Présenté par OpenAI le 29 septembre 2026, Dots est un agent alimenté par GPT-6 Astra qui dispose de son propre ordinateur cloud, conserve du contexte entre les échanges et peut intervenir dans plus de 4 000 applications connectées. La nouveauté ne réside pas seulement dans l’exécution d’une tâche, mais dans la possibilité de confier au système une responsabilité qui se poursuit dans le temps. Cette continuité pose une question centrale pour les organisations : comment bénéficier d’un agent persistant sans transformer une autorisation ponctuelle en pouvoir durable sur les données, les outils et les décisions ?
Ce qu’OpenAI a réellement lancé
Dots désigne une nouvelle interface agentique intégrée à ChatGPT, et non un nouveau modèle de fondation. Le raisonnement est assuré par GPT-6 Astra, tandis que le produit lui associe un ordinateur distant, un navigateur, des applications connectées, une mémoire de travail durable et des mécanismes de permission. OpenAI affirme qu’un Dot peut poursuivre plusieurs projets, envoyer des mises à jour, demander une décision et reprendre son travail entre deux conversations.[1][2]
Le service se connecte, par l’intermédiaire de plugins, à plus de 4 000 applications. Cette quantité ne signifie pas que chaque application offre les mêmes possibilités. Selon le connecteur, l’agent peut seulement lire des informations, préparer un contenu ou effectuer une action. Dots peut également communiquer dans ChatGPT, Slack et Microsoft Teams. La messagerie par SMS est annoncée, mais n’était pas encore généralisée au moment de la vérification.[1]
Un seul Dot principal peut actuellement être créé par utilisateur. OpenAI prévoit plusieurs agents et des Dots spécialisés pour certains rôles professionnels, mais ces extensions restent annoncées ou en phase de test. Le premier Dot est inclus dans les offres Pro et Business Premium, avec une enveloppe pour les travaux plus approfondis. Les futurs tarifs liés à plusieurs agents, à leur vitesse ou à leur volume de travail ne sont pas encore détaillés.[1][2]
La disponibilité doit être précisée pour un lectorat européen. Au lancement, l’accès Pro exclut l’Espace économique européen, la Suisse et le Royaume-Uni. Business Premium est proposé dans les régions ChatGPT prises en charge. Pour Enterprise, Edu et Healthcare, Dots est disponible en bêta lorsque l’administrateur l’active, car la fonction est désactivée par défaut.[2]
Ce qui est réellement nouveau
L’usage d’un navigateur, l’appel d’outils et la poursuite d’une tâche en arrière-plan existaient déjà dans ChatGPT Agent, Codex et d’autres systèmes agentiques. OpenAI reconnaît d’ailleurs dans la fiche système de GPT-6 Astra que la persistance et les architectures multi-agents ne sont pas nouvelles. Dots introduit cependant une configuration de produit plus continue, avec une identité durable, un contexte accumulé, plusieurs projets simultanés et un budget de temps qui guide la durée de travail.[5]
La différence la plus importante concerne l’unité de délégation. Avec un chatbot, l’utilisateur formule une demande et attend une réponse. Avec un agent de session, il confie une tâche délimitée. Avec Dots, OpenAI propose de déléguer une responsabilité suivie, par exemple surveiller les retours clients, actualiser une analyse lorsque de nouvelles données arrivent ou adapter les documents d’un lancement lorsque son périmètre change.[1]
Cette évolution est réelle, mais elle est surtout systémique. Dots ne devient pas plus capable parce qu’il serait un modèle distinct de GPT-6 Astra. Sa valeur provient de la combinaison du modèle, de la mémoire, des outils, de l’environnement cloud, des canaux de communication et des règles d’action. Une comparaison centrée uniquement sur les performances du modèle manquerait donc l’essentiel.
The Verge présente Dots comme la réponse d’OpenAI à Meta Muse. Les deux produits partagent l’idée d’un assistant disponible dans la durée, capable de naviguer et d’agir dans des services connectés. Cette concurrence éclaire la stratégie des fournisseurs, mais elle ne permet pas encore de départager leur fiabilité : aucun protocole indépendant et commun ne compare leurs taux de réussite, leurs erreurs d’autorisation ou leurs coûts complets.[8]
Comment fonctionne un agent persistant
Le fonctionnement peut être décrit comme une boucle prolongée. L’utilisateur fixe un objectif, fournit du contexte et choisit les applications accessibles. Dots décompose ensuite le travail, mobilise GPT-6 Astra pour sélectionner les étapes, utilise son ordinateur cloud ou un connecteur, observe le résultat et décide de poursuivre, de déléguer une sous-tâche ou de solliciter l’utilisateur.
La mémoire permet de conserver les objectifs, les préférences et une partie du contexte utile. Le Dot peut ainsi reprendre un projet sans demander une nouvelle description complète. La recherche proactive constitue une couche distincte : en arrière-plan, elle peut consulter en lecture seule les sources déjà autorisées et produire des notes privées. Ces tâches ne peuvent pas directement envoyer un message, modifier une application ou contrôler un ordinateur. Toute action ultérieure reste soumise aux règles ordinaires.[3][4]
Les opérations plus sensibles passent par des confirmations ou par Auto-review, un contrôle séparé qui confronte l’action envisagée aux instructions de l’utilisateur, aux règles personnalisées et aux exigences de sécurité. Certaines étapes, comme un virement ou un changement de mot de passe, doivent être reprises par l’utilisateur. D’autres, notamment une suppression définitive, une installation logicielle ou l’octroi d’un nouvel accès sensible, peuvent exiger une confirmation à chaque fois.[3]
L’ordinateur cloud isole l’exécution du poste personnel tant que celui-ci n’est pas volontairement connecté. Pour les connexions prises en charge, les mots de passe peuvent être transmis à l’environnement du navigateur sans être ajoutés au contexte du modèle. Cette protection ne couvre toutefois pas un secret placé en clair dans un message ou un document lisible par l’agent.[3]
Référentiel technologique
| Composant | Ce qu’il faut comprendre |
|---|---|
| Modèle | GPT-6 Astra interprète l’objectif, planifie les étapes et choisit les outils. Dots est le produit agentique qui organise ces capacités. |
| Environnement | Chaque Dot possède un ordinateur cloud et un navigateur. La connexion au poste local reste optionnelle et désactivée au départ. |
| Applications | Plus de 4 000 applications sont annoncées via des plugins. Les possibilités réelles dépendent de chaque connecteur et des permissions accordées. |
| Persistance | Le contexte et les responsabilités peuvent être conservés entre les conversations, avec plusieurs tâches suivies en parallèle. |
| Proactivité | La recherche proactive utilise des outils en lecture seule. Elle ne peut pas directement envoyer, modifier ou contrôler un navigateur ou un ordinateur. |
| Contrôle | Custom Rules encadre certaines actions. Auto-review vérifie séparément des opérations sensibles avant leur exécution. |
| Canaux | ChatGPT, Slack et Teams sont pris en charge. Les SMS sont annoncés progressivement. |
| Accès | Pro hors EEE, Suisse et Royaume-Uni au lancement, Business Premium dans les régions prises en charge, bêta Enterprise activée par l’administrateur. |
De la tâche ponctuelle à la responsabilité suivie
La persistance change la nature du travail confié. Demander une synthèse mobilise un agent pendant quelques minutes. Lui demander de suivre un projet, d’intégrer les nouvelles informations et de préparer les prochaines actions crée une relation continue entre un objectif, des données et des autorisations. L’agent ne se contente plus de produire un livrable, il maintient un état de travail.
OpenAI illustre cette logique par plusieurs scénarios : transformer des retours clients en correctifs testés, mettre à jour les contenus d’un lancement, reprendre une analyse scientifique lorsque de nouvelles données arrivent, ajuster une proposition commerciale ou préparer les contenus dérivés d’un entretien. Ces exemples montrent le type de continuité recherché, mais ils restent des cas présentés par le fournisseur et non des mesures indépendantes de productivité.[1]
Pour les métiers, le gain potentiel vient surtout de la réduction des ruptures entre applications et des reprises de contexte. Un responsable de projet peut éviter de répéter les objectifs à chaque échange. Un développeur peut recevoir un correctif accompagné de tests. Une équipe de contenu peut retrouver des brouillons actualisés. Ces gains ne deviennent pourtant utiles que si le système sait reconnaître les décisions qui exigent une validation humaine.
La compétence professionnelle se déplace alors vers la délégation contrôlée. Il faut formuler un résultat observable, définir les sources admissibles, distinguer lecture et écriture, limiter la durée des autorisations et vérifier les conséquences. La connaissance du métier reste indispensable pour repérer une action juridiquement risquée, une conclusion incohérente ou une optimisation qui dégrade la qualité du travail.
L’organisation doit également mesurer autre chose que le temps gagné. Les indicateurs pertinents comprennent le taux de tâches entièrement terminées, le nombre de reprises humaines, les erreurs silencieuses, la fréquence des confirmations, le coût complet, le délai de récupération après incident et la proportion d’actions réellement réversibles.
Ce que les évaluations permettent réellement d’affirmer
OpenAI a ajouté à la fiche système de GPT-6 Astra une annexe consacrée à Dots. Elle évalue les risques liés aux travaux proactifs et prolongés, notamment l’injection de prompt, le respect des avertissements, les changements de permission et le maintien des limites entre plusieurs tâches. Cette publication apporte des informations utiles, car elle examine le produit dans son environnement d’exécution et pas uniquement le modèle.[5]
Les résultats sont contrastés. Dans deux tests automatisés d’injection de prompt par courriel, aucun succès d’attaque n’a été comptabilisé. D’autres expériences montrent cependant qu’une consigne d’arrêt n’est pas toujours respectée et que les violations modérées de périmètre deviennent plus fréquentes lorsque les tâches intermédiaires s’accumulent. La longueur ne crée donc pas automatiquement un comportement dangereux, mais elle augmente le nombre d’occasions de mélanger des contextes ou d’interpréter une autorisation de manière trop large.[5]
| Évaluation | Résultat publié | Lecture prudente |
|---|---|---|
| Injection en volume | 0 succès comptabilisé parmi 16 600 courriels d’attaque, dans 100 trajectoires. | Résultat encourageant sur un environnement simulé et une définition précise du succès, sans démontrer une immunité générale. |
| Injection itérative | 0 succès comptabilisé sur 2 638 tentatives valides réparties en 100 chaînes. | L’attaquant était automatisé et le contexte réinitialisé entre les candidats. Les attaques réelles peuvent combiner d’autres surfaces. |
| Respect des avertissements | Persistance indésirable dans 17,4 % des trajectoires au budget maximal, et entre 15,0 % et 17,2 % selon le temps simulé. | Le modèle peut continuer à chercher une voie malgré un avertissement. Ce taux expérimental n’est pas un taux d’incident en production. |
| Environnement de travail | 0,84 % de mauvais alignement grave dans un sous-ensemble volontairement difficile. | L’échantillon privilégie les cas susceptibles d’échouer. Il ne représente pas la fréquence attendue chez les utilisateurs. |
| Permission modifiée | 91,8 % de réussite, soit 45 épisodes sur 49, avec réussite dans les 17 changements explicites de permission. | Quatre cas ambigus ont été signalés. Les formulations implicites restent plus difficiles que les révocations explicites. |
| Tâches enchaînées | Aucune violation grave observée, mais les alertes modérées passent de 8,6 % à 19,7 % lorsque les tâches intermédiaires passent de cinq à dix. | Le doublement du taux signale un risque de dérive de périmètre lorsque la mémoire et les autorisations se croisent sur la durée. |
Ces chiffres proviennent de tests conçus ou publiés par OpenAI. Certains ont mobilisé des équipes externes de red teaming, mais aucune reproduction indépendante de l’ensemble du protocole n’était disponible au 4 octobre 2026. Les résultats ne comparent pas non plus Dots à Muse ou à d’autres agents dans des conditions identiques. Ils permettent d’identifier des forces et des fragilités, pas d’établir une supériorité générale.
L’absence d’attaque réussie dans un test ne signifie pas que le risque est nul. La fiche système indique que des essais manuels ont conduit OpenAI à renforcer ses politiques de confirmation. Elle reconnaît aussi que certains scénarios restent difficiles à reproduire et que le système de surveillance peut encore manquer des comportements prioritaires. La prudence consiste donc à traiter Auto-review comme une couche de défense, et non comme une garantie.[5]
Ce que la persistance change pour le travail
Un agent persistant peut absorber une partie de la coordination invisible du travail numérique : surveiller des entrées, rapprocher des documents, préparer des versions, relancer une analyse ou maintenir une liste d’actions. Cette continuité peut libérer du temps, mais elle peut aussi déplacer la charge vers la définition des règles, la validation et la résolution des erreurs.
Le risque principal n’est pas nécessairement le remplacement immédiat d’un métier. Il réside dans une recomposition plus fine des activités. Les tâches de préparation, de recherche et de mise à jour peuvent être davantage automatisées, tandis que les professionnels conservent l’interprétation, l’arbitrage et la responsabilité. Si cette répartition est mal conçue, l’agent peut au contraire accroître le nombre d’alertes et fragmenter l’attention.
La persistance crée également une forme de dépendance organisationnelle. Plus un agent connaît les préférences, les projets, les interlocuteurs et les applications d’une équipe, plus son remplacement ou sa migration devient coûteux. La portabilité du contexte, la possibilité d’exporter les journaux et l’interopérabilité entre fournisseurs deviennent alors des questions économiques, et pas seulement techniques.
Enfin, la responsabilité ne peut pas être transférée au produit. Une décision financière, contractuelle, médicale, éducative ou liée à l’emploi reste rattachée aux personnes et aux organisations qui définissent le processus. La mention d’une validation humaine n’est utile que si le valideur dispose du temps, de l’information et de l’autorité nécessaires pour refuser l’action.
Données, sécurité et responsabilité juridique
La mémoire persistante constitue l’un des points les plus sensibles. Un Dot peut conserver le contexte issu des conversations et des applications aussi longtemps qu’il existe. Désactiver la mémoire de ChatGPT interrompt les nouveaux échanges de mémoire, mais ne supprime pas les informations déjà reçues. Au lancement, l’utilisateur ne peut pas consulter, corriger ou effacer séparément chaque élément mémorisé par son Dot. Il doit supprimer le contexte du Dot, tandis que les fichiers et conversations créés dans d’autres espaces suivent leurs propres règles de conservation.[4]
Déconnecter une application empêche les nouveaux accès, sans effacer automatiquement les informations déjà intégrées au contexte. Cette différence entre révocation d’accès et suppression des données doit être comprise avant tout déploiement professionnel. Elle exige une politique de conservation, un inventaire des sources et des procédures de départ lorsqu’un collaborateur change de fonction ou quitte l’organisation.[4]
Pour Business, Enterprise et Edu, OpenAI indique que les contenus ne sont pas utilisés par défaut pour entraîner ses modèles. Sur un forfait personnel, le réglage d’amélioration du modèle détermine si les conversations et le travail du Dot peuvent être mobilisés. Les notes de recherche proactive ne sont pas utilisées directement, mais une information réintroduite dans une conversation éligible peut l’être selon les paramètres.[3][4]
La CNIL et le Conseil de l’IA et du Numérique ont précisément identifié, en juillet 2026, le changement d’échelle produit par l’IA agentique. La mémoire persistante, la circulation entre plusieurs services et la capacité d’agir au nom de l’utilisateur augmentent les volumes de données, compliquent la compréhension des flux et rendent le partage des responsabilités plus difficile. Les principes du RGPD restent applicables, notamment la finalité, la minimisation, la durée de conservation, la sécurité et la maîtrise des habilitations.[6]
Le règlement européen sur l’intelligence artificielle ne classe pas Dots comme système à haut risque par son seul nom. La qualification dépend de l’usage prévu. Un agent utilisé pour rédiger un compte rendu ne relève pas automatiquement de la même catégorie qu’un système destiné à recruter, sélectionner des candidats, attribuer des tâches selon des caractéristiques personnelles ou évaluer les performances des travailleurs. Dans ces domaines, l’annexe III du règlement prévoit des obligations renforcées pour certains systèmes à haut risque.[7]
La cybersécurité reste enfin une contrainte structurelle. Un agent qui lit des pages Web, des courriels et des documents peut rencontrer des instructions malveillantes. Le cloisonnement, les restrictions d’outils et Auto-review réduisent ce risque, sans le supprimer. Les organisations doivent surveiller les actions observables, éviter les comptes surdimensionnés et maintenir une procédure d’arrêt indépendante de l’agent.
Les conditions d’une délégation maîtrisée
Un déploiement responsable commence par une définition étroite du rôle. L’agent doit recevoir une mission vérifiable, des sources identifiées et des droits compatibles avec cette mission. Une autorisation de lecture ne doit pas devenir une autorisation d’écriture par commodité, et une validation ponctuelle ne doit pas être interprétée comme un mandat permanent.
| Décision de gouvernance | Question à résoudre avant le déploiement |
|---|---|
| Identité | Le Dot agit-il avec le compte d’un salarié ou avec une identité séparée, identifiable et révocable ? |
| Accès | Quelles données sont indispensables, avec quels droits de lecture, d’écriture ou de partage ? |
| Durée | Quand les permissions, les sessions et le contexte doivent-ils expirer ou être réexaminés ? |
| Validation | Quelles actions exigent une confirmation au moment exact de l’exécution, et lesquelles doivent rester humaines ? |
| Traçabilité | Peut-on reconstituer l’objectif, les sources consultées, les outils utilisés, les validations et le résultat ? |
| Récupération | Comment arrêter le travail, annuler une action, restaurer une version ou signaler un incident ? |
| Évaluation | Mesure-t-on la tâche complète, les reprises humaines, les erreurs silencieuses et le coût total ? |
Dans une première phase, les usages en lecture seule ou produisant des brouillons offrent un terrain d’évaluation plus maîtrisable. L’organisation peut ensuite élargir le périmètre si les journaux montrent une fiabilité suffisante et si les équipes savent reprendre la main. Cette progression doit être fondée sur les conséquences possibles d’une erreur, et non sur la seule facilité technique d’ajouter un connecteur.
La supervision doit aussi rester proportionnée. Demander une confirmation pour chaque étape annule une partie du gain attendu. Autoriser toutes les actions supprime les points de contrôle utiles. Le bon niveau se situe entre ces deux extrêmes, avec des seuils définis selon la sensibilité des données, la réversibilité de l’action et son impact sur des tiers.
Ce qu’il faudra observer maintenant
La première question concerne les usages réels. Les démonstrations d’OpenAI illustrent ce que le produit peut tenter, mais elles ne mesurent pas encore la fiabilité quotidienne, la charge de supervision ou les erreurs silencieuses. Des évaluations indépendantes devront comparer les agents sur des projets longs, avec des permissions changeantes, des interfaces imparfaites et des conséquences mesurables.
La deuxième question porte sur les contrôles de mémoire. La possibilité de supprimer tout le contexte constitue un mécanisme important, mais l’absence de consultation et de correction granulaire limite la maîtrise de ce que l’agent conserve. L’évolution de ces fonctions sera déterminante pour les entreprises soumises à des exigences de protection des données, d’audit ou de secret professionnel.
La troisième question est économique. OpenAI prévoit plusieurs Dots et des capacités de travail modulables, sans avoir encore précisé leur tarification complète. Il faudra intégrer au calcul les abonnements, les connecteurs, les appels d’outils, la supervision, les incidents, la formation et le coût de dépendance à un contexte difficilement portable.
Enfin, l’ouverture à l’Espace économique européen et la manière dont le produit sera adapté aux exigences locales devront être suivies. Dots rend tangible le passage du chatbot à l’agent chargé d’une responsabilité continue. Son utilité ne se mesurera pas au nombre d’applications qu’il peut atteindre, mais à la capacité des organisations à limiter ses droits, comprendre sa mémoire, vérifier ses actions et attribuer clairement la responsabilité lorsque le contexte change.
Pour aller plus loin
Pour replacer OpenAI Dots dans l’évolution des agents capables d’agir, de conserver du contexte et de s’intégrer aux outils professionnels, découvrez également ces analyses du blog aivancity.
Sources
[1] OpenAI. (29 septembre 2026). Introducing dots. Consulter la source
[2] OpenAI Help Center. Getting started with your dot. Consulté le 4 octobre 2026. Consulter la documentation
[3] OpenAI. (29 septembre 2026). How we build safety, security, and privacy into dots. Consulter la source
[4] OpenAI Help Center. Dots privacy, security, and safety FAQs. Consulté le 4 octobre 2026. Consulter la FAQ
[5] OpenAI. GPT-6 Astra System Card. Annexe Dots ajoutée le 29 septembre 2026. Consulter la fiche de sécurité
[6] CNIL et Conseil de l’IA et du Numérique. (20 juillet 2026). IA agentique et données personnelles, note exploratoire. Consulter la note
[7] Union européenne. Règlement (UE) 2024/1689. Version consolidée au 27 juillet 2026, article 6 et annexe III. Consulter le règlement
[8] Roth, E. (29 septembre 2026). OpenAI launches Dots, its Muse competitor. The Verge. Consulter l’article