OpenAI a ouvert les candidatures pour « ChatGPT for Academic Researchers », un programme accordant à 100 000 scientifiques éligibles un accès gratuit à sa famille de modèles la plus performante, GPT-5.6, ainsi qu’à l’environnement de codage Codex et à une suite d’outils de recherche spécialisés. Les 10 000 premiers chercheurs y auront accès cet été, avec un déploiement continu jusqu’en 2027. Parmi les premiers participants figurent déjà l’Institute for Advanced Study de Princeton et l’École normale supérieure en France [1][2].
Qui est éligible et que comprend le pack?
L’éligibilité est restreinte par conception. Les candidats doivent être des enseignants-chercheurs ou des chercheurs postdoctoraux au sein d’institutions reconnues, délivrant des diplômes et présentant une activité de recherche intense. Ils doivent vérifier leur affiliation via SheerID et soumettre un article publié au cours des trois dernières années sur arXiv, bioRxiv ou ChemRxiv dans l’un des sept domaines pris en charge : sciences biologiques, chimie et science des matériaux, informatique, sciences de la Terre et de la planète, ingénierie, mathématiques ou physique [1].
Chaque chercheur approuvé reçoit l’équivalent de l’abonnement ChatGPT Pro d’OpenAI (valeur de 200 $ par mois) sans frais, avec des limites d’utilisation plus élevées, des capacités de recherche approfondie étendues et des fenêtres de contexte plus larges. Le pack couvre toute la famille GPT-5.6 — Sol pour les problèmes scientifiques et mathématiques complexes, Terra pour les tâches de recherche quotidiennes équilibrées, et Luna pour des réponses plus rapides sur des charges de travail légères — ainsi que ChatGPT Work pour les projets agentiques multi-étapes et Codex pour l’écriture et le débogage de code d’analyse [1][2].
Les chercheurs peuvent inviter jusqu’à quatre collaborateurs institutionnels par espace de travail. Chaque collaborateur doit vérifier son affiliation, ce qui compte dans la limite de 100 000 comptes du programme. Par défaut, les données partagées via le programme ne sont pas utilisées pour entraîner les modèles d’OpenAI, et les espaces de travail bénéficient de protections de confidentialité et de sécurité de classe entreprise, équivalentes à celles des clients commerciaux [1][2][3].
Au-delà des modèles de base, le programme inclut plus de 75 compétences en sciences de la vie — des connecteurs de type « plugin » pour la génétique, la génomique, le séquençage de nouvelle génération, l’analyse de cellule unique, la modélisation des protéines et la découverte de médicaments. D’autres connecteurs relient aux bases de données de littérature scientifique, des répertoires génomiques et cliniques publics, des plateformes d’imagerie satellite, des carnets de notes de calcul et des gestionnaires de références [1]. OpenAI promet également une formation et un support direct pour les chercheurs ayant des niveaux d’expérience variés en IA [2].
Compromis pratiques dans la chaîne d’outils
La suite intégrée est puissante mais étroitement couplée. Les chercheurs qui construisent leurs flux de travail autour des 75+ connecteurs d’OpenAI gagnent en commodité mais sacrifient leur portabilité. Si OpenAI modifie une API ou abandonne un connecteur, les pipelines dépendants se briseront. Les laboratoires qui s’appuient déjà sur des outils open-source comme Snakemake ou Nextflow pourraient trouver Codex utile pour la génération de code tout en conservant l’exécution en dehors de l’écosystème d’OpenAI.
La limite de quatre collaborateurs par espace de travail impose également un choix. Un laboratoire de taille moyenne comptant six postdoctorants ne peut pas inviter tout le monde dans un seul espace de travail ; il doit se diviser en deux ou accepter que certains membres travaillent sans accès au programme. Cela favorise les petites équipes spécialisées plutôt que les grands groupes collaboratifs.
Ce que les benchmarks nous disent réellement — et ce qu’ils ne disent pas
OpenAI met en avant deux chiffres phares : GPT-5.6 Sol obtient un score de 83 % sur FrontierMath Tier 4, soit un gain de 10,5 points de pourcentage par rapport à GPT-5.5, et résout 31,5 % des tâches sur GeneBench Pro, soit plus du double de la performance de son prédécesseur sur une version simplifiée de ce benchmark [1].
Ces deux benchmarks comportent des réserves importantes que la page du programme ne mentionne pas de manière visible. FrontierMath a été développé avec le financement d’OpenAI, qui conserve un accès exclusif à un sous-ensemble des problèmes du benchmark, selon la déclaration de conflit d’intérêts d’Epoch AI. GeneBench Pro est le propre benchmark d’OpenAI, introduit le 30 juin 2026. Aucun des deux n’a été validé indépendamment par un tiers [1].
Un taux de réussite de 31,5 % sur GeneBench Pro signifie également que GPT-5.6 Sol Pro échoue encore sur environ sept tâches de recherche biologique complexes sur dix. Ce plafond correspond à ce qu’OpenAI lui-même a reconnu : Joy Jiao, responsable de la recherche en sciences de la vie de l’entreprise, a déclaré lors du lancement de GPT-Rosalind en avril 2026 qu’OpenAI ne pense pas que l’IA puisse encore créer de nouveaux traitements de maladies de manière autonome [1].
Par ailleurs, une étude de l’Université d’État de Washington publiée en mars 2026 a révélé que, lorsqu’on ajuste les résultats pour tenir compte du hasard, ChatGPT n’identifie correctement les affirmations scientifiques erronées que dans 16,4 % des cas — un résultat qui complique les affirmations présentant l’IA comme un assistant de recherche pour l’évaluation d’hypothèses [1].
Lire les chiffres avec esprit critique
Les résultats de FrontierMath et GeneBench Pro doivent être considérés comme des indicateurs directionnels, et non comme une preuve de capacité scientifique autonome. Un modèle qui excelle dans les problèmes de concours de mathématiques peut toujours éprouver des difficultés avec le raisonnement complexe et dépendant du contexte qu’exige la biologie réelle en laboratoire. Les chercheurs devraient effectuer leur propre validation sur des tâches spécifiques à leur domaine avant de faire confiance aux résultats du modèle pour quoi que ce soit d’autre que le brainstorming.
Conception du flux de travail de recherche
OpenAI structure le programme autour de la couverture de l’ensemble du cycle de travail scientifique plutôt que de tâches isolées. ChatGPT gère l’idéation, la revue de littérature, la génération d’hypothèses et la rédaction de manuscrits. Codex gère la couche d’exécution : l’écriture et le débogage de code d’analyse, le traitement de jeux de données et la construction de flux de travail de calcul reproductibles. ChatGPT Work — un mode agentique à horizon plus long capable de planifier et d’exécuter des sessions multi-étapes — cible des projets de longue durée tels que la rédaction de demandes de subventions, la revue de littérature et la préparation de manuscrits [1][2].
Les données comportementales citées par OpenAI suggèrent que l’appétit est réel. Chaque semaine, environ 1,3 million de personnes utilisent ChatGPT pour les sciences avancées et les mathématiques, générant environ 8,4 millions de messages — une activité organique qui a précédé tout programme structuré. Les chercheurs situés dans les 20 % supérieurs d’utilisation de l’IA dans leurs domaines sont presque deux fois plus susceptibles que leurs pairs d’assigner à l’IA des tâches estimées nécessiter quatre heures ou plus d’effort humain : environ 7 % de leurs requêtes contre 3,5 % chez les utilisateurs moins actifs dans les mêmes disciplines [1][2].
Exemple de flux de travail : Un pipeline génomique
Une session typique pourrait commencer par un chercheur collant un fichier FASTA et demandant à ChatGPT de suggérer des gènes candidats pour un phénotype. Le modèle propose une liste avec des annotations. Le chercheur demande ensuite à Codex de générer un script Python utilisant BioPython pour croiser ces candidats avec un génome de référence. Codex écrit le script, signale une dépendance manquante et suggère une commande d’installation conda. Le chercheur exécute le script localement, vérifie le résultat et utilise ChatGPT Work pour rédiger une section méthodologique décrivant le pipeline.
Chaque étape fait gagner du temps mais ajoute une dépendance aux modèles d’OpenAI. Si l’environnement de calcul du laboratoire change ou si le comportement du modèle évolue après une mise à jour, le code généré précédemment pourrait nécessiter une nouvelle validation.
Le contexte stratégique : Pourquoi maintenant, et ce que les chercheurs doivent surveiller
Le programme coïncide avec une autre annonce d’OpenAI détaillant comment l’entreprise a réduit les coûts d’exécution de ses agents. L’élément clé est l’« agent harness », une couche open-source qui s’interpose sous Codex et ChatGPT Work et dirige le modèle, les outils et le contexte. Au début de l’année, certains développeurs ont accumulé des factures mensuelles de 20 000 $ alors que les agents consommaient énormément de puissance de calcul. OpenAI a optimisé l’harness : GPT-5.6 Sol bat désormais Claude Fable 5 sur un benchmark de codage de premier plan tout en utilisant 54 % de tokens de sortie en moins, et un modèle plus léger, GPT-5.5 Luna, coûte 80 % de moins que Sol. Dans un retour de bâton récursif, OpenAI a utilisé Codex pour réécrire et optimiser ses propres noyaux de production, augmentant l’efficacité des tokens de plus de 15 % — le modèle a aidé à réduire son propre coût [4].
La réduction des coûts d’inférence est ce qui permet à OpenAI d’offrir ses modèles gratuitement en amont. Les entreprises se détournent du « tokenmaxxing », cette habitude de jeter de la puissance de calcul brute sur chaque tâche ; Databricks affirme que la maîtrise des coûts de l’IA est désormais la question principale que lui posent ses clients. Le cadeau et la réduction des coûts font partie de la même stratégie [4].
Le risque de dépendance
Les outils de pointe gratuits renforcent la dépendance du domaine envers la pile technologique d’une seule entreprise, au moment même où OpenAI apprend à faire fonctionner cette pile pour moins cher. Amener une génération de scientifiques à penser à l’intérieur de ChatGPT constitue une forme de barrière à l’entrée (moat). L’offre concurrente d’Anthropic, Claude Science, lancée cinq semaines plus tôt, évite la vérification des identités requise par OpenAI, offrant une alternative pour les chercheurs qui souhaitent une mise en service plus rapide [1][4].
Les chercheurs qui rejoignent le programme devraient documenter les parties de leur flux de travail qui dépendent des outils spécifiques à OpenAI et maintenir des solutions de repli. Un laboratoire qui utilise Codex pour la génération de code mais conserve son environnement d’exécution en Python standard peut changer de modèle avec un effort modéré. Un laboratoire qui construit profondément sur les 75+ connecteurs d’OpenAI fera face à une migration beaucoup plus difficile.
Prochaines étapes pratiques pour les chercheurs intéressés
Si vous remplissez les critères d’éligibilité, les candidatures sont ouvertes dès maintenant via le centre d’aide d’OpenAI. Préparez votre vérification SheerID et un preprint éligible des trois dernières années. Réfléchissez aux collaborateurs que vous souhaitez inviter — chacun compte dans la limite du programme et doit être vérifié indépendamment.
Évaluez si votre flux de travail bénéficie davantage de la chaîne d’outils intégrée d’OpenAI ou de la solution Claude Science d’Anthropic, plus légère mais immédiatement accessible. Et traitez les affirmations des benchmarks comme des signaux directionnels, pas comme des garanties : le modèle échoue encore à la plupart des tâches biologiques complexes et peine à signaler de manière fiable les affirmations scientifiques erronées.
Sources
- OpenAI Launches Free AI Access for Scientists: Apply Now, Model Weights…
- OpenAI launches free ChatGPT program for 100,000 academic researchers
- OpenAI Will Provide Free AI Models To Select Researchers
- OpenAI gives 100,000 scientists free AI, and shows how - TNW
- OpenAI Research | Release
- Prism | A free, LaTeX Editor and AI-native workspace for… - OpenAI
- OpenAI launches GPT-5 free to all ChatGPT users - Ars Technica
