Contexte technique
Je me suis intéressé à cette histoire non pas à cause du bruit, mais parce que de telles pannes frappent immédiatement l'automatisation IA, surtout si Codex CLI se trouve dans vos pipelines locaux ou CI/CD. Et là, ma question ne porte pas sur le modèle, mais sur l'environnement : OpenAI n'a pas émis de reconnaissance claire d'une panne totale, mais dans les faits, les workflows des utilisateurs se sont effondrés après la version 5.6.
J'ai vérifié ce que la communauté confirme. Le tableau est désagréable mais pas mystique : sur Linux, pour certaines commandes, GPT-5.6 fonctionne de manière instable ou ne démarre pas du tout ; sur Windows, la mise à jour bloque sur des droits d'accès ; et le sélecteur interactif de modèles n'affiche parfois pas GPT-5.6, bien que le lancement via un flag fonctionne.
Le problème ne ressemble donc pas à "tout est mort", mais plutôt à un mélange de régressions par plateforme, de restrictions sandbox et de cache obsolète. C'est pourquoi un développeur vole sur macOS tandis qu'un autre sur Linux voit le même scénario planter sans explication claire.
Parmi les contournements pratiques, j'en vois trois très utiles. Premier : réinstaller le CLI manuellement, par exemple via npm, si la mise à jour automatique s'est bloquée. Deuxième : tuer l'app-server et nettoyer models_cache.json. Troisième : ne pas attendre le sélecteur, mais appeler directement le modèle nécessaire via -m gpt-5.6-sol.
J'activerais aussi immédiatement des journaux détaillés et vérifierais séparément les droits sur les répertoires, surtout si vous utilisez le mode Full Auto ou un compte organisationnel avec une autorisation non triviale. Ce genre de choses se déguise souvent en "modèle cassé", alors qu'en réalité l'intégration IA a échoué au niveau de l'environnement.
Ce que cela change pour l'entreprise et l'automatisation
Si Codex CLI est intégré dans votre processus de production, la conclusion principale est simple : vous ne pouvez pas lier un flux critique aux mises à jour automatiques sans épingler la version. Une seule mise à jour, et l'équipe perd des heures non pas sur le développement, mais sur l'exploration de l'environnement.
Ceux qui gagnent disposent d'une isolation des versions, d'un scénario de secours et d'une vérification distincte de la CLI après la mise à jour. Ceux qui perdent sont les équipes où l'implémentation IA a été faite "à l'aveugle", sans environnement de test et sans observabilité.
Je vois régulièrement ces goulots d'étranglement dans les processus clients : l'outil lui-même peut être puissant, mais une architecture IA faible autour de lui gâche tout. Chez Nahornyi AI Lab, nous dénouons précisément ces nœuds pour que l'automatisation avec l'IA ne s'effondre pas à cause d'une seule mise à jour. Si vous avez une histoire similaire, vous pouvez tranquillement examiner votre flux de travail et construire un schéma correct avec des sauvegardes, des journaux et des mises à jour prévisibles, au lieu de vivre dans le « le matin tout marchait, le soir plus rien ».