OpenAI affirme que les entreprises natives de l’IA transforment les workflows en capacité opérationnelle

OpenAI met en avant une nouvelle phase de l’adoption de l’IA en entreprise : les sociétés vont au-delà des assistants qui répondent aux questions et se tournent vers des agents d’IA capables d’exécuter des workflows répétables. Dans un nouveau rapport OpenAI News, l’entreprise présente Basis, Clay et Exa Labs comme des exemples d’organisations intégrant des agents dans l’onboarding, la gestion de comptes et les intégrations pour développeurs.

Le rapport soutient que le changement important ne consiste pas simplement en une hausse de l’usage de l’IA. Il s’agit de transformer des expérimentations réussies en processus opérationnels répétables avec des déclencheurs définis, un accès au contexte de l’entreprise, des outils connectés, des résultats mesurables et une revue humaine explicite. Cette distinction est importante pour les acheteurs d’entreprise qui déterminent si l’IA doit rester un outil de productivité individuel ou devenir une partie intégrante de la manière dont le travail est exécuté.

De l’usage à la capacité opérationnelle

L’analyse Enterprise Signals qui accompagne OpenAI indique que les entreprises du top 10 % en matière d’utilisation de l’IA génèrent désormais 8,3 fois plus de tokens de sortie par utilisateur actif que les entreprises classiques, contre 2,6 fois en janvier. OpenAI présente l’écart croissant comme une preuve que les organisations de pointe relient les agents au contexte interne et aux outils, délèguent des tâches plus substantielles et rendent les workflows efficaces plus faciles à répéter.

Ces chiffres sont fournis par les fournisseurs et ne montrent pas, à eux seuls, qu’une production plus élevée de tokens entraîne de meilleurs résultats commerciaux. Les propres recommandations d’OpenAI reconnaissent que les organisations doivent mesurer les tâches accomplies, la qualité, le coût, le temps de cycle, le risque, les exceptions et l’effort de revue, plutôt que de traiter le volume d’activité comme un proxy de la valeur.

Le modèle pratique se rapproche davantage d’une fiche de poste pour logiciel. Une équipe définit ce qui déclenche le travail, quelles informations et autorisations l’agent doit avoir, ce que signifie « terminé », quelles preuves il doit produire et à quel moment un humain doit prendre le relais.

Trois workflows, trois niveaux de délégation

Chez Basis, qui développe des agents d’IA pour des cabinets comptables, OpenAI indique que l’onboarding des employés est passé de deux heures à 30 minutes. Les nouveaux employés reçoivent un accès à Codex et à une compétence d’onboarding spécifique à l’entreprise, décrite comme un ensemble réutilisable d’instructions et de ressources pour un workflow particulier. L’agent présente les concepts de l’entreprise et termine la configuration d’intégration, tandis que les RH mettent à jour cette compétence lorsque de nouvelles exceptions apparaissent.

Cet exemple montre comment une démonstration ponctuelle peut devenir un processus réutilisable. Le workflow comporte un déclencheur, des étapes connues, un accès aux outils et une condition de fin. Les humains restent disponibles pour les cas inhabituels ou sensibles, mais l’onboarding ne dépend plus entièrement de la disponibilité d’une seule personne.

Clay applique un autre schéma aux ventes. Selon OpenAI, l’entreprise utilise un espace de travail persistant et un sous-agent dédié pour chaque compte. Ces sous-agents examinent des sources primaires et mettent à jour les dossiers d’opportunités pendant la nuit. Un agent coordinateur produit ensuite des priorités quotidiennes, comme répondre à une question client ou identifier un membre manquant du comité d’achat.

Clay affirme que le processus fait gagner à un ingénieur go-to-market environ une heure de triage nocturne de la boîte de réception. Il s’agit d’une affirmation de l’entreprise, et non d’une étude de productivité vérifiée de manière indépendante. Son importance opérationnelle réside dans les preuves à l’appui : les vendeurs peuvent examiner la matière première derrière une recommandation avant d’agir, tandis que le contexte du compte reste disponible pour d’autres équipes autorisées.

Exa Labs utilise des agents pour poursuivre son objectif « Exa everywhere » pour son API de recherche. OpenAI indique que Codex surveille les intégrations potentielles, rassemble du contexte à partir de systèmes comme Slack et Notion, crée des pull requests, exécute des tests et prépare des mises à jour hebdomadaires. Il peut également rédiger des annonces, mais ce sont les humains qui décident quelles opportunités comptent et à quels engagements externes l’entreprise doit consentir.

Ce workflow va plus loin dans l’exécution que l’exemple de Basis, mais il reste encadré par des tests et une revue. L’agent peut faire passer une opportunité de la découverte à un artefact testé sans prendre la décision finale sur le plan commercial ou relationnel.

Ce que la preuve montre — et ne montre pas

La preuve la plus solide du rapport est descriptive : OpenAI documente la manière dont trois startups ont structuré des workflows particuliers. Les chiffres de performance proviennent des entreprises elles-mêmes ou de l’analyse d’OpenAI, et la source ne fournit ni validation indépendante, ni bases comparables entre entreprises, ni preuve que les mêmes résultats se transféreront à de plus grandes entreprises.

Néanmoins, ces cas identifient des choix de conception récurrents. Basis formalise un processus stable sous la forme d’une compétence réutilisable. Clay donne à un agent un contexte persistant et un rythme de mise à jour pour un travail qui évolue au fil du temps. Exa relie des signaux à des outils, des tests et une revue avant que quoi que ce soit n’atteigne la production ou un public externe.

OpenAI cite également des recherches montrant que, six mois après l’adoption, les employés en début de carrière envoyaient 13 messages de plus par semaine que les cadres. L’entreprise utilise ce constat pour soutenir que les employés les plus proches du travail quotidien devraient avoir la possibilité de tester de nouvelles applications. Cette conclusion est plausible, mais l’expérimentation ne créera de la valeur durable que si les équipes capturent le processus sous-jacent, les preuves, les contrôles et la responsabilité.

Ce que cela signifie pour les créateurs et les entreprises

Pour les créateurs d’IA, le rapport rappelle que le problème produit difficile n’est pas seulement la capacité du modèle. C’est la conception du workflow. Les agents ont besoin d’un accès fiable aux bonnes sources, de limites d’autorisation, de méthodes d’évaluation, d’une gestion des exceptions et d’une transmission claire aux humains. Sans ces éléments, l’automatisation peut accroître l’activité tout en rendant la responsabilité plus difficile à localiser.

Pour les entreprises, les exemples suggèrent de commencer par un workflow important plutôt que de tenter un vaste programme d’automatisation. Le candidat doit revenir assez souvent pour générer des retours et être suffisamment important pour justifier une refonte. Les dirigeants devraient désigner un responsable, établir une base de référence et suivre à la fois les résultats commerciaux et la charge opérationnelle liée à la revue du travail de l’agent.

Les cas montrent aussi pourquoi le déploiement doit s’étendre progressivement. Un agent qui résume l’activité d’un compte peut ensuite recommander des actions, préparer des changements ou ouvrir une pull request. Chaque étape augmente l’importance des autorisations, des preuves, des tests et des droits de décision. Le fait qu’un agent puisse effectuer une action ne signifie pas qu’il devrait le faire sans approbation.

Ce qu’il faut surveiller ensuite

Les prochains signaux seront de savoir si OpenAI ou les entreprises mises en avant publient des données de résultats indépendantes au-delà de l’usage des tokens et des gains de temps revendiqués. Les acheteurs d’entreprise devraient également surveiller des méthodes d’évaluation plus claires couvrant les taux d’erreur, la fréquence des exceptions, la charge de revue et le coût du maintien du contexte de l’agent.

Les équipes produit devraient examiner si Codex et des outils similaires obtiennent des contrôles plus solides pour les autorisations, les pistes d’audit, les compétences réutilisables et les tests inter-systèmes. Davantage d’exemples d’agents passant des recommandations à une exécution encadrée indiqueraient que le modèle devient opérationnel plutôt que promotionnel.

Perspective Creati.ai

Le rapport d’OpenAI est surtout utile lorsqu’on le lit comme une étude de cas sur la conception des workflows, et non comme la preuve que les agents d’IA apportent des gains uniformes aux entreprises. Basis, Clay et Exa Labs montrent différentes variantes du même principe opérationnel : l’automatisation devient plus précieuse lorsque le contexte, les outils, les preuves et le jugement humain sont conçus ensemble.

La question concurrentielle pour les entreprises natives de l’IA sera de savoir à quelle vitesse elles peuvent transformer des expérimentations réussies avec des agents en systèmes maintenables sans perdre le contrôle. Les équipes qui documentent la responsabilité, les autorisations, l’évaluation et les points de revue seront mieux placées pour faire évoluer l’exécution que celles qui mesurent l’adoption uniquement à la quantité de tâches demandées aux modèles par les employés.