GPT-6 Astra conçoit de zéro le boîtier d’un appareil Codex en moins d’une semaine
Le 3 novembre 2026, OpenAI révèle que GPT-6 Astra a conçu en moins d’une semaine l’intégralité d’un appareil matériel pour l’agent de code Codex : boîtier, circuit imprimé, micrologiciel et interface. La démonstration mesure un écart encore large entre l’IA et l’ingénierie physique réelle, à lire avant de brancher vos flux de conception sur un modèle.
3 novembre 2026. OpenAI révèle que GPT-6 Astra a conçu de bout en bout un appareil matériel destiné à dialoguer avec l’agent de code Codex, en le bouclant comme projet secondaire en moins d’une semaine. 3 novembre 2026, même jour. Le modèle a produit le boîtier, le layout du circuit imprimé — placement des composants et routage des pistes — le micrologiciel et l’interface utilisateur. 3 novembre 2026, toujours. Un sous-traitant a fabriqué une petite série de prototypes en moins d’un mois, mais après plusieurs tours de révision, car Astra n’a pas toujours tenu compte des contraintes de fabrication, des tolérances et des détails d’assemblage. L’essentiel tient en une phrase : l’IA traverse désormais toute la chaîne de conception matérielle, et le chiffre qui compte n’est pas la prouesse, mais l’écart entre le modèle et la physique.
Pour une équipe d’ingénierie qui se demande où brancher un modèle de conception, cette démonstration trace une ligne claire entre ce qui est automatisable aujourd’hui et ce qui ne l’est pas encore.
Ce qu’Astra a réellement produit
Le récit d’OpenAI est précis sur la portée. Le modèle n’a pas « assisté » un ingénieur : il a produit les artefacts de conception, du boîtier au layout du PCB — sélection des composants et tracé des pistes — jusqu’au firmware et à l’interface utilisateur. Un sous-traitant a ensuite fabriqué une petite série de prototypes en moins d’un mois.
La nuance qui change tout est dans la suite : plusieurs tours de révision ont été nécessaires, parce qu’Astra ne prenait pas toujours en compte les contraintes de fabrication, les tolérances dimensionnelles et les détails d’assemblage. Autrement dit, le modèle excelle à produire une conception électriquement correcte et esthétiquement cohérente, mais il lui manque ce qu’un ingénieur mécanicien acquiert par la pratique : la connaissance que telle épaisseur de paroi casse au moulage, que telle tolérance est intenable au perçage, qu’un connecteur ne s’enfonce pas de la façon dont le modèle l’a imaginé.
C’est exactement la frontière que les entreprises qui « accélèrent l’ingénierie » doivent cartographier. La conception assistée par IA produit un premier jet exploitable en jours ; la mise en fabrication le rattrape et le corrige. La valeur n’est pas dans l’automatisation complète, elle est dans la vitesse du premier jet.
Le benchmark qui mesure l’écart
OpenAI publie en parallèle un chiffre qui mérite d’être lu avec soin. Sur le benchmark BenchCAD 2.0, qui teste la capacité d’un modèle à reconstruire des pièces et assemblages 3D et à identifier les connexions sur un PCB, GPT-6 Astra atteint 0,594 à son niveau de raisonnement maximal. Un « modèle interne » plus récent, dont OpenAI ne donne aucun détail, atteint 0,875.
Cet écart de 28 points est le vrai message. La société ne montre pas seulement une prouesse ; elle montre que ses modèles les plus récents — non publics — creusent encore l’écart sur une tâche qui semblait hors de portée il y a deux ans. Le benchmark lui-même, centré sur la reconstruction 3D et la lecture de PCB, n’est pas anodin : c’est précisément la compétence qu’il faut pour que l’étape de révision par un humain devienne plus courte.
OpenAI indique par ailleurs que ses équipes matérielles utilisent Codex et ChatGPT pour les modèles CAO, les plans de fabrication et les simulations, dans des domaines allant de la robotique à l’infrastructure de calcul, avec une consommation de tokens multipliée par 23 depuis février. Le chiffre dit moins « engouement » que « la conception assistée par IA est passée dans le flux de production » — on ne consomme pas 23 fois plus de tokens pour un gadget de démonstration.
Ce que ça change pour une équipe d’ingénierie
La leçon dépasse OpenAI. Trois conséquences concrètes se dégagent.
Le premier jet devient le produit le plus cher à obtenir. Ce qui coûtait des semaines de layout manuel devient une génération en jours ; ce qui coûte encore, c’est la boucle de validation physique — prototypes, tolérances, assemblage. Les équipes doivent donc déplacer leur effort d’ingénierie de la production du design vers la validation du design.
Le benchmark devient le contrat. BenchCAD 2.0 et ses successeurs deviennent la façon de comparer les modèles sur la conception matérielle, comme SWE-bench l’est devenu pour le code. Une équipe qui adopte un modèle de conception sans benchmark de référence achète à l’aveugle.
L’humain reste au poste de contrôle de fabrication. Les révisions imposées par le sous-traitant montrent que la boucle ne se ferme pas sans quelqu’un qui connaît les contraintes de l’atelier. Le modèle produit ; l’ingénieur garanti la fabricabilité.
Le tout sur fond d’une stratégie matérielle assumée : OpenAI construit son propre appareil, décrit par la presse comme un croisement entre enceinte connectée sans écran et smartphone. La démonstration Astra n’est pas un exercice de style, c’est la répétition générale d’une gamme de produits.
Verdict
La démonstration GPT-6 Astra vaut ce qu’elle révèle : la conception matérielle assistée par IA est réelle pour le premier jet, pas pour la validation. Si votre équipe conçoit des cartes ou des boîtiers, adoptez un modèle de conception pour accélérer le premier jet et les itérations de CAO, mais gardez la boucle de validation physique — tolérances, assemblage, conformité — entre les mains d’un ingénieur, et exigez un benchmark comme BenchCAD 2.0 pour choisir le modèle. Si vous espériez remplacer l’ingénierie mécanique par un appel d’API, le nombre de tours de révision est la réponse : ce n’est pas pour demain, et ce n’est peut-être pas le bon objectif.