions. Il est indépendant du fournisseur, et sa documentation explique comment utiliser des modèles d’autres fournisseurs qu’OpenAI.
• AgentKit a ajouté des outils de plus haut niveau pour le développement d’agents, notamment Agent Builder, ChatKit, Connector Registry et des boucles d’évaluation, pour aider les équipes à déployer et à itérer plus vite.
• Du côté des standards, OpenAI a promu AGENTS.md (spécification) et participé à l’AAIF (Agentic AI Foundation). Ces efforts s’inscrivent aux côtés d’autres standards de l’écosystème, comme le Model Context Protocol (MCP) et les Skills. À mesure que l’écosystème adopte des conventions communes, les développeurs peuvent réutiliser leurs outils pour agents dans différents environnements et ont moins d’intégrations spécifiques à écrire.

En complément de nos travaux sur les agents et les standards associés, nous avons présenté l’Apps SDK, un framework open source qui étend le Model Context Protocol (MCP). Les développeurs peuvent créer des interfaces utilisateur en parallèle de leurs serveurs MCP et définir à la fois la logique et l’interface interactive d’applications qui s’exécutent dans des clients comme ChatGPT.

Ce que cela change : les développeurs peuvent créer des agents moins dépendants d’un environnement d’exécution ou d’une interface en particulier, et intégrer plus facilement des agents fondés sur les modèles OpenAI dans des systèmes hétérogènes.

Modèles à poids ouverts

En complément des API hébergées, OpenAI a publié des modèles à poids ouverts conçus pour favoriser la transparence, la recherche et les déploiements sur site ou en auto-hébergement. Ces modèles conservent de solides capacités de raisonnement et suivent les instructions avec précision.

• gpt-oss 120b et 20b sont des modèles de raisonnement conçus pour l’auto-hébergement et les déploiements sur site.
• gpt-oss-safeguard 120b et 20b sont des modèles de sécurité et d’application de règles destinés à fonctionner aux côtés de gpt-oss.

Évaluation, affinage et mise en production en toute sécurité

• L’Evals API permet de piloter le développement par les évaluations.
• L’affinage par apprentissage par renforcement (RFT) s’appuie sur des outils de notation programmables.
• L’affinage supervisé et la distillation permettent de transférer les performances d’un grand modèle à des modèles plus petits et moins coûteux, une fois la tâche validée avec le grand modèle.
• Les outils de notation et l’optimiseur de prompts ont aidé les équipes à raccourcir le cycle « évaluer → améliorer → réévaluer ».

Bilan

Tout au long de 2025, nous avons concentré nos efforts sur quelques priorités pour faciliter le développement et la mise en production sur notre plateforme :

• Un raisonnement à grande échelle, réglable et intégré au cœur des modèles
• Une API unifiée, conçue dès le départ pour les agents
• Des composants ouverts et de nouveaux standards d’interopérabilité
• Une prise en charge multimodale étendue au texte, aux images, à l’audio, à la vidéo et aux documents
• Des outils de production plus performants pour l’évaluation, l’affinage et le déploiement

Modèles recommandés par tâche (fin 2025)

Si vous lancez un projet ou modernisez une intégration, voici de bons « choix par défaut » selon la tâche à accomplir.

• Usage généraliste (texte et entrées multimodales) : GPT-5.2 pour la discussion, les tâches nécessitant un contexte long et les entrées multimodales.
• Raisonnement approfondi et tâches exigeant une grande fiabilité : GPT-5.2 Pro pour la planification et les tâches où le gain de qualité justifie davantage de calcul.
• Programmation et ingénierie logicielle : GPT-5.2-Codex pour la génération de code, la revue de code, le raisonnement à l’échelle d’un dépôt et les agents de programmation qui utilisent des outils.
• Génération d’images et retouche : GPT Image 1.5 pour générer des images plus fidèles et les retoucher par itérations.
• Voix en temps réel : gpt-realtime pour les échanges de parole à parole à faible latence et les agents vocaux en direct.

Pour connaître la disponibilité actuelle des modèles et les niveaux d’accès, consultez la page officielle de comparaison des modèles.

Ces évolutions préparent la suite. Merci d’avoir développé vos projets avec nous en 2025. Nous avons hâte de découvrir ce que vous créerez en 2026.

Liens et ressources

• Optimiseur de prompts
• Comparaison des modèles (noms actuels, disponibilité et niveaux d’accès)
• Agents SDK (Python) et Agents SDK (TypeScript)
• Documentation de Codex et dépôt GitHub de la CLI Codex
• Playground pour les images
• Journal des modifications de la plateforme (nouveautés et dates de mise en production)