En juillet 2026, une équipe de chercheurs d'OpenAI a publié des résultats qui ont provoqué un choc dans la communauté IA : GPT-6 Astra, leur nouveau modèle frontier, a terminé une partie complète de NetHack : l'un des jeux vidéo roguelike les plus complexes jamais créés : avec 35 points de vie restants. Ce qui peut sembler anecdotique à première vue est en réalité un jalon majeur dans notre compréhension de l'intelligence artificielle générale et de ses capacités de planification à long terme.
NetHack : pourquoi ce jeu est un benchmark IA de référence
NetHack n'est pas un jeu ordinaire. Créé en 1987, ce dungeon crawler en mode texte présente des caractéristiques qui en font un cauchemar pour les systèmes d'IA conventionnels. L'espace d'états est gigantesque : des millions de combinaisons possibles d'équipements, de niveaux, de monstres et d'environnements. Les règles sont complexes et souvent contre-intuitives (manger un corps de cocatrice sans gants transforme le joueur en pierre). L'information est partiellement cachée. Et surtout, une partie complète nécessite des milliers d'actions cohérentes vers un objectif à très long terme.
Le benchmark NetHack Learning Environment (NLE), développé par Facebook AI Research en 2020, avait révélé que même les meilleurs systèmes d'apprentissage par renforcement de l'époque peinaient à dépasser le niveau 5 du donjon de manière cohérente. Terminer une partie complète : descendre jusqu'au niveau 50, récupérer l'Amulette de Yendor et remonter vivant : était considéré comme hors de portée des systèmes actuels. GPT-6 Astra l'a fait.
Ce que GPT-6 Astra fait différemment
GPT-6 Astra n'est pas un agent d'apprentissage par renforcement. OpenAI a adopté une architecture radicalement différente : un modèle de langage de très grande taille (les estimations vont de 2 à 5 trillions de paramètres, OpenAI ne communiquant pas officiellement sur ce chiffre) couplé à un système de mémoire épisodique et à un module de planification hiérarchique.
Le module de mémoire épisodique permet au modèle de maintenir une représentation cohérente de l'état du jeu sur des milliers de tours, en compressant les événements passés en "souvenirs" abstraits plutôt qu'en stockant brut chaque observation. La planification hiérarchique décompose l'objectif à très long terme (finir le jeu) en sous-objectifs à moyen terme (atteindre le niveau 10, trouver une armure de mithril) eux-mêmes décomposés en objectifs immédiats (explorer cette pièce, tuer ce monstre).
Les 35 points de vie : un signal sur la robustesse
Le détail des 35 points de vie restants à la fin de la partie n'est pas anodin. Dans NetHack, mourir signifie recommencer depuis zéro (pas de sauvegarde, chaque partie est différente). Terminer avec 35 HP sur un maximum de typiquement 100-150 HP indique que Astra a géré son personnage avec précaution, évitant les risques inutiles : un comportement qui dans le domaine de l'IA est appelé "comportement de déférence au risque" et qui est réputé difficile à obtenir sans mécanismes spécifiques.
Des expériences supplémentaires ont montré que GPT-6 Astra avait un taux de complétion de parties de 34 % sur 1 000 essais : contre moins de 1 % pour les meilleurs agents RL précédents. Ce taux n'est pas parfait, mais il surpasse largement les capacités humaines moyennes (environ 15 % pour un joueur humain expérimenté qui connaît bien le jeu).
Implications pour la recherche en AGI
Ce résultat sur NetHack n'est pas une fin en soi, mais un marqueur dans la discussion sur l'intelligence artificielle générale. Les philosophes et chercheurs en IA débattent depuis des décennies de ce qui distingue l'intelligence générale de l'intelligence étroite (narrow AI). Les résultats de GPT-6 Astra alimentent plusieurs théories.
D'un côté, certains chercheurs (dont Yann LeCun de Meta) soutiennent que ce n'est pas vraiment de la "compréhension" mais de la mémorisation de patterns statistiques : Astra aurait peut-être vu suffisamment de logs de parties NetHack dans ses données d'entraînement pour reconnaître des situations similaires. De l'autre, l'équipe OpenAI montre que Astra réussit des parties avec des règles légèrement modifiées (nouveaux monstres, nouvelles contraintes), ce qui suggère une généralisation au-delà de la simple mémorisation.
Les capacités de planification à long terme : le vrai enjeu
Le vrai apport scientifique de ces résultats ne concerne pas NetHack en particulier mais les capacités de planification à long terme des LLMs. Jusqu'ici, les grands modèles de langage montraient des limites importantes sur les tâches nécessitant une cohérence sur de nombreuses étapes séquentielles : ils "perdaient le fil" et contradisaient leurs décisions précédentes. GPT-6 Astra semble avoir franchi ce seuil.
Ces capacités de planification améliorées ont des implications directes pour des applications réelles : orchestration d'agents IA complexes, planification de projets multi-étapes, optimisation de processus industriels, gestion de crises. Si un modèle peut planifier et exécuter de manière cohérente sur des milliers d'étapes dans NetHack, il peut potentiellement faire de même dans d'autres domaines d'application complexes : à condition d'adapter les interfaces et de résoudre les problèmes de groundedness (ancrage dans la réalité).
Les risques identifiés par la communauté de sécurité
La communauté de sécurité IA a rapidement pointé les implications de cette avancée. Des modèles capables de planification robuste à long terme sont potentiellement dangereux si leurs objectifs sont mal alignés. Un modèle qui "veut" accomplir un objectif et peut planifier sur des milliers d'étapes pour y arriver est un système qui nécessite des garde-fous particulièrement solides.
OpenAI affirme avoir intégré des mécanismes d'alignment spécifiques dans GPT-6 Astra, incluant des limites sur les types de plans que le modèle peut générer et des mécanismes d'interruption humaine. Ces affirmations ont été partiellement validées par des évaluations tierces (Anthropic et DeepMind ont été invités à tester le modèle selon le protocole de responsible scaling d'OpenAI), mais les chercheurs en sécurité IA appellent à davantage de transparence et d'évaluations indépendantes.
Que vient ensuite pour les LLMs agents ?
GPT-6 Astra représente une étape dans ce que l'industrie appelle les "agents IA autonomes" : des systèmes capables de poursuivre des objectifs complexes de manière autonome sur de longues périodes. Le déploiement de tels systèmes dans des contextes à enjeux réels (automatisation de workflows professionnels, aide à la décision médicale, gestion d'infrastructures critiques) va s'accélérer en 2026-2027.
Pour les développeurs et les organisations qui souhaitent exploiter ces capacités, la leçon de GPT-6 Astra est claire : les nouvelles générations de LLMs ne sont plus des outils de génération de texte mais des systèmes d'action capables de raisonnement séquentiel complexe. Cette transition impose de repenser les interfaces, les protocoles de validation humaine et les mécanismes de sécurité pour exploiter leur potentiel tout en maîtrisant leurs risques.
