OpenAI B2B Signals

Nous vous présentons aujourd’hui B2B Signals, une extension professionnelle d’OpenAI Signals⁠ qui mesure la diffusion de l’IA au sein des entreprises. Les premiers signes sont clairs–: les entreprises de pointe prennent de l’avance non seulement parce qu’elles ont accès à l’IA, mais aussi parce qu’elles l’utilisent de manière plus approfondie dans l’ensemble de leurs activités.

B2B Signals est un ensemble récurrent de mesures basé sur une analyse à grande échelle, préservant la confidentialité, de l’utilisation de l’IA en entreprise. Il analyse les comportements et les tendances qui peuvent aider les organisations à comprendre comment transformer les informations en valeur ajoutée pour leur entreprise.

Les entreprises de pointe — celles qui se situent au 95e percentile de l’utilisation de l’IA — utilisent davantage d’intelligence par employé, adoptent des outils avancés de manière plus intensive et intègrent l’IA plus profondément dans les flux de travail. Pour certaines entreprises, l’écart commence à se creuser, et cette différence tient de plus en plus au degré d’utilisation.

Points clés

• L’avantage des entreprises de pointe commence à se renforcer : celles-ci utilisent désormais 3,5 fois plus de données par employé que les entreprises traditionnelles, contre 2 fois il y a un an. 
• Les entreprises de pointe utilisent l’IA de façon plus approfondie, pas seulement plus souvent: le volume de messages n’explique que 36 % de l’écart entre les entreprises de pointe et les entreprises traditionnelles. La majeure partie de l’avantage associé aux technologies de pointe découle d’un usage plus poussé. 
• Les flux de travail agentiques deviennent un marqueur de l’adoption des technologies de pointe: l’écart est le plus marqué dans les outils agentiques avancés, les entreprises de pointe envoyant 16 fois plus de messages Codex que les entreprises traditionnelles. 
• Les entreprises peuvent combler l’écart avec des changements organisationnels : Pour rattraper leur retard, elles doivent mesurer la profondeur d’utilisation, prioriser la gouvernance, investir dans l’habilitation, déployer à grande échelle ce qui fonctionne et passer d’une assistance basée sur le clavardage à des tâches déléguées à des agents.

L’avantage des entreprises de pointe commence à se renforcer, et celles qui exploitent l’IA le plus en profondeur accentuent leur avance

Le déploiement des licences n’est que le point de départ pour les entreprises. L’indicateur le plus clair est de savoir si les employés utilisent l’IA pour accomplir des tâches plus poussées et plus complexes. Ce graphique compare le nombre de tokens générés par employé dans les entreprises de pointe, situées au 95e percentile, à celui de l’entreprise traditionnelle, située au 50e percentile.

Les tokens sont une mesure imparfaite de la valeur commerciale. Une réponse courte peut avoir une grande valeur, tandis qu’une réponse longue peut en avoir peu. Mais le volume de tokens permet de mesurer la quantité de travail que les employés demandent à l’IA d’effectuer, ce qui en fait un indicateur indirect utile du degré d’utilisation de l’IA et du niveau de capacités d’IA que les employés sollicitent.

L’entreprise de pointe exige 3,5 fois plus d’intelligence par employé que l’entreprise traditionnelle. Cet écart s’est accru depuis avril 2025, où il était de 2 fois, ce qui suggère que les entreprises qui exploitent l’IA de la manière la plus avancée accentuent leur avance et sont mieux placées pour transformer les nouvelles capacités de l’IA en tâches plus complexes et à plus forte valeur ajoutée.

La majeure partie de l’avantage des entreprises pointe découle d’un usage plus poussé, plutôt que d’un volume de messages plus élevé

L’entreprise de pointe mobilise nettement plus d’intelligence par employé qu’une entreprise traditionnelle, mais l‘essentiel de l’écart ne s’explique pas uniquement par le volume de messages. Ce graphique décompose l’avantage de 3,5 fois des entreprises de pointe et constate que si l’entreprise traditionnelle envoyait des messages au même rythme que les entreprises de pointe, elle ne comblerait que 36 % de l’écart de 3,5 fois.

L’écart restant est lié à une utilisation plus poussée. Les employés des entreprises de pointe demandent à l’IA de prendre en charge des tâches plus complexes, fournissent aux modèles un contexte plus riche et génèrent des résultats plus substantiels.

L’avantage des entreprises de pointe est le plus important dans les outils avancés et agentiques, mené par une utilisation de Codex 16 fois plus élevée

L’avantage des entreprises de pointe est le plus important pour les outils qui soutiennent des flux de travail plus avancés. Codex montre l’écart le plus important, l’entreprise de pointe envoyant 16 fois plus de messages par travailleur. ChatGPT agent, les applications dans ChatGPT, la recherche approfondie et les GPT affichent aussi des écarts relativement importants, ce qui laisse croire que les entreprises de pointe tirent mieux parti des outils qui aident les travailleurs à coder, à déléguer des tâches en plusieurs étapes, à appliquer le contexte de l’entreprise et à mener des recherches plus complexes.

À l’inverse, des outils plus généraux et accessibles comme le téléversement d’utilisateur, la recherche et l’analyse de données montrent un avantage de pointe plus faible. Ces outils sont plus faciles à utiliser pour la plupart des entreprises parce qu’ils prolongent des flux de travail familiers. L’avantage des entreprises de pointe est le plus prononcé dans les outils avancés et agentiques, où l’adoption exige plus d’expertise, des liens avec les connaissances et outils du milieu de travail, et une plus grande aisance à déléguer du travail à l’IA.

L’avantage des entreprises de pointe est le plus important en éducation et apprentissage

L’avantage des entreprises de pointe est le plus important pour les tâches d’éducation et d’apprentissage, où l’entreprise de pointe envoie 7 fois plus de messages que l’entreprise type. À la frontière, les entreprises utilisent l’IA pour aider les employés à développer leurs compétences et à apprendre de nouveaux sujets. Elles utilisent aussi l’IA pour améliorer leur compréhension de l’IA elle-même, notamment ce qu’elle peut faire, comment bien l’utiliser et où elle peut s’intégrer aux flux de travail existants. L’ampleur de l’écart laisse croire que l’entreprise type sous-utilise peut-être l’IA comme outil d’apprentissage et de perfectionnement de la main-d’œuvre.

Le codage montre aussi un écart important de 4 fois, ce qui concorde avec l’écart plus large dans l’utilisation d’outils avancés et agentiques. Les guides pratiques ainsi que la rédaction et les communications affichent les plus petits écarts à la frontière, probablement parce que ces tâches sont des usages de l’IA plus accessibles et plus familiers.

L’utilisation de l’IA est la plus étendue en rédaction, mais l’utilisation propre aux fonctions progresse

La rédaction et la communication demeurent l’usage le plus courant de ChatGPT. Toutefois, les habitudes d’utilisation varient de façon importante selon la fonction. 60 % des messages en TI et sécurité sont concentrés dans les guides pratiques et procéduraux, presque la moitié des messages en développement logiciel et en science et ingénierie des données sont liés au codage, et un dixième des messages en finance portent sur l’analyse et le calcul.

Ces tendances concordent avec des données plus larges montrant que les modèles de pointe s’améliorent sur des tâches de travail économiquement utiles. GDPval⁠, une évaluation du travail du savoir réel dans 44 professions, mesure la performance sur des tâches qui produisent des extrants de travail pratiques comme des documents, feuilles de calcul, présentations, diagrammes et contenus multimédias. À mesure que l’IA devient plus capable, l’utilisation en entreprise semble s’étendre vers des tâches qui sont plus étroitement liées au travail de base de chaque fonction.

Le leadership sectoriel n’est pas unidimensionnel : différents secteurs mènent pour ChatGPT, Codex et l’API

Il n’existe pas de classement unique de l’adoption de l’IA. Les classements sectoriels varient selon la mesure utilisée. Les services professionnels, scientifiques et techniques arrivent en tête à la fois pour l’adoption de Codex et l’intensité de l’API, ce qui indique une utilisation relativement avancée dans les flux de travail des développeurs et intégrés aux produits. La finance et l’assurance dominent pour l’adoption de ChatGPT en raison de déploiements à grande échelle, tandis que les services éducatifs affichent l’intensité de messages la plus élevée, ce qui laisse croire à une utilisation plus poussée par personne. Le commerce de détail et les soins de santé se classent aussi haut en intensité de l’API, malgré des rangs plus faibles pour d’autres mesures.

Ces écarts laissent croire que le leadership sectoriel n’est pas unidimensionnel. Certains secteurs semblent adopter l’IA par l’entremise de flux de travail techniques et de développeurs, tandis que d’autres prennent de l’ampleur grâce à une large adoption de ChatGPT ou à une utilisation plus intensive par les utilisateurs finaux.

Les entreprises intègrent l’utilisation de l’API à des flux de travail de production et à des applications orientées client

Les entreprises s’appuient de plus en plus sur l’API pour intégrer directement des modèles dans leurs produits, services et systèmes internes. Parmi les cas d’usage courants en production, on trouve les assistants intégrés aux applications, les outils de programmation et de développement, le soutien à la clientèle, les flux de travail de recherche et l’automatisation des flux de travail.

Ces déploiements montrent comment l’IA en entreprise dépasse la phase d’expérimentation pour s’intégrer à des flux de travail reproductibles ayant un impact opérationnel mesurable. Dans tous ces exemples de clients, les entreprises utilisent les modèles d’OpenAI pour accélérer le travail intellectuel, améliorer le débit d’ingénierie et créer des expériences propulsées par l’IA pour les clients et les employés.

Ce que les organisations peuvent faire pour atteindre la frontière

OpenAI travaille avec des entreprises de tous les secteurs, de toutes les fonctions et de tous les stades de maturité en IA, ce qui nous donne une vue d’ensemble sur la façon dont l’adoption évolue, de l’expérimentation à la production. Dans l’ensemble de ces déploiements, les entreprises qui progressent le plus ont tendance à moins se concentrer uniquement sur l’accès et davantage sur les systèmes organisationnels nécessaires pour utiliser l’IA en profondeur : mesure, gouvernance, accompagnement, mise à l’échelle de l’impact et déploiement agentique.

Cinq pratiques se démarquent comme des mesures concrètes que toute organisation peut commencer à prendre dès aujourd’hui pour approfondir l’adoption de l’IA.

1. Mesurer la profondeur de l’utilisation en plus de l’accès.
   Le signal pertinent n’est pas seulement le nombre d’employés qui ont des comptes d’IA, mais aussi de savoir si les équipes utilisent l’IA de façon plus substantielle au fil du temps. Les organisations devraient suivre si l’utilisation de l’IA devient plus fréquente, plus complexe et plus étroitement liée à des flux de travail utiles.
2. Bâtir une gouvernance qui permet l’utilisation en production.
   Les entreprises de tête n’évitent pas la gouvernance. Elles s’en servent pour rendre l’IA agentique plus déployable. Les entreprises ont besoin de règles claires sur les endroits où les agents peuvent intervenir, les informations qu’ils peuvent utiliser, les moments où ils devraient conseiller plutôt qu’agir, et la façon dont les humains révisent les décisions à risque plus élevé. Les entreprises de pointe définissent ces normes dans le cadre du processus de déploiement, afin que la gouvernance devienne une façon d’élargir l’adoption de façon sûre plutôt que de la ralentir.
3. Traiter l’accompagnement comme une infrastructure de base, pas comme un projet secondaire.
   À mesure que les capacités de l’IA s’améliorent, tant les travailleurs que les organisations ont besoin de systèmes qui les aident à suivre le rythme. Les entreprises de pointe ne traitent pas l’accompagnement comme un effort ponctuel de formation. Elles intègrent l’apprentissage continu au déploiement grâce à de la formation propre aux rôles, des ateliers sur les cas d’utilisation, des hackathons, des réseaux internes de champions, du temps réservé à l’expérimentation et des dépôts partagés de flux de travail, de pratiques exemplaires et de compétences. 
4. Repérer vos équipes de pointe et accroître leur impact.
   Dans de nombreuses organisations, l’utilisation la plus avancée est concentrée dans un petit nombre d’équipes. Ces équipes peuvent révéler quels flux de travail, habitudes et modèles d’exploitation fonctionnent. Les dirigeants devraient repérer ces équipes, comprendre et étendre les conditions à l’origine de leur réussite, et les aider à partager avec le reste de l’entreprise des idées et des exemples d’utilisation plus approfondie de l’IA. 
5. Aller au-delà du clavardage pour déléguer du travail.
   L’IA d’entreprise passe des assistants conversationnels à un travail pouvant être délégué à des agents. Le génie logiciel illustre cette tendance, mais le travail délégué s’étend à l’ensemble des fonctions. Avec Codex, les ingénieurs peuvent confier une tâche définie, donner à l’agent le contexte dont il a besoin, le laisser travailler dans les fichiers, les bases de code et les outils, puis réviser le résultat et raffiner le flux de travail grâce à la rétroaction. Les entreprises de pointe encouragent les travailleurs à déléguer des tâches à l’IA plutôt qu’à simplement l’utiliser comme assistant statique.

Si vous souhaitez explorer l’ensemble des résultats ou découvrir comment intégrer l’IA à votre organisation de manière responsable, [nous serions ravis d’échanger⁠].