L’essentiel
- OpenAI affirme que GPT-6 Astra a défini le cahier des charges, dessiné le boîtier, la carte électronique (PCB) et écrit le firmware d’un appareil qui permet de parler à Codex, sans aucune modification humaine directe.
- Deux employés y ont consacré moins d’une semaine, en projet annexe ; un sous-traitant a ensuite livré un petit lot de prototypes en moins d’un mois.
- Plusieurs cycles de relecture ont été nécessaires : Astra n’a pas toujours tenu compte des limites de production, des tolérances et des détails d’assemblage.
- Sur le benchmark BenchCAD 2.0, un modèle interne non détaillé atteint 0,875, contre 0,594 pour GPT-6 Astra.
Un modèle de langage peut-il fabriquer autre chose que du texte et du code ? OpenAI vient de répondre par un objet posé sur un bureau : un petit appareil destiné à dialoguer avec Codex, son agent de programmation, dessiné de la coque au logiciel embarqué par GPT-6 Astra.
L’expérience est réelle et chiffrée. Ce qu’elle apprend de plus utile se trouve pourtant dans ce qui a coincé : l’écart entre un fichier qui a l’air juste et une pièce qu’une machine sait produire.
Que signifie « concevoir un appareil » pour un modèle ?
Demandons à un architecte de dessiner une maison, sans jamais lui avoir parlé du terrain, des artisans ni des matériaux disponibles. Le plan peut être superbe. Il peut aussi être impossible à bâtir.
Le test d’OpenAI décompose le travail en quatre couches, toutes confiées à Astra, d’après l’annonce officielle de l’éditeur :
- l’esthétique, nourrie de la collaboration récente avec Work Louder et de références issues des jeux et des jouets ;
- la mécanique : le boîtier et les structures internes qui maintiennent les composants ;
- l’électronique : le choix des composants, puis le dessin de la carte (PCB), avec leur placement et leurs connexions, de façon à tenir dans le boîtier ;
- le logiciel : l’interface, le firmware et les intégrations qui relient l’appareil à Codex.
Chaque couche contraint les autres. Un composant plus haut que prévu oblige à revoir le boîtier ; un boîtier plus étroit impose un autre routage des pistes. Le modèle ne produit donc pas quatre livrables indépendants, il doit tenir quatre plans cohérents entre eux. Pour y parvenir, il lit des images, manipule lui-même des outils de conception sur un ordinateur et vérifie le résultat : un travail multimodal, selon OpenAI.
Une semaine pour concevoir, un mois pour fabriquer
Deux membres de l’équipe ont mené le projet avec Astra en moins d’une semaine, en parallèle de leur travail. Un fabricant sous contrat a ensuite construit un petit lot de prototypes en moins d’un mois. Le numérique va vite ; la fabrication garde son propre rythme.
L’éditeur reconnaît que préparer l’appareil pour la fabrication a demandé plusieurs tours de relecture et d’itération. Astra n’a pas systématiquement pris en compte les limites de production, les tolérances ni les informations nécessaires à l’assemblage. OpenAI y voit une liste de choses que les prochains modèles devront mieux faire.
Pourquoi une tolérance échappe à un modèle
Une tolérance est la marge d’erreur qu’une pièce admet une fois sortie de machine. Sur l’écran, un trou de 3,00 mm vaut 3,00 mm. À l’atelier, il vaudra un peu plus ou un peu moins, et la vis qui devait y entrer coince ou joue.
Or cette connaissance ne figure pas dans le fichier de conception. Elle vit dans les fiches du fabricant, dans l’expérience de ses techniciens, dans ce que son outillage sait faire à un coût raisonnable. Un modèle qui n’y a pas accès, ou qui n’a pas appris à la solliciter, dessine un objet valide sur le papier et fragile dans les faits.
Dans cette annonce, les allers-retours avec l’atelier en disent plus que la semaine de conception. Le goulot se situe à la frontière entre le fichier numérique et la chaîne de production, là où le contexte manque au modèle.
BenchCAD 2.0 et des équipes matérielles converties
OpenAI mesure aussi ses progrès sur des tâches qui mêlent code et connaissances d’ingénieur. BenchCAD 2.0 demande de reconstruire des pièces et des assemblages en trois dimensions, et d’identifier les connexions sur des cartes électroniques. GPT-6 Astra, à son niveau de raisonnement le plus élevé, obtient 0,594 ; un modèle interne plus récent atteint 0,875, sans que l’éditeur en dise davantage.
Un score de benchmark ne dit pas tout : reconstruire une pièce d’après une description ne revient pas à anticiper les défauts d’un procédé industriel. Le saut annoncé est notable, mais il mesure la lecture et la reconstruction, pas la fabricabilité.
L’autre donnée est l’usage. Depuis février, la consommation de tokens (les unités de texte que traite un modèle) des équipes matérielles d’OpenAI a été multipliée par 23. Ces équipes recourent à Codex et à ChatGPT pour créer et réviser des modèles de CAO (conception assistée par ordinateur), préparer des plans de fabrication, lancer des simulations et relire des conceptions, en robotique comme en infrastructure de calcul. L’éditeur cherche à présent des ingénieurs, bureaux d’études et éditeurs de logiciels prêts à travailler avec lui sur ces outils.
Des prototypes en quelques jours, une vérification qui se déplace
Le gain visible porte sur l’amont : cahier des charges, première forme, premier schéma. Pour un petit bureau d’études, obtenir en quelques jours un prototype qu’on aurait mis des semaines à dessiner modifie la façon d’explorer des pistes.
La vérification, elle, ne disparaît pas. Elle se déplace. Tant que le modèle ignore les contraintes du fabricant, quelqu’un doit les lui fournir : nom du procédé, matériaux, tolérances usuelles, règles d’assemblage. Les équipes qui consigneront ces règles sous une forme lisible par un modèle seront les premières à réduire le nombre de tours avec l’atelier.
Un chiffre manque à l’annonce : le nombre de tours de correction nécessaires, et leur coût. OpenAI parle de plusieurs. Tant qu’il n’est pas publié, la semaine de conception ne se compare pas à la durée de développement d’un produit comparable.
Mon avis
Les modèles de conception vont vite apprendre la géométrie ; ils apprendront beaucoup plus lentement l’usine, parce que son savoir se trouve chez des sous-traitants qui n’ont aucune raison de le publier. L’avantage ira à celui qui possédera ses données de production, pas à celui qui aura le modèle le plus fort.
Vous avez aimé celui-ci ?
La newsletter du vendredi réunit les articles de la semaine, avec leurs sources.
Offert à l'inscriptionMa configuration Claude Code, avec mes skills, mes sous-agents et mes hooks, prêts à copier.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 22 évaluations
Faire appel à mes services →
