Qu’est-ce qu’AgentKit d’OpenAI, et comment créer un agent avec Agent Builder?

Hier, lundi 6 octobre 2025, à sa conférence DevDay à San Francisco, OpenAI a lancé AgentKit, une trousse d’outils pour les entreprises et les développeurs qui veulent créer des agents d’IA. Un agent est un système d’IA qui travaille vers un objectif en plusieurs étapes, en décidant quels outils utiliser, comme chercher dans des documents ou vérifier une commande, au lieu de donner une seule réponse.

L’argument d’OpenAI : créer des agents a voulu dire assembler de nombreux morceaux séparés, soit du code pour coordonner les étapes, des connexions sur mesure aux données, des tests faits à la main, des retouches de prompts sans fin et des semaines de travail sur l’interface. AgentKit réunit ces morceaux au même endroit. Sur scène, Sam Altman l’a décrit comme un ensemble complet de briques pour faire passer les agents du prototype à la production.

Les éléments d’AgentKit

Le MCP, ou Model Context Protocol, est une norme ouverte pour brancher des outils et des données sur des systèmes d’IA. Un débridage (jailbreak) est une tentative de piéger un modèle pour qu’il ignore ses règles. Tout cela repose sur la Responses API, l’interface pour développeurs qu’OpenAI a lancée en mars avec son Agents SDK.

Comment fonctionne Agent Builder

Sam Altman a comparé Agent Builder à Canva, l’outil de conception graphique : au lieu d’écrire du code, vous disposez visuellement la logique de l’agent. Chaque boîte du canevas, appelée nœud (node), est une étape, comme un appel à un modèle d’IA, un outil, une décision ou un garde-fou. Des flèches montrent l’ordre d’exécution. Vous pouvez partir d’un canevas vierge ou d’un modèle, lancer un aperçu pour observer chaque étape, joindre des tests directement au flux de travail et enregistrer des versions pour pouvoir revenir en arrière.

Les exemples d’OpenAI portent sur la rapidité. Ramp affirme être passée d’un canevas vierge à un agent d’achats fonctionnel en quelques heures, et LY Corporation, au Japon, a créé un assistant de travail en moins de deux heures. Sur scène, Christina Huang, d’OpenAI, a construit un flux de travail à deux agents en moins de huit minutes.

Un exemple concret : un agent de soutien pour une petite boutique en ligne

Voici comment une personne pourrait disposer un agent de service à la clientèle dans Agent Builder. Chaque étape est un nœud du canevas :

1. Départ : reçoit le message du client depuis la fenêtre de clavardage.
2. Garde-fou : masque les renseignements personnels comme les numéros de carte et bloque les tentatives de débridage avant que quoi que ce soit n’atteigne le modèle.
3. Agent de classement : décide si le message porte sur une commande, un retour ou autre chose.
4. Décision : envoie les questions sur les commandes à l’agent des commandes, les retours à l’agent des retours, et tout le reste à un humain.
5. Agent des commandes : utilise un connecteur pour vérifier l’état de la commande, puis répond.
6. Agent des retours : lit le fichier de la politique de retour de la boutique et rédige une réponse, en suivant des consignes comme celles-ci :

Tu traites les demandes de retour d’une librairie en ligne.
Utilise seulement la politique de retour fournie. Si l’article est hors du
délai de 30 jours, dis-le poliment et propose plutôt un crédit en magasin.
Ne promets jamais de remboursement pour un article endommagé; transmets ces cas à un humain.
Réponds en trois phrases ou moins.

1. Publication : le flux de travail terminé est placé sur le site Web de la boutique au moyen de ChatKit, pour que les clients clavardent avec lui dans une fenêtre qui ressemble au reste du site.

Avant la mise en ligne, la personne crée un petit jeu de données, disons vingt vraies questions passées avec de bonnes réponses. La notation des traces (trace grading) évalue ensuite chaque exécution complète, étape par étape, pour que vous puissiez voir si une mauvaise réponse vient de l’agent de classement ou de l’agent des retours. L’optimisation automatique des prompts suggère de meilleures consignes à partir de ces notes et des commentaires des gens.

Pourquoi c’est important

TechCrunch présente AgentKit comme un élément de la course entre les entreprises d’IA pour offrir aux entreprises des plateformes complètes de création d’agents, afin que les agents accomplissent de vraies tâches au lieu de seulement clavarder. Pour OpenAI, c’est une façon de garder les développeurs sur sa plateforme; Sam Altman a dit que c’est tout ce que l’entreprise aurait aimé avoir quand elle a créé ses premiers agents.

Pour les personnes qui créent des agents, le principal changement touche qui peut participer. Un canevas visuel permet aux gestionnaires de produit, aux réviseurs juridiques et aux ingénieurs de regarder le même flux de travail. Ramp affirme que cela a gardé ses équipes sur la même longueur d’onde et réduit de 70 % le temps de chaque cycle de modifications.

Il y a des limites à garder en tête. Agent Builder est en bêta, le Connector Registry exige la nouvelle Global Admin Console d’OpenAI, et OpenAI affirme qu’une Workflows API autonome et des façons de déployer des agents dans ChatGPT sont encore à venir. Comme pour tout agent, la qualité de vos tests détermine jusqu’où vous pouvez lui faire confiance.

Comment commencer à créer votre premier agent avec AgentKit?

Connectez-vous à la plateforme d’OpenAI avec un compte de développeur et ouvrez Agent Builder. Commencez par un modèle proche de votre objectif plutôt que par un canevas vierge, et choisissez une seule tâche étroite, comme répondre à des questions à partir d’un seul document de politique.

Ajoutez un garde-fou tôt, lancez des aperçus et observez chaque étape jusqu’à ce que le comportement soit prévisible. Constituez ensuite un petit jeu de données d’évaluation à partir de vrais exemples et utilisez la notation des traces pour trouver l’étape faible avant de changer quoi que ce soit.

Quand les résultats sont stables, intégrez l’agent avec ChatKit sur une page de test, laissez quelques collègues l’essayer, et seulement ensuite placez-le devant les clients. Gardez une voie claire vers un humain pour tout ce que l’agent ne devrait pas décider seul. Les outils d’AgentKit sont facturés aux prix standard des modèles de l’API : votre coût dépend donc du nombre d’appels au modèle que fait le flux de travail.