Note de l’auteur : ChatGPT Dots fait avancer le travail que l’utilisateur lui autorise autour d’objectifs à long terme. Sa capacité à agir dans la durée repose sur la combinaison de l’état des tâches, du contexte, des outils et du mécanisme de planification.
L’essentiel d’abord : ChatGPT Dots, lancé par OpenAI le 29 septembre 2026, fait passer l’IA du rôle d’outil de questions-réponses qui attend vos questions à celui d’un exécutant qui accepte une mission et la poursuit. Chaque Dot dispose de son propre ordinateur cloud et de son navigateur : il conserve le contexte du projet, mène des recherches proactives sur les sources d’information autorisées et déclenche son travail selon l’heure ou un événement. Lorsqu’une décision ou une validation est nécessaire, il rend la main à l’utilisateur. Le « 24 heures » du titre désigne un mode de travail : même après votre départ, l’agent peut décider de la prochaine étape en fonction des objectifs, des événements, du temps et de l’état des tâches. Il ne promet ni boucle infinie, ni surveillance en temps réel, ni exécution à coût nul. Dots est actuellement ouvert aux utilisateurs individuels de ChatGPT Pro 100/200/500, ainsi qu’aux espaces de travail Business Premium, Enterprise, Edu et Healthcare admissibles.
La suite compare d’abord Dots à ChatGPT standard, aux scripts Cron et aux workflows traditionnels, puis détaille les mécanismes internes qui lui permettent de travailler en continu : l’état des tâches, la mémoire, la recherche proactive, les tâches planifiées et les agents en arrière-plan. Elle recense ensuite les cas d’usage issus des démonstrations officielles, des tests menés par les médias et des témoignages d’utilisateurs, en présentant séparément ces trois catégories de preuves. Enfin, en s’appuyant sur l’OpenAI Agents SDK et sur SentinelBench de Microsoft Research, elle explique de quels composants techniques un agent persistant a besoin, quels coûts et risques il implique, et quelles tâches méritent de lui être confiées.
À savoir : la terminologie liée à ChatGPT Dots
| Terme | Explication |
|---|---|
| Agent permanent (Always-on Agent) | Système d’IA capable de faire avancer le travail qui lui a été confié même pendant les intervalles où l’utilisateur n’envoie aucun message |
| Cron | Mode de planification qui lance un programme selon une règle temporelle fixe, par exemple « s’exécuter une fois chaque jour à 9 h » |
| Déclenchement par événement | Ne lance le processus de traitement que lorsqu’un changement précis se produit, par exemple l’apparition d’un nouveau rapport de bug dans un canal Slack |
| État de la tâche | Informations qui enregistrent où en est une tâche, quel est son résultat et ce qu’elle attend encore |
| Mémoire à long terme | Préférences de l’utilisateur, décisions de projet et informations de contexte conservées d’une tâche à l’autre |
| Appel d’outils | Le modèle appelle des programmes externes pour consulter des informations ou exécuter des opérations |
| Recherche proactive (Proactive Research) | Lorsque Dot ne reçoit pas de nouveau message, il mène en arrière-plan une recherche en lecture seule sur les sources de données autorisées |
| Agent en arrière-plan | Sous-agent envoyé par Dot pour traiter en parallèle une partie du travail |
| Human-in-the-loop / intervention humaine | Étape d’une tâche où une personne doit juger, approuver ou corriger |
| Taux de faux positifs | Proportion des alertes émises par le système qui ne nécessitent aucune action, sur l’ensemble des alertes |
| Prompt Injection | Des instructions malveillantes cachées dans du contenu externe (pages web, e-mails, etc.) tentent de détourner le comportement de l’Agent |
| Token | Unité de base utilisée par le modèle pour mesurer les entrées et les sorties, qui détermine directement le coût de l’appel |

1 De « attendre votre question » à « prendre les tâches en charge » : ce que ChatGPT Dots change
1.1 Le positionnement officiel de ChatGPT Dots
D’après l’article de présentation d’OpenAI Introducing dots et sa documentation d’aide, Dots est un agent IA personnel (Personal Agent) permanent. La description officielle met en avant plusieurs capacités clés :
- Fonctionnement permanent (Always-on) : même lorsque l’utilisateur n’envoie pas de nouveau message, le travail déjà délégué continue d’avancer.
- Son propre ordinateur dans le cloud : chaque Dot dispose d’un ordinateur cloud et d’un navigateur indépendants ; même si l’ordinateur de l’utilisateur est éteint, les tâches continuent de progresser dans le cloud.
- Contexte persistant : il peut s’appuyer sur la mémoire de ChatGPT, l’historique des conversations et les informations des applications connectées.
- Recherche proactive : il mène en arrière-plan des recherches sur les sources de données autorisées et signale les informations qui méritent l’attention.
- Exécution multi-projets : il fait avancer plusieurs projets en parallèle, peut découper les tâches et lancer des agents en arrière-plan pour les traiter simultanément.
- Communication multiplateforme : on peut joindre le même Dot via ChatGPT Web, le client desktop, l’application mobile, Slack ou Microsoft Teams.
- Collaboration humain-machine : les points qui demandent le jugement ou la validation de l’utilisateur lui sont renvoyés de manière proactive.
Au lancement, l’équipe officielle indiquait aussi que Dots s’appuie sur l’écosystème de plugins d’OpenAI, avec plus de 4 000 applications connectables. Ce chiffre décrit l’ampleur de l’écosystème ; les applications et les permissions réellement disponibles pour chaque compte dépendent des connexions et des autorisations de l’utilisateur.
1.2 Ce que ChatGPT Dots change dans la répartition des tâches entre humain et machine
Avec un ChatGPT classique, c’est l’utilisateur qui orchestre la tâche : chaque étape doit être lancée par une personne, qui doit en plus garder en tête l’avancement et jongler entre les différentes conversations. Dots transfère une partie de cette responsabilité d’orchestration à l’agent. L’utilisateur confie un objectif de long terme, par exemple « suivre ce projet client jusqu’à sa mise en ligne », et le Dot se charge de mémoriser l’avancement, de surveiller les changements et de préparer l’étape suivante, en ne sollicitant l’humain que sur les points de décision importants.
Le rôle de l’humain passe donc de « donner des instructions une par une » à « déléguer, superviser, approuver ». L’intérêt de ce changement, c’est une prise en charge continue du travail : ce que l’on économise, c’est le coût de coordination — courir après l’avancement entre plusieurs systèmes, recouper les informations, relancer l’étape suivante. Ajouter simplement quelques étapes d’automatisation dans un processus n’apporte que des gains limités.
2 Pourquoi l’automatisation traditionnelle ne peut pas entièrement remplacer des Agents comme ChatGPT Dots
2.1 Comparaison technique entre Cron, les workflows et les Agents permanents
L’automatisation traditionnelle est efficace pour exécuter des processus définis à l’avance, tandis qu’un Agent permanent peut décider de l’étape suivante en fonction de l’état actuel de la tâche et des nouvelles informations. Les différences entre les trois sur les dimensions clés sont les suivantes :
| Dimension | Script Cron | Workflow traditionnel | Agent permanent (comme Dots) |
|---|---|---|---|
| Mode de déclenchement | Heure fixe | Heure fixe ou événement | Heure, événement et état de la tâche |
| Logique d’exécution | Écrite à l’avance | Nœuds orchestrés à l’avance | Décidée dynamiquement selon le contexte |
| Compréhension de l’information | Nécessite du codage | Dépend des nœuds et des conditions | Appelle le modèle pour comprendre le contenu |
| Traitement des exceptions | Règles prédéfinies | Branches prédéfinies | Analyse la situation et propose des solutions |
| Mémoire entre les tâches | À développer soi-même | Dépend de la configuration du workflow | Maintient le contexte du projet sur le long terme |
| Mode d’ajustement | Modification du code | Modification du workflow | Ajustement en langage naturel |
| Coût de fonctionnement | Principalement l’infrastructure | Logiciels et infrastructure | Modèle, outils et infrastructure |
| Prévisibilité | Élevée | Plutôt élevée | Dépend de la sortie du modèle |
Prenons un exemple. Un script Cron peut vérifier la boîte mail toutes les 10 minutes et transférer les e-mails contenant certains mots-clés. Un Agent, lui, surveille les e-mails autour d’un objectif concret : lorsqu’il reçoit un e-mail important, il détermine à quel projet il se rapporte, s’il faut y donner suite et quelle réponse rédiger.

2.2 Les tâches aux règles fixes conviennent encore à l’automatisation traditionnelle
Pour les travaux clairs, répétitifs et à règles fixes, comme la sauvegarde quotidienne de la base de données ou l’export d’un rapport fixe chaque lundi, les scripts Cron et les workflows sont plus faciles à contrôler, à vérifier et à maintenir, et coûtent moins cher. L’avantage d’un Agent se concentre sur les tâches qui nécessitent de comprendre de nouvelles informations et de s’ajuster dynamiquement. Une architecture raisonnable consiste à faire coexister les deux : confier les étapes déterministes aux scripts et les étapes de jugement à l’Agent.
3 Comment ChatGPT Dots travaille en continu
3.1 L’état de la tâche détermine la prochaine étape de Dots
La documentation d’OpenAI sur « Tasks and memory » explique que Dot peut décider lui-même, en fonction de l’état de la tâche, de suspendre puis de reprendre son travail, sans que l’utilisateur ait à fixer une heure précise pour chaque étape. Il sait reconnaître le moment où il faut continuer, peut attendre qu’une condition externe change, redémarrer au bon moment, ajuster les étapes suivantes à la lumière de nouvelles informations et solliciter activement l’utilisateur lorsqu’une décision s’impose.
Le « travail continu » de Dots est donc un processus de décision guidé à la fois par les objectifs, les événements, le temps et l’état de la tâche : il ne tourne pas à vide toutes les minutes. Cette conception permet à l’agent de rester silencieux quand rien de nouveau ne se produit, et de réserver ses ressources aux moments où il faut réellement agir.

3.2 Mémoire à long terme et contexte de projet
Le contexte de Dot se compose de quatre couches de données :
- Mémoire ChatGPT : Dot peut récupérer les souvenirs pertinents de ChatGPT ainsi que le contexte des conversations récentes.
- Les notes propres à Dot : elles accumulent les préférences de l’utilisateur, ses habitudes de travail, les décisions de projet et les responsabilités à long terme.
- Le contexte de la tâche en cours : les instructions de la conversation actuelle, les fichiers, les résultats de recherche et les résultats d’exécution des outils.
- Les données des applications connectées : Dot lit les informations des applications autorisées et, dans certaines conditions, les étudie pour former ses propres souvenirs.
Ces quatre couches sont indépendantes les unes des autres. La mémoire de Dot est constituée de contexte pertinent organisé et de notes, et non de la transcription complète des conversations. Une nouvelle tâche n’embarque pas forcément tout l’historique entre l’utilisateur et Dot : Dot va chercher dans les conversations passées lorsque c’est nécessaire pour compléter le contexte.
3.3 Recherche proactive, tâches planifiées et surveillance d’événements : quelles différences ?
Ces trois mécanismes permettent tous à Dots de continuer à travailler même lorsque l’utilisateur n’envoie aucun message, mais leurs déclencheurs et leurs limites d’autorisation diffèrent.
- Recherche proactive : en l’absence de nouveaux messages, elle effectue une recherche en arrière-plan sur les sources autorisées, par exemple en constatant qu’un prix dans un fichier de projet ne correspond pas au contenu d’un e-mail, ou qu’une échéance importante a changé. Son autorisation est en lecture seule : elle ne peut pas envoyer de messages à d’autres personnes, modifier du contenu via des plugins, ni piloter un navigateur ou un ordinateur. Les actions ultérieures doivent passer par les contrôles normaux d’autorisation, d’approbation et de sécurité.
- Tâches planifiées (Scheduled Tasks) : elles s’exécutent à des horaires définis, par exemple vérifier le calendrier chaque matin ou faire le point sur l’avancement du projet chaque lundi. Lors de leur création, il faut préciser ce qu’il faut vérifier, l’heure d’exécution, le fuseau horaire, la date de fin, quels changements doivent déclencher une notification et où envoyer les résultats.
- Surveillance d’événements (Event Monitoring) : lorsque les services connectés prennent en charge les événements correspondants, elle suit un type d’événement précis, par exemple l’apparition d’un nouveau bug dans Slack. L’utilisateur doit indiquer explicitement à Dot ce qu’il faut surveiller. Même si Dot est ajouté à un canal, il ne surveillera pas automatiquement tout le canal.
Les tâches planifiées sont des actions prédéfinies exécutées selon un calendrier, tandis que la recherche proactive repose sur des constats issus du contexte et implique un jugement : leur nature est fondamentalement différente. Par ailleurs, arrêter une tâche en cours d’exécution et annuler une planification périodique sont deux opérations distinctes qu’il faut vérifier séparément.
3.4 Agents en arrière-plan et délégation de tâches
Dots peut décomposer les tâches complexes, lancer des agents en arrière-plan pour les traiter en parallèle, puis regrouper les résultats. Il est aussi possible de créer des tâches ChatGPT Work (des workflows complexes autonomes) et des tâches Codex (développement et test de logiciels). Une fois que l’utilisateur a connecté son ordinateur local à Dot, Dot peut également envoyer des tâches à exécuter dans l’environnement local. L’accès local est désactivé par défaut et doit être autorisé via l’application de bureau ChatGPT ; il peut être révoqué à tout moment avec Revoke access.
4 Quels travaux de longue durée ChatGPT Dots peut-il prendre en charge à votre place
4.1 Cas rapportés par les utilisateurs
Les cas suivants proviennent de partages d’utilisateurs particuliers sur la communauté Reddit en octobre 2026. Il s’agit de témoignages d’utilisateurs, sans vérification indépendante, sans taux de précision ni données statistiques fournies : ils ne reflètent qu’une expérience personnelle.
| Cas | Informations d’entrée | Action du Dot | Résultat décrit par l’utilisateur | Étape de participation humaine |
|---|---|---|---|---|
| Rappel d’e-mails oubliés | Autorisation de la boîte mail, contexte du projet | Vérifie la boîte mail, identifie les éléments oubliés ou manqués | Rappelle proactivement à l’utilisateur de traiter les éléments oubliés | L’utilisateur décide s’il faut répondre, et comment |
| Suivi de projet multi-systèmes | Cloudflare, CRM, Gmail (via l’intégration Composio MCP) | Fait avancer le projet à travers les systèmes, construit et teste un MCP personnalisé, crée un portail de collecte d’informations clients et une extension Chrome, surveille les e-mails et agendas de l’équipe | Rappelle proactivement les tâches à traiter | L’utilisateur examine les productions et les décisions clés |
| Rapports métier | Données financières clients | Crée un tableau de bord financier client | L’utilisateur affirme l’avoir terminé en environ 1 heure, alors que des travaux similaires demandaient auparavant 4 à 5 jours | L’utilisateur vérifie les données et la présentation |
| Opérations récurrentes | Planification + extension Google Sheets | Exécute des tâches quotidiennes et hebdomadaires et met à jour les tableaux métier | L’utilisateur estime que cela peut gérer une partie des tâches que Cron a du mal à traiter de manière flexible | L’utilisateur définit les règles et contrôle les résultats par échantillonnage |
Un autre utilisateur Reddit a mené un test de mécanisme sur environ une journée : il a confié à Dot l’examen de centaines de PDF et de milliers de pages de documents, et la tâche a conservé sa progression sur plusieurs jours. Lorsqu’il posait une question en cours de route, Dot mettait l’examen en pause, cherchait des informations pour répondre, puis revenait à la tâche initiale. Cet utilisateur a aussi observé que l’ordinateur cloud de Dot, un ordinateur Linux connecté et un Agent de recherche en arrière-plan tournaient en même temps. Il a lui-même indiqué que le mode de calcul du quota de ces chemins d’exécution n’était pas encore confirmé.
4.2 Test média : Axios compare Dots et Meta Muse
La journaliste d’Axios, Ina Fried, a publié le 20 octobre 2026 un test comparatif entre Dots et Meta Muse, autour d’un déplacement pour assister à une finale WNBA :
- Planification en plusieurs étapes : les deux ont repéré que la date du match avait été avancée et que les billets n’étaient pas encore en vente ; Dots a en plus détecté un conflit entre le déplacement et l’agenda existant de l’utilisateur.
- Génération de documents : Dots a réalisé un dossier de réunion de 8 pages et un livret commémoratif de 38 pages ; celui de Muse faisait 35 pages. Les deux livrets contenaient des statistiques douteuses.
- Album photo souvenir : Dots a produit un album de 12 pages en 47 secondes, ce qui ne vaut que pour ce test précis.
- Achat réel : Dots a guidé l’utilisateur vers l’application Target, pour poursuivre l’opération avec le compte déjà enregistré ; l’achat ne s’est pas déroulé entièrement de façon automatique.
La conclusion de l’auteur : ce type d’Agent convient pour prendre en charge la recherche et la préparation, mais les résultats demandent encore une édition humaine et une vérification des faits ; pour les opérations touchant aux comptes et à l’argent, la décision finale doit rester entre les mains de l’humain.
Les scénarios présentés officiellement incluent aussi la préparation de réunions, la surveillance des données de vente, le suivi des retours clients, la création de contenu, la gestion de projets GitHub et l’organisation de voyages. Ce sont des exemples produits, qui indiquent des directions de capacité, et qu’il ne faut pas prendre pour une garantie de résultat à chaque exécution.
5 Pour faire travailler un agent 24 h/24, de quoi a-t-on besoin en coulisses ?
5.1 Les briques de base de l’Agents SDK
Le guide Building Agents d’OpenAI résume un système d’agents en quelques concepts fondamentaux, que l’on peut rattacher aux différentes étapes d’un fonctionnement continu :
- Agent : une combinaison de modèle, d’instructions et d’outils, chargée de comprendre et d’exécuter.
- Handoff : transmettre le travail à un autre agent ; cela correspond à la façon dont Dots distribue le travail à un agent en arrière-plan.
- Guardrail : encadrer les entrées, les sorties et le comportement d’exécution ; cela correspond aux approbations et aux contrôles de sécurité.
- Session : conserver l’historique des échanges entre les exécutions ; cela correspond à l’état de la tâche et à la continuité du contexte.
- Tracing : journaliser le déroulement de l’exécution pour faciliter le diagnostic et l’audit.
Un agent capable de fonctionner en continu est en réalité une combinaison de six composants — appel d’outils + gestion d’état + surveillance des événements + mémoire à long terme + ordonnancement de l’exécution + mécanismes de sécurité — et il est difficile de le faire tourner de manière stable si l’un d’eux manque.
5.2 Ce que révèle l’étude SentinelBench
Microsoft Research a publié SentinelBench en juin 2026. Ce benchmark évalue spécifiquement les agents de surveillance qui doivent suivre dans la durée l’évolution d’états externes. Il comprend 100 tâches réparties dans 10 environnements Web simulés : e-mail, calendrier, finance, réseau professionnel, divertissement, etc. Il mesure à la fois le taux d’achèvement des tâches, le temps de réaction et la consommation de ressources.
Le message principal de cette étude est le suivant : pour les tâches de surveillance sur longue période, l’essentiel est de rester attentif à l’environnement et d’attendre qu’un changement qui mérite vraiment une action se produise avant d’agir. En revanche, exécuter des actions en continu n’est pas nécessairement efficace. Cette idée rejoint la logique de conception de Dots, qui met en pause et reprend son activité en fonction de l’état de la tâche. Précisons que SentinelBench est un benchmark de recherche indépendant : il ne permet pas d’estimer le taux de réussite précis de Dots.
5.3 Schéma de conception d’un Agent continu auto-hébergé
Si vous souhaitez implémenter un mode de travail « piloté par l’état » dans votre propre système, vous pouvez prototyper avec une interface compatible OpenAI. Le code ci-dessous est un exemple de schéma de conception : il montre comment écrire l’étape de jugement, sans résultat d’exécution.
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Interface compatible OpenAI d'APIYI
)
# Demander au modèle de juger si un nouvel e-mail nécessite une alerte pour l'utilisateur
resp = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "你是项目跟进助手,只输出 JSON:{\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
{"role": "user", "content": "项目:官网改版,截止 11 月 30 日。新邮件:设计方说交付推迟到 12 月 5 日。"}
]
)
print(resp.choices[0].message.content)
Voir le schéma de conception complet : boucle d’Agent pilotée par le temps, les événements et l’état
import json
import time
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
# État de la tâche : le cœur du travail continu, détermine ce qu'il faut faire ensuite
task = {
"goal": "跟进官网改版项目直到上线",
"status": "waiting", # waiting / judging / awaiting_human / done
"memory": ["截止日期 11 月 30 日", "发送邮件前必须人工确认"],
"next_check": time.time(), # Vérification périodique de secours
}
def fetch_new_events():
"""Source d'événements : se connecte au webhook ou à l'API incrémentale de la boîte mail/IM, laissé ici comme espace réservé"""
return []
def judge(event: str) -> dict:
"""Appelle le modèle pour décider : ignorer, rappeler, ou demander une décision humaine"""
resp = client.chat.completions.create(
model="gpt-4.1",
messages=[
{"role": "system", "content": "根据目标与记忆判断新事件,只输出 JSON:"
"{\"action\": \"ignore|remind|ask_human\", \"reason\": \"...\"}"},
{"role": "user", "content": json.dumps(
{"goal": task["goal"], "memory": task["memory"], "event": event},
ensure_ascii=False)}
]
)
return json.loads(resp.choices[0].message.content)
def run_once():
events = fetch_new_events()
# Pas d'événement et l'heure de la vérification périodique n'est pas encore arrivée : attendre directement pour éviter un polling inutile et un gaspillage de tokens
if not events and time.time() < task["next_check"]:
return
for ev in events:
decision = judge(ev)
if decision["action"] == "ask_human":
task["status"] = "awaiting_human" # Point de validation humaine : l'Agent n'exécute pas de sa propre initiative
print("需要你决定:", decision["reason"])
elif decision["action"] == "remind":
print("提醒:", decision["reason"])
task["memory"].append(f"已处理事件:{ev[:50]}")
task["next_check"] = time.time() + 3600 # Une vérification de secours par heure
# En déploiement réel, run_once est déclenché par un planificateur ou un callback d'événement, pas par une boucle while True à vide
Ce schéma repose sur trois principes de conception : priorité aux événements, avec une vérification périodique de secours ; l’état détermine l’action ; les actions à risque passent par une validation humaine.
🚀 Démarrage rapide : pour prototyper votre propre Agent, vous pouvez, via APIYI apiyi.com, appeler des modèles comme OpenAI, Claude ou Gemini avec une seule clé API et comparer leurs performances sur ce type de tâche de jugement « faut-il agir ou non ». Les nouveaux utilisateurs disposent d’un quota de test gratuit.
6 Les limites du fonctionnement continu de ChatGPT Dots : fiabilité, coûts et permissions
6.1 Fausses alertes, erreurs de jugement et polling inutile
La documentation officielle sur la confidentialité et la sécurité précise que l’agent peut mal comprendre une tâche, mal interpréter des informations, générer des données erronées, ne pas parvenir à se connecter à un site web ou rencontrer un environnement d’exécution indisponible ; le résultat de l’exécution doit alors être contrôlé manuellement. Les statistiques douteuses apparues lors des tests d’Axios montrent que ces risques existent bel et bien dans l’usage réel.
Le fonctionnement sur longue durée entraîne aussi plusieurs coûts faciles à négliger : la consommation de ressources diffère entre l’exécution des tâches et l’attente d’événements ; lorsque le modèle reconstruit son contexte, il relit plusieurs fois les mêmes informations, ce qui génère un coût en tokens ; un polling inutile provoque des exécutions répétées. SentinelBench intègre le temps de réponse et la consommation de ressources dans son évaluation, précisément pour cette raison : la surveillance sur la durée doit être à la fois rapide et économique.
6.2 Permissions et approbation humaine
Grâce aux Custom Rules, Dots permet à l’utilisateur de définir des exigences d’exécution pour différents comportements, selon quatre niveaux : exécution directe sans demander, exécution après autorisation préalable, demande avant exécution, et restitution à l’utilisateur. Par exemple, on peut l’autoriser à organiser automatiquement un dossier donné, tout en exigeant qu’il demande avant d’envoyer un e-mail, que les achats soient obligatoirement confirmés, et que toute publication sur les réseaux sociaux soit interdite.
Avant toute opération susceptible d’affecter le compte ou de divulguer des informations vers l’extérieur, le mécanisme Auto-review vérifie si le comportement respecte les instructions, les règles, les exigences de sécurité et les limites de permissions. Des opérations comme la modification de mot de passe ou le transfert de fonds nécessitent que l’utilisateur en prenne personnellement le contrôle, tandis que la suppression définitive de données ou l’installation de logiciels peut nécessiter une approbation à chaque fois. Face à l’injection de prompt, OpenAI a adopté plusieurs mesures : distinguer la source des instructions, limiter les outils, recourir à l’approbation et assurer une surveillance continue. L’entreprise précise toutefois clairement que ces mesures ne permettent pas d’éliminer tous les risques.
6.3 Tarifs : Pro personnel et Dots d’entreprise
- Utilisateurs individuels : Pro 100 (100 $/mois), Pro 200 (200 $/mois) et Pro 500 (500 $/mois) donnent tous accès à Dots. La documentation officielle sur les Dots de Pro personnel ne mentionne pas de frais mensuels distincts pour un Dot. Le Pro personnel exige d’avoir 18 ans ou plus ; il n’est pas encore disponible dans l’Espace économique européen, au Royaume-Uni et en Suisse, et les permissions sont déployées progressivement.
- Tâches déléguées : les tâches ChatGPT Work ou Codex lancées par un Dot sont calculées séparément selon les quotas ou les règles de facturation du produit correspondant ; la consommation dépend du modèle, du contexte, du raisonnement, des appels d’outils et de la recherche.
- Espaces de travail entreprise : Enterprise, Edu et Healthcare bénéficient d’une période de prévisualisation administrateur gratuite du 4 au 18 novembre 2026 ; à partir du 18 novembre, les espaces de travail éligibles sont ouverts par défaut et la facturation démarre. Les entreprises peuvent opter pour un tarif fixe par type de travail ou pour une facturation à l’usage ; les tâches déléguées à Work ou Codex sont facturées séparément, le montant exact étant celui du devis effectivement applicable à l’espace de travail. Chaque membre peut créer un Dot personnel.
6.4 Cinq indicateurs pour évaluer un agent persistant
Pour savoir si un agent travaille vraiment à votre place, il faut des indicateurs mesurables :
| Indicateur | Mode de calcul | Point d’attention |
|---|---|---|
| Taux de réussite des tâches | Tâches terminées avec succès / toutes les tâches | Capacité à livrer réellement un résultat |
| Temps de réponse moyen | Temps entre la survenue d’un événement et une réponse utile | La réactivité répond-elle aux besoins métier |
| Taux de fausses alertes | Nombre de déclenchements sans action nécessaire / nombre total de déclenchements | Les alertes dérangent-elles les gens |
| Taux d’intervention humaine | Tâches nécessitant une intervention de l’utilisateur / toutes les tâches | Combien de travail humain est réellement économisé |
| Coût par tâche | Coût des modèles, des outils et des serveurs / nombre de tâches terminées avec succès | Est-ce économiquement rentable |
💰 Optimisation des coûts : lorsque vous mettez en place votre propre agent de supervision, l’étape « déterminer si une action est nécessaire » est celle qui est appelée le plus souvent. Elle se prête bien à une sélection de modèles par niveaux : un modèle léger pour le premier filtrage, un modèle puissant pour l’analyse approfondie. Via APIYI apiyi.com, vous pouvez appeler plusieurs modèles avec facturation à l’usage et calculer le coût par tâche à l’aide du tableau ci-dessus.
7 Quels travaux méritent vraiment d’être confiés à un agent comme ChatGPT Dots
Cinq critères permettent de déterminer si une tâche est adaptée à un agent permanent :
| Critère d’évaluation | Mieux adapté à un agent | Mieux adapté à l’automatisation classique ou à une intervention humaine |
|---|---|---|
| Degré de clarté des règles | Règles floues, nécessitant de comprendre le sens | Règles claires, entièrement codables → script |
| Fréquence de mise à jour des informations | Nombreuses sources d’information, changements irréguliers | Changements fixes et prévisibles → script planifié |
| Durée de la tâche | Projets longs sur plusieurs jours ou semaines | Tâches courtes et ponctuelles → conversation classique |
| Risque lié à la décision | Faible risque, ou possibilité d’ajouter des points de validation | Implique des fonds, des mots de passe ou des opérations irréversibles → humain |
| Coût de coordination humaine | Nécessite de suivre l’avancement et de recouper les informations entre plusieurs systèmes | Opérations simples dans un seul système |
Sur cette base, les tâches qui méritent plutôt d’être délégées incluent : la recherche approfondie sur un sujet et la veille documentaire, le suivi de projets impliquant plusieurs systèmes, les rappels d’éléments oubliés, la mise à jour périodique des rapports, la préparation de réunions et l’organisation des actions après réunion. Les opérations à haut risque comme les virements, le changement de mots de passe ou les publications externes doivent rester entre des mains humaines, ou au minimum être configurées en « demander avant d’exécuter ».
💡 Conseil de choix : si votre équipe souhaite créer son propre workflow d’agent en dehors de Dots, sachez que les modèles diffèrent en matière d’appel d’outils, de contexte long et de stabilité des décisions. Vous pouvez d’abord faire une comparaison à petite échelle sur APIYI apiyi.com en changeant de modèle avec le même code, puis décider lequel utiliser en production.
Questions fréquentes (FAQ)
Q1 : Qu’est-ce que ChatGPT Dots ?
Dots est un agent IA personnel permanent lancé par OpenAI le 29 septembre 2026. Il dispose de son propre ordinateur cloud et de son propre navigateur : il peut conserver le contexte d’un projet, aller chercher de lui-même des informations dans les sources autorisées, faire avancer le travail selon un calendrier ou des événements, et rendre la main à l’utilisateur lorsqu’une décision doit être prise.
Q2 : Dots peut-il vraiment tourner 24 h/24 ?
« 24 heures » décrit surtout un mode de travail : une fois l’utilisateur parti, Dot peut encore décider quand continuer et quand attendre, en fonction des objectifs, des événements, de l’heure et de l’état des tâches. Il reste limité par les applications connectées, les types d’événements pris en charge et les quotas d’utilisation. Il ne tourne pas en boucle à l’infini et ne peut pas surveiller en temps réel toutes les sources d’information.
Q3 : Quelle différence entre la recherche proactive et les tâches planifiées ?
Une tâche planifiée exécute une action précise à une heure définie. La recherche proactive, elle, consiste — lorsqu’aucun nouveau message n’arrive — à explorer en lecture seule, à partir du contexte, les sources autorisées afin de repérer des informations dignes d’intérêt. En soi, la recherche proactive ne peut ni envoyer de messages, ni modifier du contenu, ni piloter l’ordinateur : les actions qui en découlent passent par les autorisations et les validations.
Q4 : Faut-il payer un supplément pour utiliser Dots ?
Les abonnés Pro personnel 100/200/500 sont éligibles, et la documentation officielle ne mentionne pas d’abonnement mensuel Dot séparé. Les tâches Work et Codex déléguées par Dot sont décomptées selon les quotas ou règles correspondants. Les espaces de travail d’entreprise sont facturés à partir du 18 novembre 2026, au choix avec un tarif fixe par type de travail ou une facturation à l’usage ; les montants suivent le devis réel.
Q5 : Comment un développeur peut-il construire lui-même un agent continu proche de Dots ?
On peut s’appuyer sur les concepts du SDK OpenAI Agents — Agent, Handoff, Guardrail, Session, Tracing — en combinant gestion d’état, déclenchement par événements, minuteur de secours et validation humaine. Pour l’invocation du modèle, on peut passer par l’interface compatible OpenAI d’APIYI apiyi.com, en définissant `base_url` sur `https://api.apiyi.com/v1`, et tester plusieurs modèles avec une seule clé API.
Q6 : Quelles sont les limites connues de Dots ?
L’agent peut mal interpréter une tâche ou produire des données erronées, rester bloqué à l’étape de connexion ; les opérations déjà effectuées ne sont pas forcément annulables, et le risque d’injection de prompt ne peut pas être totalement éliminé. Aujourd’hui, l’utilisateur ne peut ni consulter une par une ni supprimer la mémoire indépendante de Dot, et déconnecter un plugin n’efface pas automatiquement les informations déjà collectées. Pour valider une solution d’agent dans votre propre activité, vous pouvez commencer par de petits tests sur un échantillon avec le quota gratuit d’APIYI apiyi.com, puis mesurer le taux de faux positifs et le taux d’intervention humaine.
Points clés de ChatGPT Dots
- Changement de positionnement : Dots transforme l’IA d’un système de questions-réponses passif en un exécutant qui accepte des délégations et avance de façon continue.
- Nature du travail continu : l’étape suivante est déterminée par l’objectif, les événements, le temps et l’état de la tâche, pas par une boucle infinie.
- Trois mécanismes : la recherche proactive en lecture seule, les tâches planifiées selon l’horaire et la surveillance d’événements à la demande ; il faut les comprendre séparément.
- Hiérarchisation des preuves : capacités officielles, tests pratiques d’Axios et déclarations d’utilisateurs, trois types de preuves dont la fiabilité diffère.
- Des limites claires : les opérations à haut risque nécessitent une reprise en main humaine, et les résultats doivent toujours être vérifiés factuellement.
- Deux niveaux de coût : l’éligibilité à l’abonnement Pro et la consommation des tâches déléguées sont calculées séparément ; les entreprises sont facturées selon le devis.
- Voie d’implémentation interne : s’inspirer du Agents SDK pour concevoir les états et les approbations, puis valider plusieurs modèles via l’interface unifiée d’APIYI apiyi.com.
Résumé
La valeur centrale de ChatGPT Dots consiste à confier durablement du travail à un agent : un ordinateur cloud indépendant fournit l’environnement d’exécution, la mémoire à long terme fournit le contexte, la recherche proactive, les tâches planifiées et la surveillance d’événements fournissent les déclencheurs, tandis que Custom Rules et Auto-review délimitent les autorisations. Il convient aux tâches qui traversent plusieurs systèmes et s’étalent dans le temps, et qui demandent de comprendre de nouvelles informations. Les travaux aux règles fixes restent plus avantageux confiés à l’automatisation traditionnelle, et les décisions à haut risque doivent toujours rester humaines.
Pour évaluer ce type d’agent, cinq indicateurs permettent de vérifier s’il vous fait réellement gagner du temps : le taux d’achèvement des tâches, le temps de réponse, le taux de faux positifs, le taux d’intervention humaine et le coût par tâche. Si vous voulez implémenter une capacité de travail continu similaire dans votre propre produit, je vous recommande de valider rapidement le résultat via APIYI apiyi.com : une seule clé API pour accéder à plusieurs modèles principaux, une facturation à l’usage, idéale pour comparer des prototypes.
📚 Références
- OpenAI : Introducing dots : l’annonce de lancement de Dots, avec le positionnement produit et l’ampleur de l’écosystème
- Lien :
openai.com/index/introducing-dots -
Description : la source à consulter en premier pour connaître les capacités décrites par l’éditeur
-
ChatGPT Learn : Meet dots / Tasks and memory : présentation du produit, tâches, mémoire, recherche proactive et tâches récurrentes
- Lien :
learn.chatgpt.com/docs/dots -
Description : le document clé pour comprendre le mécanisme de fonctionnement en continu
-
Centre d’aide OpenAI : Getting started with your dot : activation, connexion à l’ordinateur, gestion des règles
- Lien :
help.openai.com/en/articles/20001530-getting-started-with-your-dot -
Description : les étapes concrètes et les limitations
-
Centre d’aide OpenAI : FAQ confidentialité, sécurité et sûreté de Dots : permissions, validations, Prompt Injection et politiques de données
- Lien :
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs -
Description : lecture indispensable pour évaluer les limites de sécurité
-
Guide administrateur Dots Enterprise et présentation de l’abonnement Pro : mode de facturation en entreprise et tarif Pro
- Lien :
learn.chatgpt.com/docs/enterprise/dots-admin-guide -
Description : c’est la référence à suivre pour les informations tarifaires
-
Guide OpenAI Building Agents : concepts de base du SDK Agents
- Lien :
developers.openai.com/tracks/building-agents -
Description : la référence technique pour créer ses propres agents
-
Microsoft Research : SentinelBench : étude de référence sur les agents de surveillance de longue durée
- Lien :
microsoft.com/en-us/research/publication/sentinelbench-a-benchmark-for-long-running-monitoring-agents -
Description : pour comprendre les compromis entre efficacité et ressources dans la surveillance continue
-
Axios : I tested Dots and Muse : test réalisé par un média indépendant
- Lien :
axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test - Description : les performances réelles sur des tâches et les obstacles rencontrés à l’usage
Auteur : l’équipe technique APIYI
Échanges techniques : n’hésitez pas à nous contacter depuis la page d’accueil du site APIYI (apiyi.com) ; vous trouverez davantage de ressources d’intégration dans le centre de documentation docs.apiyi.com