OpenAI Agents API : créer des agents IA (guide 2026)

OpenAI a lancé l’Agents API en bêta publique le 10 septembre 2026. Cette infrastructure managée exécute des agents IA dans le cloud via un seul endpoint, en gérant côté serveur les sessions longues, la compaction du contexte et la délégation à des sous-agents. En parallèle, une information passe sous les radars du contenu francophone : le canvas visuel Agent Builder, lui, est en cours d’arrêt et cessera de fonctionner le 30 novembre 2026.

C’est le point que la majorité des tutoriels FR ratent. Ils vous apprennent à cliquer dans un outil qui aura disparu dans quelques semaines. J’ai passé plusieurs jours à démêler ce qui reste, ce qui disparaît et ce qu’OpenAI recommande à la place. Voici le guide pratique, pensé comme le pendant OpenAI de mon guide des Anthropic Managed Agents.

AgentKit regroupe l’Agents SDK (definir), l’Agents API (executer) et ChatKit (presenter) — seul Agent Builder ferme le 30 novembre 2026.

Ce que sont l’Agents API et l’Agents SDK d’OpenAI

L’Agents SDK sert à définir la logique d’un agent en code, l’Agents API sert à l’exécuter à l’échelle dans le cloud. Les deux font partie d’AgentKit, la boîte à outils globale d’OpenAI pour construire, connecter, évaluer et présenter des agents. Cette distinction est la clé pour ne pas se perdre dans le vocabulaire.

Pour clarifier les trois briques qui reviennent partout :

Brique	Rôle	Nature
AgentKit	Écosystème complet (build, connect, eval, ship)	Ensemble d’outils
Agents SDK	Définir agents, outils, handoffs, guardrails	Bibliothèque de code (Python / TypeScript)
Agents API	Exécuter les agents avec orchestration managée	Endpoint cloud

L’Agents API apporte le harness Codex aux agents cloud. Concrètement, au lieu d’assembler vous-même l’API Responses, une boucle d’orchestration custom et un fournisseur de sandbox, vous appelez un endpoint unique. Les sessions, la compaction du contexte, la récupération multi-étapes et la délégation à des sous-agents sont gérées côté serveur.

C’est exactement la même logique que celle des Managed Agents d’Anthropic : découpler la définition de l’agent de son exécution. Si les fondamentaux du concept d’agent ne sont pas clairs, mon guide pour créer un premier agent IA pose les bases avant d’attaquer le code.

Agent Builder n’aura vecu qu’environ 8 mois entre son lancement et sa depreciation.

Le piège Agent Builder : ce qui disparaît le 30 novembre 2026

Agent Builder, le canvas visuel no-code d’AgentKit, est déprécié depuis le 3 juin 2026 et cessera de fonctionner le 30 novembre 2026. C’est l’information la plus importante de cet article, et paradoxalement la plus absente des tutoriels francophones qui continuent de l’enseigner.

Le calendrier est frappant. OpenAI a présenté AgentKit, dont Agent Builder, lors de son DevDay du 6 octobre 2025. La note de dépréciation est tombée le 3 juin 2026, soit environ huit mois plus tard. Un outil visuel poussé sur scène puis retiré en moins d’un an : c’est un signal clair sur la direction que prend OpenAI.

Ce qu’OpenAI recommande à la place

OpenAI propose deux chemins de migration selon l’usage :

• L’Agents SDK (Python ou TypeScript) — pour les workflows de production où les équipes ont besoin d’un contrôle explicite sur le déploiement, les outils, l’état et les approbations.
• Les Workspace Agents dans ChatGPT — pour les assistants d’équipe internes, maintenus par configuration en langage naturel plutôt qu’en code.

Le piège de la migration

Ne comptez pas sur un bouton magique. OpenAI avertit explicitement que l’export de code depuis Agent Builder est « un point de départ, pas un traducteur de graphe ». L’export « ne convertit pas le graphe de workflow et ne garantit pas que chaque comportement soit transféré à l’identique ».

Ce qui ne migre pas automatiquement :

• Les identifiants externes et tokens OAuth
• La configuration des applications connectées
• Les bases de connaissances et le setup de retrieval
• Les branches et la logique conditionnelle
• Les scopes d’authentification et les permissions
• L’infrastructure de déploiement

Autrement dit, migrer depuis Agent Builder revient souvent à reconstruire l’agent en code. Autant partir directement sur l’Agents SDK si votre projet doit durer.

Ce qui reste disponible

Bonne nouvelle : tout AgentKit ne disparaît pas. ChatKit, la couche d’interface de chat, reste disponible et n’est pas concernée par l’arrêt. L’Agents SDK et l’Agents API continuent d’être maintenus et développés activement. Seuls Agent Builder (le canvas visuel) et l’ancienne plateforme Evals sont concernés par la fermeture du 30 novembre 2026.

Les primitives de l’Agents SDK

L’Agents SDK repose sur une approche « Python-first » articulée autour de cinq primitives principales. Comprendre ces briques suffit pour construire la quasi-totalité des agents en production.

Primitive	Rôle
Agents	Un modèle avec des instructions et des outils
Tools	Des fonctions que l’agent peut appeler
Handoffs	Le transfert de contrôle vers un autre agent spécialisé
Guardrails	La validation des entrées et sorties, en parallèle
Sessions	La persistance de l’historique de conversation

Deux nuances valent la peine d’être soulignées, parce qu’elles reflètent des choix de conception précis.

Un handoff transfère le contrôle de la boucle, ce n’est pas un appel de fonction qui retourne une valeur. Une fois le handoff effectué, le nouvel agent possède la conversation. C’est ce qui permet de construire des architectures multi-agents propres, un sujet que je détaille dans mon guide de l’architecture multi-agents.

Les guardrails s’exécutent en parallèle de l’agent pour valider entrées et sorties, et peuvent court-circuiter l’exécution en cas de violation. Ils échouent vite (fail fast), ce qui évite de laisser un agent partir dans une mauvaise direction.

À cela s’ajoute le tracing intégré : chaque exécution via Runner.run produit une trace complète — appels au modèle, appels d’outils, handoffs, résultats des guardrails et timing. C’est un vrai avantage pour déboguer un agent en production sans instrumentation externe.

Exemple concret : votre premier agent en Python

Créer un agent fonctionnel prend quelques lignes. Voici la marche à suivre que j’aurais aimé trouver directement.

Étape 1 : Installer le SDK et configurer la clé

pip install openai-agents
export OPENAI_API_KEY=sk-...

Étape 2 : Définir et exécuter un agent minimal

from agents import Agent, Runner

agent = Agent(
    name="Assistant",
    instructions="Tu es un assistant utile qui répond en français."
)

result = Runner.run_sync(agent, "Écris un haïku sur la récursivité en programmation.")
print(result.final_output)

En trois lignes utiles, vous avez un agent opérationnel. Runner.run_sync lance la boucle agentique et renvoie le résultat final.

Étape 3 : Ajouter un outil

La vraie valeur d’un agent vient de sa capacité à agir. On expose une fonction Python comme outil avec un décorateur :

from agents import Agent, Runner, function_tool

@function_tool
def get_meteo(ville: str) -> str:
    """Retourne la météo pour une ville donnée."""
    return f"Il fait 22 degrés et ensoleillé à {ville}."

agent = Agent(
    name="Assistant météo",
    instructions="Utilise l'outil météo pour répondre aux questions.",
    tools=[get_meteo],
)

result = Runner.run_sync(agent, "Quel temps fait-il à Lyon ?")
print(result.final_output)

L’agent décide seul d’appeler get_meteo, récupère le résultat et formule sa réponse. À partir de là, vous ajoutez des handoffs vers des agents spécialisés, des guardrails de validation et des sessions pour conserver l’historique. Pour connecter des outils externes de façon standardisée, l’écosystème s’appuie sur le protocole MCP, désormais supporté par les principaux fournisseurs d’agents.

Aucune des deux plateformes ne facture de frais de plateforme : le choix se joue sur l’ecosysteme et le modele.

OpenAI Agents API vs Anthropic Managed Agents

Les deux offres répondent au même besoin : définir des agents en code et les exécuter sur une infrastructure managée. Le choix se joue davantage sur l’écosystème et le modèle que sur un écart de fonctionnalités.

Critère	OpenAI Agents API / SDK	Anthropic Managed Agents
Lancement bêta publique	10 septembre 2026	8 avril 2026
Approche SDK	Python-first, handoffs, tracing intégré	Agent, environnement, session, events
Orchestration	Managée (harness Codex, sous-agents)	Managée (harness stateless, 3 couches)
Modèles	GPT	Claude
Frais de plateforme	Aucun (tokens + outils)	Aucun (runtime + tokens + web)
Facturation runtime	Tokens et outils au tarif standard	0,08 $/heure de session à la milliseconde
Point fort mis en avant	Simplicité Python, tracing	Isolation stricte des credentials

Trois différences pratiques ressortent de mes tests et de la documentation.

Sur la facturation, OpenAI ne facture ni la plateforme ni le runtime en tant que tel : vous payez les tokens et les outils. Anthropic ajoute un coût de session explicite de 0,08 $ par heure, facturé à la milliseconde. Pour des agents courts et fréquents, le modèle OpenAI est plus simple à prévoir ; pour des sessions longues, le calcul mérite une vraie simulation.

Sur l’expérience développeur, l’Agents SDK d’OpenAI est volontairement minimaliste : trois primitives centrales (agents, handoffs, guardrails) et un tracing prêt à l’emploi. Anthropic structure davantage autour des notions d’environnement et de session.

Sur la stratégie, les deux acteurs convergent vers le même message : le no-code visuel n’est pas la voie recommandée pour la production. OpenAI arrête Agent Builder, Anthropic n’a jamais poussé de canvas équivalent. Le code reste le standard pour les agents sérieux.

Mon avis : pariez sur le SDK, pas sur le canvas

Mon verdict est simple : si vous démarrez un projet d’agent OpenAI aujourd’hui, apprenez l’Agents SDK et ignorez Agent Builder. Investir dans un outil qui ferme le 30 novembre 2026 est une perte de temps, et l’absence de migration automatique le confirme. Le canvas visuel aura duré environ huit mois — ce n’est pas une base sur laquelle construire.

L’Agents API, en revanche, mérite votre attention. Le fait d’appeler un seul endpoint managé, plutôt que d’assembler l’API Responses, une boucle custom et une sandbox, réduit considérablement le travail d’infrastructure. C’est le même mouvement de fond que côté Anthropic : les fournisseurs absorbent la complexité de l’orchestration pour que vous vous concentriez sur la logique métier.

Pour les équipes non techniques qui voulaient Agent Builder, la bonne réponse n’est pas de chercher un remplaçant visuel équivalent, mais de basculer sur les Workspace Agents dans ChatGPT pour les assistants internes, et de confier les workflows de production à un développeur avec le SDK. C’est moins séduisant qu’un canvas, mais nettement plus pérenne.

L’essentiel à retenir : le code est redevenu le standard pour construire des agents IA sérieux, chez OpenAI comme chez Anthropic. Pour approfondir le sujet côté Claude, je vous renvoie à mon guide des Anthropic Managed Agents.