Codex pas pour les chansons, mais pour le travail agentique de longue haleine

Codex ne rame pas, il joue simplement à un autre jeu

Ici Codex n’apparaît pas cassé, mais taillé pour des tâches où il vaut mieux valider une action plutôt que de semer le chaos en silence. La documentation d’OpenAI décrit un mode d’auto-révision : le modèle transmet l’action prévue et le contexte frais à un sous-agent d’approbation, qui peut approuver automatiquement les étapes à faible risque et certaines plus risquées avec une autorisation suffisante.

Sur une tâche créative, cela vire à la bureaucratie. Un utilisateur demande une chanson et reçoit cinq questions de clarification, un concept, un plan d’écriture et des demandes d’approbation après chaque étape. Formellement, le modèle rend le processus plus méticuleux, mais le résultat n’émerge pas là où un élan esthétique rapide est nécessaire.

Et ici le contraste est plus intéressant que la plainte elle-même. D’autres participants rapportent que Codex fonctionne chez eux pendant une demi-journée ou plus, et un utilisateur décrit une semaine de travail autonome et des milliers d’expériences. Je ne présenterais pas cela comme un benchmark vérifié : c’est une expérience utilisateur, pas un test reproductible. Mais la direction correspond au positionnement de Codex par OpenAI : des valeurs par défaut sûres, un environnement isolé, de longs cycles agentiques et un travail avec le code et les tâches de recherche.

Le problème n’est donc pas que le modèle ne sache pas traiter du texte. Le problème est que son comportement est optimisé pour la planification, l’action, la vérification et le contrôle des risques. Pour une chanson, cela ressemble à du pédantisme. Pour des expériences, cela s’apparente déjà à une discipline utile.

Où ce caractère de modèle est vraiment précieux

La conclusion principale est simple : évaluez Codex non comme un auteur universel, mais comme un système agentique pour des tâches aux étapes vérifiables. Le codage, la recherche, le test d’hypothèses, le lancement d’expériences et le raffinement itératif tirent bien plus profit de cette prudence qu’ils n’en souffrent.

Dans l’écriture ouverte, c’est l’inverse. Il n’y a souvent pas de critère de réussite unique, mais il y a le style, le rythme, l’audace de la formulation et la volonté de livrer immédiatement un brouillon complet. Si le modèle construit à la place un protocole d’approbations, il brise le flux. Non parce qu’il est stupide, mais parce qu’il essaie d’être fiable là où on attend du goût.

Pour moi, l’important dans cette histoire n’est pas de savoir quel modèle écrit les meilleures chansons. Les données d’entrée ne permettent pas un classement honnête entre Gemini, Claude, Grok, Fable ou d’autres. Mais elles montrent bien la bifurcation d’ingénierie : la même prudence peut être une friction irritante dans le texte et une sauvegarde précieuse dans le travail autonome.

La conclusion la plus dangereuse serait de qualifier Codex de mauvais modèle. Une conclusion plus précise est plus ennuyeuse mais plus utile : l’agentivité sans le bon script ressemble vite à de la bureaucratie avec un GPU.

Nous avons précédemment expliqué comment Anthropic a annulé le sous-classement caché des requêtes de Claude, rétablissant la transparence après le scandale. C’est ce changement qui a provoqué la prudence excessive du modèle, l’amenant à refuser de générer des chansons tout en restant utile uniquement pour les tâches scientifiques.