Sarang Gupta, ingénieur chez OpenAI, aide les entreprises à trouver des clients et à accélérer leurs ventes

Le parcours de Sarang Gupta illustre l'évolution du rôle de l'ingénieur à l'ère de l'IA générative. Aujourd'hui, un bon profil technique n'est plus seulement requis dans une équipe de recherche, mais aussi là où l'entreprise explique la valeur du produit au marché, mesure l'efficacité des canaux et aide les clients à obtenir plus vite des résultats. Chez OpenAI, Gupta travaille à l'intersection des données, du marketing et des ventes : il crée des modèles qui aident les entreprises à attirer des acheteurs et à mieux comprendre ce qui alimente réellement la croissance.

Son intérêt pour ces questions remonte à bien avant OpenAI. Enfant, en Inde, il aimait démonter et réparer des objets du quotidien, et dès 11 ans il s'était tourné vers le logiciel. Il a appris Basic et Logo, écrit de petits programmes et même conçu une solution pour un restaurant local afin d'automatiser les commandes en ligne et la facturation.

Ce regard pragmatique n'a fait que se renforcer : au lycée, il a choisi la physique, la chimie et les mathématiques, mais il a toujours perçu l'ingénierie non comme une science abstraite, mais comme un outil qui doit fonctionner dans la vie réelle. Après son diplôme en 2012, il a donc intégré la Hong Kong University of Science and Technology, dans un double cursus associant génie industriel et gestion d'entreprise.

Ce mélange de technique et de commerce se voit dans ses premiers projets. Pendant ses études, Gupta a créé une application mobile qui aidait les étudiants à importer leur emploi du temps et à trouver des camarades avec qui déjeuner. Le projet n'a pas décollé, mais il lui a donné une expérience du développement produit. En parallèle, il a lancé une petite entreprise, Pulp Ads : elle imprimait des publicités d'associations étudiantes sur des serviettes et d'autres supports en papier pour les cafés du campus.

Après l'université, en 2016, il est entré chez Goldman Sachs, où il s'occupait des processus opérationnels liés aux transactions sur titres. Sa mission : repérer les goulets d'étranglement dans les flux de travail et les éliminer. Un cas marquant est l'automatisation du rapprochement des opérations de négociation : au lieu de vérifier à la main des tableurs et différents systèmes, il a conçu des outils internes qui récupéraient eux-mêmes les données, les validaient et ne signalaient que les cas problématiques. C'était un des premiers exemples de la façon dont un bon travail sur les données libère les gens de la routine et leur permet de se concentrer sur les décisions complexes.

Cette expérience l'a poussé à s'enfoncer dans la data science et l'IA. En 2019, Gupta a entamé un master de data science à la Columbia University, où il a misé sur l'apprentissage automatique appliqué, le deep learning et les réseaux de neurones. Parmi ses projets les plus importants, il cite le travail avec le Brown Institute et la rédaction du Philadelphia Inquirer.

L'équipe a créé des outils qui extrayaient des articles les mentions géographiques (rues, quartiers, comtés) et visualisaient la couverture du journal sur une carte. Cela a permis de repérer les « news deserts », c'est-à-dire les communautés auxquelles la rédaction accordait trop peu d'attention. Pour la presse, ce n'était pas qu'une expérience analytique, mais un moyen de répartir plus judicieusement les ressources de reportage.

Ce cas décrit bien le style de Gupta : ce ne sont pas les modèles en eux-mêmes qui l'attirent, mais les situations où ils changent les processus et produisent un effet mesurable.

Après son master, en 2020, il a déménagé à San Francisco et rejoint Asana comme product data scientist. Il s'est d'abord chargé des tests A/B des nouvelles fonctions, puis a dirigé le lancement d'Asana Intelligence, une initiative interne censée intégrer des capacités d'IA au produit en six mois. L'équipe a réussi à livrer plusieurs fonctions, dont des synthèses automatiques de projets, des alertes sur les risques et les retards, des recommandations d'étapes suivantes, et Smart Status, un outil qui rédigeait seul des points d'avancement à partir des tâches, des échéances et de l'activité du projet.

Ce qui compte n'est pas seulement le lancement, mais aussi le fait que l'équipe ait ensuite transformé ses acquis en frameworks réutilisables et en documentation, afin de lancer plus vite les fonctions d'IA au sein de l'entreprise.

Quand ChatGPT est arrivé sur le marché, l'axe de son travail est passé du développement de modèles maison à l'évaluation et au déploiement de grands modèles de langage. En septembre 2025, il a rejoint OpenAI.

Chez OpenAI, Gupta travaille dans l'équipe de data science, aux côtés de la branche go-to-market. Il est responsable de modèles qui aident à comprendre l'efficacité des canaux marketing, à déterminer ce qui contribue le plus au résultat et comment les entreprises peuvent mieux faire valoir ChatGPT et les autres produits auprès des clients. Ce n'est pas la partie la plus visible de l'industrie de l'IA, mais c'est l'une des plus concrètes : sans cette analyse, même un bon produit est plus difficile à faire passer à l'échelle.

L'histoire de Gupta compte parce qu'elle reflète un déplacement au sein même du secteur de l'IA. Une grande part de la valeur se crée non seulement là où l'on entraîne de nouveaux modèles, mais aussi là où on en fait un outil de travail compréhensible, où l'on mesure le retour sur investissement et où on les amène à un usage de masse. Pour OpenAI, ces profils servent de pont entre la technologie et le marché ; pour les autres entreprises, ils rappellent que l'adoption de l'IA ne commence pas par une interface à la mode, mais par un objectif clair, de bonnes données et de la discipline dans les processus.