OpenAI Agent Builder ferme le 30 novembre : exporter et remplacer vos agents

OpenAI arrête Agent Builder le 30 novembre 2026. L'éditeur l'a annoncé le 3 juin dans sa page des dépréciations, et la mise à jour figure désormais en tête du billet de lancement d'AgentKit : à partir de cette date, le canevas visuel ne sera plus disponible sur la plateforme. Qui voulait créer un agent sans coder avec Agent Builder ne doit donc plus démarrer de projet dessus, et un workflow encore hébergé là-bas doit en sortir avant l'échéance.

Nous défendons une idée simple dans ce tutoriel. L'export proposé par OpenAI fournit du code, et le choix du remplaçant reste à faire. Ce choix dépend de ce qui déclenche l'agent : un client qui écrit dans le chat de votre produit, un collègue qui lance une tâche depuis ChatGPT, ou une horloge à six heures du matin. Chez Noxcod, la plupart de nos agents de production démarrent sur un horaire, comme les six agents qui publient chaque matin un article de ce blog. Or le guide d'Agent Builder proposait deux déploiements, l'intégration dans ChatKit, donc dans une conversation, ou l'export en code, et recommandait ChatKit en cas de doute.

Ce tutoriel s'adresse aux makers, aux équipes ops et aux développeurs qui ont construit un workflow dans Agent Builder, ou qui arrivent ici en cherchant l'outil d'OpenAI pour bâtir un agent visuellement. Le 4 novembre 2026, nous avons réécrit un workflow type avec l'Agents SDK en Python et nous l'avons fait tourner. Les chiffres de cet essai figurent plus bas, avec le code.

Agent Builder ferme le 30 novembre 2026 : ce qui s'arrête et ce qui reste

Trois services de la plateforme OpenAI s'arrêtent le 30 novembre 2026 : Agent Builder, le tableau de bord et l'API Evals, et les prompts réutilisables servis par l'API v1/prompts. La page des dépréciations fixe une étape intermédiaire pour Evals, dont les évaluations existantes sont passées en lecture seule le 31 octobre 2026. Pour Agent Builder, aucune étape n'est annoncée avant la fermeture. OpenAI propose deux voies de sortie, l'Agents SDK pour les workflows qui doivent continuer en code, et les Workspace Agents de ChatGPT pour les usages qui se décrivent en langage naturel.

ChatKit, le composant de chat à intégrer dans un site ou une application, reste disponible. Le guide ChatKit distingue désormais deux chemins. Dans l'intégration hébergée, votre serveur crée une session en passant l'identifiant du workflow Agent Builder, une chaîne qui commence par wf_. La documentation ne prévoit ce chemin que pendant la période de transition. Dans l'intégration avancée, ChatKit parle à votre propre serveur et à l'agent que vous y faites tourner : c'est la seule voie recommandée pour un nouveau projet. Un widget posé sur votre site et branché sur un workflow hébergé dépend donc d'Agent Builder, même si le code du widget, lui, ne bouge pas.

Le contraste avec le lancement est net. Le 6 octobre 2025, le billet AgentKit présentait Agent Builder en bêta comme un canevas pour composer et versionner des workflows multi-agents, inclus au tarif standard des modèles. Ce billet citait Ramp, qui revendiquait des cycles d'itération réduits de 70 %, et promettait une API Workflows autonome. Le guide de migration publié depuis ne mentionne pas cette API. Nous en tirons une règle de travail : un outil hébergé en bêta chez un fournisseur se traite comme un prototype, et la logique dont dépend votre activité doit pouvoir vivre ailleurs.

Exporter un workflow Agent Builder en code, pas à pas

L'export se lance depuis le canevas et produit du code Agents SDK, en TypeScript ou en Python. Le guide de migration d'OpenAI le décrit en quatre gestes.

1. Ouvrez le workflow dans Agent Builder.
2. Cliquez sur Code dans la barre de navigation du haut.
3. Choisissez Agents SDK dans la fenêtre qui s'ouvre.
4. Sélectionnez TypeScript ou Python, puis copiez l'export complet.

OpenAI prévient que l'opération ne convertit pas le graphe et ne garantit pas que chaque comportement passe à l'identique. Conservez donc davantage que le code. Selon le guide d'Agent Builder, chaque publication crée une version majeure figée, et un appel d'API peut viser une version antérieure : exportez celle que votre application appelle réellement, pas seulement le brouillon ouvert à l'écran. Notez aussi, nœud par nœud, ce qu'un export risque d'aplatir, comme les expressions des conditions, les réglages des garde-fous ou le texte des demandes de validation. Une capture d'écran de chaque panneau de configuration prend quelques minutes et vous évitera de deviner plus tard.

Les données restent à part. Un nœud File search interroge un vector store créé sur la plateforme et désigné par son identifiant. La page des dépréciations ne mentionne pas les vector stores, mais notez l'identifiant de chaque store, vérifiez qu'il contient les bons fichiers et que la clé d'API du nouveau code y a accès. Les jeux de données et les graders configurés dans l'onglet Evaluate relèvent d'Evals, que la même page ferme le 30 novembre ; OpenAI renvoie vers un guide de passage à Promptfoo. Ces jeux de test sont souvent la seule trace écrite de ce que l'agent devait répondre, exportez-les avant la fermeture.

Si le workflow sert un parcours client ou manipule des données personnelles, ne migrez pas dans l'urgence la veille de la fermeture. Une agence spécialisée dans les agents IA peut reprendre l'export, le tester sur vos vraies demandes et le déployer sur votre infrastructure. Pour un workflow interne et court, la suite de ce guide suffit pour le faire vous-même.

Ce que devient chaque nœud d'Agent Builder dans l'Agents SDK

Les nœuds d'agent et d'outil ont un équivalent direct dans l'Agents SDK, et les nœuds de logique deviennent du code ordinaire. Le tableau part de la référence des nœuds d'Agent Builder pour la colonne du milieu. Les équivalents viennent de la documentation de l'Agents SDK, pour les outils hébergés (FileSearchTool, HostedMCPTool) comme pour les garde-fous et la validation humaine. Nous avons importé chaque nom dans la version Python 0.24.0 du SDK, et notre essai plus bas a exercé le garde-fou d'entrée, la validation humaine et la sortie typée.

Le passage le plus délicat concerne les conditions. Dans Agent Builder, un nœud If/else évalue une expression écrite en Common Expression Language, souvent sur la sortie d'un agent classifieur. Dans le code, cette expression devient un if sur un champ typé, à condition que le classifieur rende une sortie structurée : un modèle Pydantic avec une liste fermée de valeurs, plutôt qu'un texte libre comparé à une chaîne. Avec un texte libre, le routage casse le jour où le modèle répond « Devis » avec une majuscule. Avec une liste fermée, le champ typé n'accepte que les valeurs prévues : une réponse hors liste échoue à la validation Pydantic au lieu de partir dans la mauvaise branche.

Une seconde règle nous sert sur chaque migration : ne confiez pas à un modèle ce qu'une ligne de code décide. Un garde-fou qui repère un numéro de téléphone ou une adresse e-mail s'écrit avec une expression régulière, ne consomme aucun jeton et répond tout de suite. Réservez les garde-fous fondés sur un modèle aux cas qui demandent un jugement, comme une tentative de contournement des instructions. Le billet de lancement précisait que la bibliothèque Guardrails d'OpenAI, publiée en open source pour Python et JavaScript, se déploie aussi de façon autonome. Pour les nœuds MCP, gardez la même prudence qu'avant : un serveur qui écrit dans un système réel mérite une validation humaine, et le fonctionnement du protocole MCP ne l'impose pas à votre place.

Notre essai : un workflow de devis réécrit en Python avec l'Agents SDK

Un schéma classique d'Agent Builder, un tri suivi de deux agents spécialisés et d'une validation humaine, tient dans un script Python d'une centaine de lignes, essai compris. Nous l'avons fait tourner le 4 novembre 2026 avec la version 0.24.0 du paquet openai-agents, publiée le 15 octobre 2026, et le modèle gpt-5.4-mini. Le script reproduit les nœuds Start, Guardrails, Agent, If/else, Human approval et End. Un garde-fou refuse les messages qui contiennent un numéro de téléphone, un classifieur range la demande en « devis » ou en « question », l'agent concerné répond, et l'envoi d'un devis attend un accord.

pip install "openai-agents==0.24.0"

@input_guardrail(run_in_parallel=False)
async def pas_de_telephone(ctx, agent, entree):
    trouve = bool(TEL.search(str(entree)))
    return GuardrailFunctionOutput(output_info={"telephone": trouve},
                                   tripwire_triggered=trouve)

class Tri(BaseModel):
    categorie: Literal["question", "devis"]

@function_tool(needs_approval=True)
async def envoyer_devis(client: str, montant_ht: int) -> str:
    """Envoie un devis au client."""
    ...

res = await Runner.run(agent_devis, demande)
if res.interruptions:          # le nœud Human approval
    etat = res.to_state()
    for i in res.interruptions:
        etat.approve(i)        # ici, l'accord d'un humain
    res = await Runner.run(agent_devis, etat)

Trois demandes ont suffi à parcourir les trois chemins. La demande de devis d'une société fictive a été classée « devis », l'agent a demandé l'outil envoyer_devis, et le SDK a suspendu l'exécution. L'outil n'avait pas tourné avant l'accord, il a tourné une fois après. Ce chemin a demandé 3 appels au modèle, 360 jetons en entrée et 57 en sortie, pour 9 secondes. Au tarif standard publié par OpenAI pour gpt-5.4-mini, 0,75 $ par million de jetons en entrée et 4,50 $ en sortie, cela représente environ 0,0005 $ par demande. Le message qui contenait un numéro de téléphone a été bloqué avant tout appel au modèle, parce que le garde-fou tourne en mode bloquant au lieu de s'exécuter en parallèle de l'agent.

Le dernier résultat est le plus instructif. À la question « Est-ce que vous travaillez avec des clients en Belgique ? », l'agent de réponse, privé de toute source, a répondu « Oui, nous pouvons travailler avec des clients en Belgique. » en 2,8 secondes. Il ne pouvait pas le savoir. Dans un workflow Agent Builder, c'est le nœud File search qui fournit cette source ; dans le code, rien ne vous rappelle de rebrancher le vector store, et l'agent répond quand même, avec aplomb. Après chaque migration, rejouez des questions dont la réponse n'existe pas dans vos documents, et vérifiez que l'agent reconnaît son ignorance au lieu d'inventer. Notez enfin que le traçage est actif par défaut dans l'usage serveur normal du SDK ; nous l'avons coupé pour cet essai avec set_tracing_disabled.

Workspace Agents : créer un agent OpenAI sans coder, à trois conditions

Pour qui voulait un agent sans écrire de code, OpenAI renvoie désormais vers les Workspace Agents de ChatGPT, une voie qui exige, d'après le guide de migration, un espace ChatGPT Business, Enterprise ou Edu, l'accès aux workspace agents et le droit d'en créer. La conversion se fait dans ChatGPT : on ouvre la création d'un agent, on colle l'export Agents SDK avec une consigne qui demande de le convertir en agent, puis on relit ce que l'assistant de création signale comme à modifier. OpenAI liste lui-même la limite principale, puisqu'un workflow dont le cœur repose sur un enchaînement déterministe risque de ne pas migrer fidèlement.

Les Workspace Agents, présentés le 22 avril 2026 comme une évolution des GPT, tournent sur Codex dans le cloud. Ils se partagent dans l'organisation, s'utilisent dans ChatGPT ou dans Slack et peuvent s'exécuter sur un horaire. OpenAI les a conçus pour le travail interne des équipes, comme préparer un rapport hebdomadaire ou qualifier des leads entrants. Pour un assistant ouvert à vos clients sur votre site, la voie du code reste la bonne.

Le coût se compte en crédits. Selon la grille tarifaire de ChatGPT Business, Enterprise et Edu, une exécution type d'un workspace agent avec GPT-5.6 consomme entre 5 et 25 crédits, sur une base de 100 crédits par million de jetons en entrée et 500 en sortie. En Business, ces crédits sortent d'une réserve partagée avec ChatGPT Work et Codex, si bien qu'un agent gourmand entame l'allocation de toute l'équipe. Un déclenchement par API existe aussi : une requête POST vers api.chatgpt.com renvoie un statut 202 et le lien de la conversation. La documentation du déclenchement indique qu'à ce jour la réponse de l'agent ne peut pas être récupérée par l'API, ce qui la rend mal adaptée à une chaîne automatisée qui doit lire le résultat.

Agents SDK, Agents API, n8n ou Copilot Studio : choisir selon le déclencheur

Un agent qui répond à vos clients dans un chat se reconstruit avec l'Agents SDK sur votre serveur, un agent que vos collègues lancent depuis ChatGPT passe en Workspace Agents, et un agent qui démarre seul sur un horaire relève de l'Agents API ou de n8n. Pour le chat client, ChatKit en intégration avancée garde l'interface si vous y tenez. Pour l'agent qui démarre seul, sur une heure fixe ou sur un événement, il faut un orchestrateur qui sait attendre, réessayer et journaliser, et c'est ce critère qui départage les options plus sûrement qu'une liste de fonctionnalités.

Pour les déclenchements sans humain, deux familles s'offrent à vous. L'Agents API, sortie en bêta publique le 10 septembre 2026 selon le journal des changements d'OpenAI, fait tourner le harnais Codex chez OpenAI et accepte des automatisations planifiées par une expression cron et un fuseau horaire. On y paie le modèle au tarif de l'API et, si l'agent utilise un bac à sable, le conteneur : 0,03 $ par session de 20 minutes pour 1 Go, d'après la grille tarifaire de l'API. L'autre famille regroupe les orchestrateurs que vous hébergez. n8n combine un nœud Schedule Trigger, des webhooks et un nœud d'agent IA, et s'installe sur un serveur en France. Nous avons détaillé comment créer un agent IA dans n8n étape par étape.

La localisation des données pèse aussi pour une entreprise française. La même page de tarifs applique un surcoût de 10 % aux points d'accès de traitement régional pour les modèles sortis à partir du 5 mars 2026. Un orchestrateur auto-hébergé garde au moins les données de vos workflows chez vous, même si l'appel au modèle part toujours chez le fournisseur choisi. Si votre entreprise vit déjà dans Microsoft 365, la logique s'inverse : vos comptes, vos droits et vos documents y sont déjà, et il devient plus simple de créer un agent avec Copilot Studio. Dans tous les cas, évitez de remplacer un canevas hébergé qui ferme par un autre canevas hébergé sans plan de sortie. Nous avons vécu ce genre de bascule en migrant Tala de Bubble vers du code, et la leçon vaut ici : la logique métier doit pouvoir se relire et se déplacer sans dépendre de l'éditeur qui l'héberge.

Migrer un workflow Agent Builder sans casser la production

Pour migrer sans casser la production, faites tourner l'ancienne et la nouvelle version en parallèle sur les mêmes demandes tant qu'Agent Builder répond, et ne coupez l'ancien workflow qu'une fois les cinq contrôles ci-dessous passés. Un workflow court, interne et sans données sensibles se migre seul : export, installation du SDK, adaptation des conditions et des outils, puis tests sur de vraies demandes. Le risque grandit quand des clients sont au bout du chat ou quand des outils MCP écrivent dans des systèmes réels, et c'est là que la comparaison côte à côte devient indispensable.

• Le routage tombe sur la même branche que dans l'ancien workflow.
• Chaque outil qui écrit, comme un envoi d'e-mail, une mise à jour du CRM ou un devis, attend une validation, comme le faisait le nœud Human approval.
• Les garde-fous bloquent les messages qu'ils bloquaient et laissent passer les autres.
• L'agent reconnaît ne pas savoir quand la réponse ne figure pas dans ses documents.
• Le coût par demande est mesuré sur un échantillon de demandes réelles.

Ces contrôles reprennent ceux de notre essai, y compris celui qui a échoué, la réponse inventée sur la Belgique. Pour la conception elle-même, du découpage des agents au choix des outils, nous avons décrit notre méthode pour créer un agent IA qui tient en production. Un dernier conseil vaut pour tous les cas : gardez l'export brut d'Agent Builder dans votre dépôt, à côté du code réécrit. Il documente ce que faisait l'ancien workflow, et il servira de référence le jour où quelqu'un demandera pourquoi une branche a disparu. Si vous préférez déléguer la migration, nous reprenons l'export, nous choisissons avec vous la voie selon le déclencheur, et nous testons la nouvelle version sur vos demandes réelles avant la bascule. Il suffit de réserver un échange avec notre équipe.

Questions fréquentes sur OpenAI Agent Builder

Mon workflow Agent Builder s'arrête-t-il le 30 novembre 2026 ?

Oui, selon le calendrier publié par OpenAI, Agent Builder ferme à cette date, et les workflows qu'il héberge avec lui. Un widget ChatKit branché sur un identifiant de workflow dépend de l'intégration hébergée, que la documentation ne prévoit que pendant la période de transition. ChatKit lui-même reste disponible, à condition de le connecter à votre propre serveur. Exportez donc le code et notez la configuration de chaque nœud avant l'échéance.

L'export Agents SDK suffit-il pour relancer mon agent ?

Il ne suffit pas. OpenAI précise que l'export ne convertit pas le graphe et ne garantit pas un comportement identique. Il faut installer le SDK, reporter les identifiants des vector stores, reconfigurer les connexions MCP et leurs secrets, puis vérifier que les conditions et les validations humaines se comportent comme avant. Comptez ensuite une série de tests sur des demandes réelles avant de couper l'ancien workflow.

Peut-on encore créer un agent OpenAI sans coder ?

Oui, avec les Workspace Agents de ChatGPT, réservés aux espaces Business, Enterprise et Edu. On décrit le travail en langage naturel, ChatGPT aide à définir les étapes et les outils, et l'agent se partage dans l'équipe. Cette voie convient au travail interne. Pour un agent ouvert à vos clients ou déclenché par un autre système qui attend sa réponse, un orchestrateur comme n8n se prête mieux à l'exercice.

Combien coûte un agent une fois sorti d'Agent Builder ?

Avec l'Agents SDK, vous payez les jetons du modèle au tarif de l'API, comme avant puisqu'Agent Builder était inclus dans ce tarif. Notre workflow de devis a coûté environ 0,0005 $ par demande avec gpt-5.4-mini. Avec les Workspace Agents, une exécution type consomme de 5 à 25 crédits selon la grille de crédits d'OpenAI. L'Agents API ajoute le coût du bac à sable quand l'agent en utilise un.

Que deviennent mes évaluations et mes trace graders ?

Ils suivent le sort d'Evals. Les évaluations existantes sont en lecture seule depuis le 31 octobre 2026, et le tableau de bord comme l'API ferment le 30 novembre. OpenAI propose un guide de passage vers Promptfoo pour reprendre les jeux de test et les critères de notation. Exportez-les avant la fermeture : ce sont souvent les seules traces écrites de ce que l'agent devait répondre.