L'agent data interne d'OpenAI : construit par 2 ingénieurs, utilisé par des milliers d'employés

OpenAI a déployé en interne un agent d'analyse de données qui sert 4 000 employés au quotidien. Le plus frappant : il a été construit par deux personnes en trois mois, avec 70 % du code écrit par l'IA. Et le vrai frein n'était pas la technologie — c'était les données.

On parle beaucoup d'agents IA en théorie. OpenAI vient de montrer ce que ça donne en pratique, chez eux, à grande échelle. L'entreprise a publié un retour d'expérience détaillé sur son agent data interne — un système qui permet à ses 4 000 utilisateurs (sur 5 000 employés) de poser des questions en langage naturel et d'obtenir des graphiques, des tableaux de bord et des rapports analytiques complets.

Le plus remarquable dans cette histoire n'est pas tant la technologie que les conditions de sa construction.

Deux ingénieurs, trois mois, 70 % de code IA

L'agent a été développé par deux ingénieurs en trois mois. Et 70 % du code a été écrit par l'IA elle-même. C'est un ratio qui mérite qu'on s'y arrête : il illustre concrètement comment les modèles de langage avancés permettent à de très petites équipes de construire des outils à fort impact, à une vitesse que les cycles de développement traditionnels ne permettraient pas.

Construit sur GPT-5.2, l'agent est accessible partout où les employés travaillent déjà : Slack, interface web, IDEs, Codex CLI et l'application ChatGPT interne d'OpenAI. Chaque requête fait gagner entre deux et quatre heures de travail par rapport à une analyse manuelle — un gain de productivité massif à l'échelle de l'organisation.

600 pétaoctets de données, 70 000 datasets

Pour comprendre la valeur de cet agent, il faut saisir l'ampleur du défi. La plateforme de données d'OpenAI couvre plus de 600 pétaoctets répartis sur 70 000 datasets. Rien que le fait de localiser la bonne table peut consommer des heures de travail pour un data scientist expérimenté. L'agent transforme cette recherche en une simple question posée en anglais courant.

L'insight clé : le frein, c'est la qualité des données

C'est peut-être l'enseignement le plus important de ce retour d'expérience. OpenAI — l'entreprise qui construit les modèles les plus avancés au monde — affirme que le principal obstacle au déploiement d'agents data efficaces n'est pas le modèle, mais la qualité des données sous-jacentes.

Des métadonnées incomplètes, des noms de tables cryptiques, des schémas incohérents, des données dupliquées ou obsolètes : c'est ce qui empêche un agent de fournir des réponses fiables. Avant même de penser à l'agent, il faut penser à la fondation sur laquelle il opère.

Ce constat est particulièrement pertinent pour les PME et ETI qui envisagent de déployer des agents data. Le modèle, vous pouvez l'acheter via une API. L'infrastructure de données propre et documentée, c'est vous qui devez la construire.

Pas de produit commercial (pour l'instant)

Fait intéressant : malgré le potentiel commercial évident, OpenAI n'a aucune intention de commercialiser cet agent tel quel. La stratégie est plutôt de fournir les briques de base — les modèles, les APIs, les outils de développement — et de laisser les entreprises construire leurs propres agents adaptés à leur contexte.

C'est un choix cohérent. Un agent data efficace est intimement lié aux spécificités du data warehouse qu'il interroge. Le généraliser reviendrait à perdre ce qui fait sa valeur : sa connaissance fine du contexte interne.

Ce qu'il faut retenir

Le cas d'usage d'OpenAI est un modèle inspirant pour toute organisation qui se demande par où commencer avec les agents IA. Deux ingénieurs, trois mois, un impact mesurable sur 4 000 personnes — c'est la preuve que le ROI des agents data est réel et atteignable, même avec une équipe réduite. Mais le message sous-jacent est tout aussi important : investissez dans vos données avant d'investir dans vos agents. Sans fondation solide, même le meilleur modèle du monde ne peut pas fournir de réponses fiables.