IA agentique en entreprise : ce que révèlent les données OpenAI
Un chatbot qui répond à une question et un agent qui produit un livrable ne rendent pas le même service. OpenAI vient de publier des données sur cet écart, mesuré chez ses propres clients entreprise. Elles méritent d'être lues avec la distance qu'impose leur origine : un fournisseur qui évalue l'usage de ses propres outils.
Assistance ou exécution : ce que change vraiment un agent
Assistant qui répond vs agent qui produit
Un assistant conversationnel reçoit une question, produit une réponse, et s'arrête. L'humain reprend la main pour agir : envoyer l'e-mail, mettre à jour le tableur, planifier la réunion. Un agent, au sens où OpenAI et la plupart des éditeurs l'entendent en 2026, exécute lui-même cette suite d'actions. Il consulte des outils, écrit dans des systèmes, enchaîne plusieurs étapes sans validation à chaque tour.
Ce que recouvre 'exécuter une tâche' concrètement
Concrètement, cela suppose une connexion à des outils métier : un CRM, un gestionnaire de tickets, une base documentaire interne, un calendrier. L'agent lit des données réelles, produit un résultat structuré, et parfois déclenche une action (créer une fiche, envoyer un brouillon, mettre à jour un statut). C'est ce saut — de la génération de texte à l'action dans un système — qui sépare l'assistance de l'exécution.
Les chiffres OpenAI : où en est l'adoption réelle
Les 64% de tokens générés par Codex
Selon le rapport OpenAI publié le 24 juin 2026 sur son portail Enterprise Signals, 64% des tokens générés par Codex, son outil de développement assisté par IA, proviennent désormais de tâches exécutées de façon autonome plutôt qu'assistée. Un token, ici, est une unité de texte traitée par le modèle : ce chiffre mesure un volume de calcul, pas un nombre de projets livrés.
L'écart frontier qui passe de 2,6× à 8,3×
Le chiffre le plus frappant du rapport concerne l'écart entre les entreprises les plus avancées, qu'OpenAI désigne comme 'frontier firms', et le reste de sa base clients. Cet écart d'usage était de 2,6 fois en février 2026. Il atteint 8,3 fois en juin 2026, quatre mois plus tard. L'écart ne se réduit pas avec le temps : il se creuse.
La diffusion hors de l'ingénierie (juridique, ventes, RH)
Le même rapport signale que l'usage agentique déborde désormais des équipes techniques. Des fonctions juridiques, commerciales et RH figurent parmi les usages recensés en juin 2026, avec des tâches comme la préparation de contrats types, la qualification de prospects ou la rédaction de fiches de poste. La bascule n'est donc plus cantonnée aux développeurs.
Ce que font différemment les firmes de tête
Plugins, skills et connexion au contexte métier
Le point commun des entreprises en tête, d'après les données OpenAI, n'est pas un modèle plus puissant : c'est la connexion. Elles branchent leurs agents sur des sources de contexte métier — documentation interne, historiques clients, référentiels produits — via des extensions ('plugins') ou des compétences packagées ('skills'). Un agent sans accès à ces données reste un généraliste qui devine ; un agent connecté travaille avec les faits de l'entreprise.
Le cas Virgin Atlantic : durées observées
OpenAI cite le cas de Virgin Atlantic, documenté le 14 mai 2026 : une tâche de préparation de briefing qui mobilisait environ deux semaines de travail a été ramenée à environ 30 minutes après le déploiement d'agents connectés aux outils internes de la compagnie. Ce résultat porte sur une tâche précise, dans un contexte d'intégration poussée. Il ne se transpose pas mécaniquement à toute organisation qui installerait le même outil sans le même travail préalable de connexion des données.
L'usage plus fort chez les profils juniors
Autre régularité relevée dans le rapport de juin 2026 : les profils juniors et les nouveaux entrants montrent un taux d'usage agentique supérieur à celui des profils seniors dans les mêmes fonctions. L'hypothèse la plus probable, non tranchée par OpenAI, est l'absence d'habitudes de travail à désapprendre plutôt qu'une compétence technique supérieure.
Ce que ces données ne disent pas
Un proxy de volume, pas de valeur créée
Un volume de tokens ou un taux d'usage mesure de l'activité, pas un résultat. Une entreprise peut générer beaucoup de tokens agentiques sur des tâches à faible enjeu, ou au contraire produire peu de volume sur une poignée de workflows à forte valeur. Le rapport OpenAI ne relie pas ces chiffres à des indicateurs de productivité, de chiffre d'affaires ou de qualité de service. L'écart de 8,3 fois documente une différence d'intensité d'usage, pas une différence de performance économique démontrée.
Le biais d'un fournisseur qui mesure ses propres clients
OpenAI mesure l'usage de ses propres produits, chez des clients qui ont déjà choisi de s'équiper chez lui. L'échantillon exclut par construction les entreprises qui utilisent d'autres fournisseurs ou qui n'utilisent pas encore d'IA agentique. Le rapport a aussi un intérêt commercial évident : montrer un écart qui se creuse incite à investir davantage, chez le même fournisseur. Ces données restent un indicateur utile de tendance, pas une étude indépendante.
Limites : ce que l'IA agentique ne fait pas encore
Un agent connecté à des outils reste dépendant de la qualité des données qu'on lui donne. Sur des systèmes internes mal documentés ou incohérents, il produit des résultats erronés avec la même assurance que sur des données propres. Il n'a pas de jugement sur les enjeux politiques ou relationnels d'une décision : il exécute ce qui est écrit dans son cadre d'instructions. La question des permissions reste ouverte dans la plupart des déploiements observés : qui autorise un agent à écrire dans un CRM de production, et qui vérifie ce qu'il y écrit. Aucune des sources citées ici ne documente de cas où un agent a été laissé sans revue humaine sur une action à conséquence financière ou contractuelle.
Par où commencer pour réduire l'écart
Choisir une tâche unique, répétitive et déjà documentée (pas une fonction entière) et la faire exécuter par un agent connecté aux vraies données de l'entreprise, sur un mois, avant d'étendre.
Mettre en place une revue humaine systématique sur les actions à conséquence réelle (écriture dans un système client, envoi externe, engagement financier), même après la phase pilote.
Mesurer un indicateur métier concret (temps gagné sur la tâche, taux d'erreur, délai de traitement) plutôt que le volume d'usage de l'outil, pour savoir si l'agent produit une valeur réelle et pas seulement de l'activité.
L'écart entre firmes de tête et les autres ne se joue pas sur l'accès au modèle : tout le monde a accès aux mêmes modèles. Il se joue sur le travail, moins visible, de connexion aux systèmes internes et de définition claire de ce qu'un agent a le droit de faire seul.
Sources
How enterprises put AI to work — OpenAI, OpenAI, 24/06/2026
Enterprise Signals — OpenAI, OpenAI, 24/06/2026
How organizations use ChatGPT — OpenAI, OpenAI, 24/06/2026
Virgin Atlantic and OpenAI — OpenAI, OpenAI, 14/05/2026
Cet article a été rédigé et illustré par un système d'intelligence artificielle à partir des sources citées ci-dessus, puis publié automatiquement, sans relecture humaine préalable. Si vous relevez une erreur factuelle, merci de nous la signaler.
Comments