OpenAI : comment les grandes entreprises passent l'IA à l'échelle grâce à la confiance, au contrôle et à la qualité

OpenAI a publié un guide succinct sur la façon dont les grandes entreprises font passer l'IA du stade de pilote à celui d'infrastructure de production. Conclusion principale : le passage à l'échelle ne bute pas sur l'accès à des modèles puissants, mais sur la confiance, la maîtrise, la refonte des processus et des standards de qualité clairs.

Il ne s'agit pas de lancer un modèle

Dans ce nouveau document, OpenAI a rassemblé des entretiens avec des dirigeants de Philips, BBVA, Mirakl, Scout24, JetBrains et Scania. Malgré la diversité des secteurs, de la santé et de la banque à l'e-commerce et au développement logiciel, leurs problèmes se sont révélés presque identiques. Le plus frappant est l'écart entre ce que les modèles actuels savent déjà faire et ce que les entreprises peuvent déployer en production en toute sécurité. OpenAI appelle cet écart le capability gap : les pilotes ne passent pas à l'échelle, les solutions s'empilent sur d'anciens processus et les expérimentations ne se traduisent pas en effet opérationnel.

D'où le changement clé d'approche. Les entreprises en pointe ne traitent pas l'IA comme une simple mise à jour logicielle ni comme un déploiement centralisé du haut vers le bas. Elles la traitent comme une nouvelle couche opérationnelle : elles construisent d'abord la confiance, associent sécurité, juridique et DSI dès la conception, et n'élargissent le périmètre qu'ensuite. Ce qui compte, ce n'est pas la vitesse pour la vitesse, mais la capacité à déployer l'IA de sorte que les salariés comprennent les limites, voient l'utilité dans leur travail quotidien et ne perdent pas en qualité là où une erreur coûte cher.

Cinq conditions pour passer à l'échelle

OpenAI dégage cinq schémas récurrents qui ont aidé les entreprises à passer de l'expérimentation à un effet durable. Ce n'est ni une liste de fonctionnalités ni le choix d'un modèle précis, mais plutôt un cadre de gestion autour duquel convergent des cas différents. Au centre : la culture, la maîtrise du processus et la volonté de freiner un lancement si la qualité n'est pas encore au niveau.

• La culture avant les outils : la formation et les expérimentations sûres comptent plus que l'achat massif de licences.
• La gouvernance comme accélérateur : sécurité, juridique, compliance et DSI sont impliqués au début, pas à la fin.
• L'appropriation plutôt que la consommation : les équipes ne se contentent pas d'utiliser l'IA, elles refondent leurs workflows autour d'elle.
• La qualité avant l'échelle : les critères du « bien » sont définis à l'avance et testés avant le lancement.
• La protection du jugement d'expert : l'IA renforce la relecture, le raisonnement et la prise de décision, et pas seulement le throughput.

On voit bien qu'il ne s'agit pas d'automatiser à tout prix. Scout24, par exemple, lors du lancement de sa recherche immobilière conversationnelle, a misé sur ses propres frameworks de test, inspirés d'OpenAI Evals, et a repoussé des sorties lorsque le système n'atteignait pas le seuil de qualité. Pour les entreprises des secteurs réglementés et sensibles, c'est presque une condition obligatoire : la confiance ne peut pas être « ajoutée plus tard » après un lancement raté.

« Définir ce que signifie “bien” avant de passer l'IA à l'échelle est d'une importance critique

: c'est la qualité qui transforme une expérimentation en quelque chose à quoi les utilisateurs font réellement confiance. »

Études de cas

L'exemple le plus parlant d'approche organisationnelle est Philips. Il ne s'agissait pas d'une petite équipe d'enthousiastes : l'entreprise a cherché à intégrer l'IA au travail quotidien d'environ 70 mille salariés dans la santé et la technologie. Plutôt que de présenter l'IA comme une compétence de niche, la direction a commencé par la culture de l'IA et la confiance des utilisateurs, et a formé les dirigeants seniors en premier.

Chez BBVA, une logique similaire a fonctionné via la gouvernance : un assistant interne au Pérou, utilisé par plus de 3 mille salariés, a ramené le temps moyen de traitement des demandes de 7,5 minutes à environ une. L'approche a ensuite été étendue : ChatGPT Enterprise est désormais déployé dans la banque auprès de plus de 120 mille salariés dans le monde.

Mirakl est allée encore plus loin en laissant les équipes construire elles-mêmes des agents et remanier les processus. Résultats : création de la documentation technique interne accélérée de 70 %, gain de 37 % d'efficacité du support avec 96 % de satisfaction client maintenue, et intégration des catalogues accélérée de 91 % avec environ deux fois moins d'erreurs.

JetBrains, de son côté, mise non pas sur la génération massive de code, mais sur des scénarios hybrides où l'IA aide le développeur à analyser, relire et concevoir. Quant à Scania, elle intègre l'IA directement dans les workflows opérationnels, des tâches d'ingénierie au service, plutôt que de la garder comme un outil séparé « sur le côté ».

Ce que cela signifie

Pour le marché, c'est un signal important : l'ère des expérimentations sur la « productivité personnelle » cède la place à l'IA au sein de processus métier de bout en bout et à des scénarios d'agents sous contrôle humain. Les gagnants ne seront pas ceux qui ont acheté en premier l'accès à un modèle, mais ceux qui ont appris à concevoir des workflows, à mesurer la qualité et à répartir la responsabilité du résultat.