Codex, le pari open-source d’OpenAI : l’interview Tibo Sottiaux décryptée
Date : 10 septembre 2026 · Source : Building Codex with Tibo Sottiaux — Pragmatic Engineer (épisode du 9 sept. 2026) · Auteur de l’épisode : Gergely Orosz
Le 9 septembre 2026, Gergely Orosz (The Pragmatic Engineer) publie un long entretien avec Tibo Sottiaux, l’un des créateurs de Codex et aujourd’hui head de Core Products & Platform chez OpenAI. Onze enseignements opérationnels sur la façon dont Codex est construit, déployé en interne, et pensé pour l’avenir. Voici ce qui change concrètement la donne pour les équipes tech.
1. Une annulation brutale chez Google a forgé Tibo
Avant OpenAI, Tibo passait deux excellentes années à Londres sur un projet côté Ads — jusqu’à ce qu’un VP californien débarque et annule tout d’un coup. Des centaines d’utilisateurs, du fun sur des challenges d’ingé, et tout s’écroule.
Sa leçon : il avait été aveugle au fait que le projet n’avait pas de product-market fit, et que le feedback des utilisateurs était pauvre. “Un PM qui dit que ça va bien ne veut pas dire que ça va bien.”
Désormais, il questionne systématiquement l’impact réel de son travail.
2. Google avait un ChatGPT-like un an avant OpenAI
“I was part of that team. Basically ChatGPT one year before it came out. Called LMChat and then another codename. Google was too nervous to release it and DeepMind was blocked from shipping products that could disrupt Google. I think about this a lot.”
Début 2020, une équipe DeepMind (dont Tibo) construit un chat avec un LLM. Le projet se diffuse en interne comme une traînée de poudre, mais personne n’ose le lancer. Le reste est connu.
3. Codex a été écrit en Rust — pas en Python
Vision : Codex doit tourner sur des millions de machines cloud. Conséquence : performance, sécurité, efficacité d’ingénierie → Rust, “upfront”, malgré le fait que les modèles IA écrivaient alors bien mieux Python et TypeScript.
Tibo cite Casey Muratori en interview : “Architect for performance, upfront, otherwise you’ll rewrite it later.” C’est ce qu’ils ont fait.
4. Codex est open source — et c’est un choix stratégique
Claude Code est closed source. Codex est open source. Conséquences selon Tibo :
|
Upsides |
Downsides |
| Confiance |
Communautaire, auditable |
— |
| Communauté |
Contributeurs externes énergisent l’équipe |
— |
| Copie |
— |
Certains outils copient Codex et sortent leur version avant |
“It stings, but it’s the price of working in the open.”
5. Codex accepte plusieurs modèles — pour de vrai
Claude Code ne tourne qu’avec les modèles Anthropic. Codex, lui, supporte n’importe quel modèle, pas seulement OpenAI.
Et même si OpenAI limitait Codex à ses propres modèles, n’importe qui peut forker le harness et changer quelques lignes pour en brancher d’autres. C’est l’open source qui impose cette philosophie.
Tibo croit à la concurrence : “Winning by letting users use the best models.”
6. Le harness Codex est toujours un cran en avance sur le dernier modèle
Le harness apporte au modèle ce que Tibo appelle des “crutches” :
- Guardrails (sécurité)
- Steerability (capacité à être dirigé)
- Efficiency (parallélisme, format)
- Developer message injecté à chaque tour
À mesure que les modèles s’améliorent, on retire certaines béquilles. Le harness rétrécit à chaque génération. Le cycle : nouveau modèle → on peut simplifier le harness → ce qui libère du compute → qui sert à entraîner la version suivante.
7. Les CDE vont revenir grâce aux agents IA
“Cloud development environments never took off outside of Big Tech because of setup costs. AI agents could change this.”
Tibo prédit une résurgence des machines entièrement orchestrées dans le cloud, où des agents comme Codex :
- Configurent l’environnement à partir d’un état décrit
- Restent synchronisés avec ta machine locale
- Éliminent le “works on my machine”
C’est le retour de l’idée des Cloud Dev Environments des années 2015-2020, mais avec un coût marginal d’instanciation quasi-nul grâce aux agents.
8. Codex “sait” déjà beaucoup — il est branché partout chez OpenAI
“Have you asked Codex?”, c’est la première chose que dit Tibo aux nouveaux arrivants.
Codex est branché par défaut sur :
- Slack
- Tous les documents
- Tout le code
- Toute la base de connaissances interne
On peut lui demander qui travaille sur tel sujet, pourquoi telle décision a été prise, où est tel fichier. Les équipes OpenAI travaillent en public channels et documents ouverts à dessein.
9. La code review va être automatisée — mais le rôle change
“Discussion about the intent of code doesn’t have to happen inside a code review.”
La code review telle qu’on la connaît sert à :
- Correctness — l’IA peut entièrement la prendre en charge
- Information exchange — l’IA la fluidifie
- Forcing function — pousser une conversation qui aurait dû arriver plus tôt
Les conversations sur ce que le système doit faire doivent arriver avant que le code soit écrit, pas pendant la review. La review devient un check technique, pas un lieu d’alignement.
10. Maintenance et re-architecture : le temps se compresse
Tibo donne deux chiffres opérationnels :
- Dependency upgrades : un modèle peut traverser le codebase en quelques heures, là où une équipe mettait des jours
- Re-architecture : ce qui prenait des années prend quelques jours, au plus
Le caveat immédiat de Tibo : “Quality code, good abstractions, and good test suites greatly affect how easy it is to make a change.” Une codebase mal structurée reste dure à modifier, même avec des agents.
11. “In the zone” c’est fini — Tibo code un peu pour le plaisir, pas par nécessité
Tibo se rappelle les nuits blanches de coding en immersion. Aujourd’hui :
- Il ouvre un éditeur de temps en temps parce que c’est agréable
- Mais il lance un agent pour récupérer une donnée ou tester une hypothèse
- “I can fire off an agent and get the data within a minute to make much better decisions.”
Le gut call est remplacé par data call + agent — et c’est presque toujours mieux.
Ce qu’on en retient pour nos propres pratiques
Synthèse condensée pour une équipe qui veut adopter ce mindset :
| Pratique |
Application concrète |
| Toujours questionner l’impact |
“Est-ce que ce projet a un product-market fit vérifiable ?” |
| Architect for performance upfront |
Choix de stack = choix de dette technique. Rust, Go, C++ quand ça scale. |
| Open source = choix stratégique |
Confiance, communauté, mais accepter la copie |
| Multi-modèles |
Ne jamais se verrouiller sur un seul fournisseur |
| Harness + modèle = boucle |
Le harnais simplifié libère du compute pour le prochain modèle |
| Conversations avant le code |
L’alignement doit précéder l’écriture, pas la review |
| Codebase = qualité = vitesse |
Mauvais tests, abstractions sales → agents inefficaces |
| Plus de gut calls |
Agents pour récupérer les données, décider sur data |
Liens et sources
Articles liés sur Beemm :
- Hugging Face : d’un chatbot ado à la cible de Nvidia à 13 milliards
- OpenAI résout Navier-Stokes : 10 000 agents, 88 heures, un Millennium Problem