Les entreprises natives de l'IA ne demandent pas conseil aux agents — Elles délèguent l'intégralité du workflow

Les dernières « Enterprise Signals » d'OpenAI montrent que l'IA d'entreprise évolue de l'assistance à l'exécution à des vitesses très différentes. Les entreprises pionnières —celles qui font partie des 10 % d'utilisateurs d'IA les plus importants— génèrent désormais 8,3 fois plus de jetons de sortie par utilisateur actif que les entreprises typiques, contre 2,6 fois en janvier. Cet écart croissant témoigne d'un changement opérationnel plus profond : les entreprises leaders connectent les agents au contexte et aux outils de l'entreprise, délèguent un travail plus substantiel et facilitent la répétition des workflows réussis. Pour les leaders, le véritable défi consiste à transformer cette profondeur en un travail auquel les gens peuvent faire confiance, mesurer et améliorer — tout en laissant de la place pour expérimenter des cas d'utilisation dont la valeur n'est pas évidente au premier essai.

📌 Cet article est basé sur deux recherches récentes d'OpenAI — Enterprise Signals: comment l'avantage des entreprises natives de l'IA s'accentue et Comment les entreprises natives de l'IA transforment les workflows en capacités opérationnelles. Nous avons résumé leurs conclusions ci-dessous et lié à la recherche originale tout au long de l'article.

Au cours de l'année écoulée, l'écart entre les entreprises qui ont réellement mis des agents d'IA au travail et toutes les autres s'est considérablement creusé. Le dernier rapport Enterprise Signals d'OpenAI a révélé que les entreprises faisant partie des 10 % d'utilisateurs d'IA les plus importants génèrent désormais 8,3 fois plus de jetons de sortie par utilisateur actif qu'une entreprise typique, contre seulement 2,6 fois en janvier. Cet écart ne tient pas à l'accès à de meilleurs modèles ; les entreprises pionnières et typiques utilisent les mêmes modèles sous-jacents. Il s'agit de la manière dont les équipes leaders ont organisé le travail de l'IA agentique autour des agents, du contexte et des outils.

Voici ce qui distingue les entreprises natives de l'IA des autres, selon les données et les études de cas d'OpenAI — et comment un espace de travail d'agents d'IA comme BridgeApp s'inscrit dans ce tableau.

L'IA d'entreprise est de plus en plus agentique

L'IA d'entreprise passe de la réponse aux questions à l'exécution réelle du travail. Ce changement a commencé dans le développement de logiciels, sous l'impulsion de Codex. Désormais, ChatGPT Work étend l'IA agentique au-delà de l'ingénierie, permettant aux employés de toute une organisation de passer de la demande d'aide à la délégation pure et simple de tâches substantielles.

En juin 2026, l'IA agentique (mesurée ici par les jetons Codex) représentait 64 % des jetons de sortie combinés de Codex et ChatGPT parmi les clients d'entreprise. ChatGPT et l'IA agentique fonctionnent sur les mêmes modèles fondamentaux sous-jacents — la différence réside dans la manière dont cette intelligence est appliquée.

ChatGPT aide les gens à poser des questions, à développer des idées et à résoudre des problèmes. L'IA agentique (Codex, ChatGPT Work) donne au modèle des outils pour agir directement sur votre ordinateur : elle peut rechercher des informations, éditer des fichiers et effectuer des tâches en plusieurs étapes de manière autonome ou sous supervision. Les tâches longues et complexes ont tendance à exiger beaucoup plus de calcul, ce qui explique pourquoi l'utilisation de jetons pour le travail agentique a augmenté si rapidement.

L'adoption des agents dépasse également largement le développement logiciel lui-même. Depuis février, le nombre d'utilisateurs actifs d'IA agentique en entreprise a augmenté de 108x dans le secteur juridique, de 41x dans les ventes et le recrutement, et de 26x dans le marketing, contre « seulement » 5x dans l'ingénierie. Le logiciel a été le premier domaine où les agents IA se sont implantés car il dispose d'un contexte clair (code) et d'un signal clair de réussite/échec (tests). Cette même logique s'étend désormais à tout travail intellectuel qui peut être décrit avec la même précision.

L'écart entre les pionniers continue de se creuser

Chaque mois, OpenAI classe ses clients d'entreprise en fonction des jetons de sortie par utilisateur actif. Les entreprises pionnières sont les 10 % supérieures en termes d'utilisation mensuelle de l'IA ; les entreprises typiques se situent entre le 45e et le 55e centile. En juin, les entreprises pionnières généraient 8,3 fois plus de jetons de sortie par utilisateur actif que les entreprises typiques, contre un écart de 2,6 fois en janvier.

Cet écart se manifeste également d'une industrie à l'autre. Il est le plus large dans l'information et la technologie (11,7x) et le plus étroit dans la fabrication (5,3x). Les entreprises typiques, en revanche, se ressemblent assez d'une industrie à l'autre, et leur consommation de jetons n'a augmenté que modestement au cours de la dernière année — entre 1,9x et 2,8x. Cela indique quelque chose de précis : de nombreuses organisations utilisent encore l'IA comme un simple assistant de chat, et ont une réelle marge de progression en confiant aux agents des tâches plus complexes.

Ce qui distingue les entreprises pionnières

Un détail ressort de la recherche d'OpenAI : les entreprises leaders utilisent beaucoup plus souvent des capacités étendues — des compétences et des plugins qui donnent à un agent accès aux bonnes données et outils. Parmi les utilisateurs actifs des entreprises pionnières, 21 % utilisent des plugins et 19 % utilisent des compétences sur une base hebdomadaire, contre seulement 9 % et 3 % dans les entreprises typiques. En d'autres termes, les leaders ne font pas qu'ouvrir une fenêtre de discussion plus souvent, ils donnent systématiquement à leurs agents le contexte et la permission d'entreprendre des actions spécifiques.

Trois workflows réels : Basis, Clay et Exa Labs

Dans un article complémentaire, OpenAI explique comment trois entreprises — Basis, Clay et Exa Labs — ont transformé des expériences d'IA dispersées en workflows opérationnels durables. Le schéma est cohérent pour les trois : enseignez d'abord à un agent un processus stable, donnez-lui un contexte persistant à mesure que le travail évolue au quotidien, et seulement ensuite, laissez-le mener les opportunités à un résultat testé par lui-même.

• Basis (agents IA pour les cabinets comptables) a réduit l'intégration des nouveaux employés de deux heures à 30 minutes. Les nouvelles recrues ont un accès immédiat à un agent et à une compétence d'intégration pré-construite qui les présente à l'entreprise et configure les intégrations en arrière-plan.
• Clay (un moteur de revenus auto-apprenant pour les équipes de mise sur le marché) attribue à chaque compte un espace de travail persistant et un sous-agent dédié. Chaque sous-agent met à jour son dossier de transactions pendant la nuit à partir des enregistrements CRM, des e-mails, des appels et de Slack ; chaque matin, un agent coordinateur transforme ces mises à jour en une courte liste d'actions prioritaires pour le vendeur.
• Exa Labs (infrastructure de recherche pour les agents IA) dispose d'un agent qui surveille son écosystème pour les opportunités d'intégration, ouvre des demandes de tirage (pull requests), exécute des tests et rédige des résumés de mise à jour — tandis qu'un humain prend toujours la décision finale sur ce qui est réellement expédié à l'extérieur.

Dans les trois cas, l'agent n'est pas laissé sans surveillance. Les droits d'accès sont définis à l'avance, des points de contrôle sont intégrés et les résultats sont validés par des tests ou une révision humaine avant d'affecter quoi que ce soit en dehors du workflow.

Pourquoi cela nécessite une infrastructure, pas seulement une fenêtre de chat

Le fil conducteur des deux rapports d'OpenAI est le même : pour qu'un agent effectue un travail réel — et pas seulement réponde à des questions — il a besoin de trois choses à la fois : du contexte, des outils et la capacité de mener une tâche à son terme sans un va-et-vient constant avec un humain. De nombreux outils n'offrent qu'une de ces choses isolément. Le problème commence lorsqu'une entreprise essaie de les connecter entre eux — historique des tâches, permissions des outils, mémoire, validation des résultats et tentatives automatiques en cas d'échec — et découvre qu'il n'y a pas d'endroit naturel pour le faire. Fait à la main, cela se transforme en un tas de scripts et de connaissances tribales qui ne survivent pas aux vacances d'une personne.

C'est la couche entre « nous avons un modèle puissant » et « un agent possède réellement le processus de bout en bout » — et c'est ce qu'une plateforme d'orchestration d'agents IA comme BridgeApp est conçue pour combler.

Comment l'espace de travail de BridgeApp met cela en pratique

BridgeApp met les agents IA en production en tant qu'équipe à part entière — non pas un chatbot autonome, mais un workflow multi-agents géré où les tâches, le contexte, le travail des agents, la validation et les étapes suivantes se connectent en un seul processus au sein d'un seul espace de travail. Vous définissez les objectifs et les règles ; le contexte n'a pas besoin de se déplacer manuellement entre les étapes.

• Orchestration — Le tableau est le workflow lui-même, représenté comme un graphe dirigé. Les tâches s'exécutent strictement dans l'ordre, ne se dupliquent pas au déclenchement, et peuvent être annulées et redémarrées. Le travail continue après un échec — pas « comme ça » dans un script sur l'ordinateur portable de quelqu'un.
• Flux et automatisations — Des graphes d'exécution que vous décrivez vous-même : des nœuds typés avec un état conservé entre les étapes. Les exécutions se déclenchent sur un événement système ou un calendrier. L'historique de chaque exécution peut être consulté et vérifié — pas d'échecs silencieux.
• Multi-agents — Les sous-agents s'exécutent sur le serveur et en parallèle, chacun avec son propre historique enregistré, héritant exactement du contexte dont ils ont besoin. Limites intégrées sur la profondeur, les délais d'attente et les budgets de jetons/étapes.
• Mémoire — Mémoire au niveau de l'organisation pour chaque agent, privée ou partagée, avec un comportement sûr en cas d'échec. Nettoyée en arrière-plan pendant que l'agent est inactif — déduplique, résout les conflits, oublie les faits obsolètes.
• Compréhension du code — Un nouveau dépôt devient un graphe de code interrogeable : qui appelle quoi, chaînes d'appels, liens entre services, plus une documentation couche par couche. Les modifications atterrissent dans les bons fichiers au lieu de simplement paraître plausibles.
• Connaissance / RAG — Recherche dans votre base de connaissances avec contrôle d'accès par agent et re-classement des résultats. Les documents sont versionnés et re-découpés lors de la publication, de sorte que la connaissance reste à jour sans réindexation manuelle.
• Gouvernance d'accès — Les règles et les compétences s'appliquent par priorité ; l'accès aux outils passe par un mécanisme MCP multi-niveaux avec des pistes d'audit complètes, et les compétences se débloquent progressivement pour un agent. L'accès est accordé de manière centralisée — aucun employé ne peut discrètement étendre ses propres permissions.
• Exécution sécurisée — Le code s'exécute dans des micro-VM isolées. L'accès Git est émis à court terme et limité à une tâche spécifique ; les secrets sont chiffrés au repos. Chaque modification de permission est enregistrée dans la piste d'audit.
• Couche de modèle — Une seule couche au-dessus d'OpenAI, Anthropic, DeepSeek, Moonshot, Groq et d'autres, avec une profondeur de modèle et de raisonnement sélectionnable par conversation. Les tentatives automatiques avec un délai croissant vous offrent une résilience contre les pannes de fournisseur.
• Économie des jetons — Un préfixe d'invite stable en octets pour la mise en cache, une comptabilisation du cache par fournisseur et une compression soigneuse des longues conversations sans perte de sens — notablement moins cher par jeton qu'une boucle d'agent naïve.

Cela correspond presque directement à la question qu'OpenAI n'arrête pas de soulever dans ses recherches : comment faire en sorte qu'un agent fasse le travail, et pas seulement le suggère ? 

L'espace de travail de BridgeApp est la couche d'infrastructure — orchestration, mémoire, contrôle d'accès et exécution — qui transforme cette question d'une diapositive stratégique en quelque chose qu'une équipe peut réellement mettre en œuvre.