L’univers professionnel en expansion de ChatGPT révèle une gamme de tâches plus large
Le 26 octobre, OpenAI a publié des données couvrant 165 activités professionnelles dans près de 100 pays, offrant aux chercheurs une vision plus détaillée de l’usage grand public de ChatGPT. L’univers professionnel en expansion de ChatGPT décrit un éventail croissant de demandes. La tension centrale porte sur ce que ces demandes révèlent des changements économiques, notamment lorsque l’utilisation d’un outil et l’amélioration du travail correspondent à des résultats distincts.
Pour les employeurs, cette publication soulève une question pratique : dans quels domaines les employés trouvent-ils l’IA utile ? Pour les chercheurs, elle offre un moyen de relier l’activité conversationnelle à des catégories professionnelles établies. Aucun de ces publics ne devrait considérer l’évolution de la répartition des tâches comme une mesure directe de la productivité, du remplacement des travailleurs ou de l’adoption par les entreprises.
Les recherches d’Anthropic sur Claude offrent une comparaison utile, car elles suivent également la diffusion de l’usage de l’IA entre différentes tâches. Ensemble, ces efforts rendent l’IA au travail plus observable. Ils accentuent aussi la pression sur les fournisseurs et les acheteurs pour distinguer les preuves d’expérimentation des preuves de valeur durable.
Ce que mesure réellement l’univers professionnel en expansion de ChatGPT
Selon la publication d’OpenAI sur les activités professionnelles, la série trimestrielle couvre le premier trimestre 2025 au troisième trimestre 2026. Dans les 74 pays observés sur toute cette période, les dix principales activités représentaient en moyenne 51,1 % des messages professionnels classifiés, contre 56,0 % auparavant.
Cela représente une baisse de 4,9 points de pourcentage. Cette observation concerne la composition des messages professionnels, plutôt que la quantité de travail accomplie.
L’évolution de cette composition importe, car l’histoire de l’adoption peut différer sous les chiffres globaux. Un outil peut attirer davantage d’utilisateurs tout en servant des objectifs familiers. À l’inverse, son public existant peut commencer à lui soumettre une plus grande variété de problèmes. Il s’agit de formes d’expansion distinctes.
Cette publication crée une occasion d’étudier cette distinction. Les chercheurs peuvent examiner si les schémas d’activité évoluent de concert selon les lieux ou se développent différemment. La question utile devient alors de savoir quelles activités professionnelles entrent dans la conversation, plutôt que de déterminer si un pays semble simplement enthousiaste à l’égard de l’IA.
Le lien avec les professions passe par les Intermediate Work Activities, des catégories qui regroupent des tâches connexes dans différents emplois. OpenAI tire ces catégories d’O*NET, un cadre d’information sur les professions. Son modèle de contenu professionnel distingue les activités de travail des intitulés de poste, des exigences pour les travailleurs et des conditions de travail.
Cette distinction change l’unité d’analyse. Préparer une explication, évaluer des informations et organiser des contenus peuvent faire partie de professions différentes. Ne considérer que les intitulés de poste masquerait ces activités communes.
Prenons le cas hypothétique d’un employé préparant une présentation. La mission peut impliquer l’interprétation des retours clients, la vérification d’hypothèses financières et la rédaction d’un texte explicatif. Un intitulé de poste décrit l’employé de manière générale. Les catégories d’activité décrivent les différentes composantes de la mission.
Cette vision plus précise donne aux chercheurs un meilleur point de départ pour étudier où l’assistance s’insère dans un flux de travail. Elle laisse toutefois le processus environnant hors champ. Quelqu’un doit décider si la présentation répond à la question commerciale et si les éléments qui l’étayent résistent à l’examen.
La même prudence s’applique aux comparaisons dans le temps. Une baisse de la part d’une activité dominante ne prouve pas que les personnes l’effectuent moins souvent. D’autres activités peuvent simplement progresser plus vite.
Pour cette raison, l’univers professionnel en expansion de ChatGPT doit être lu comme une carte de l’évolution de l’attention au sein de la plateforme observée. Sa valeur réside dans sa capacité à orienter de meilleures questions vers certaines activités. Transformer cette carte en une explication des résultats économiques exige des preuves supplémentaires.
Les employeurs font face à un problème de mesure qui dépasse l’adoption
La pression immédiate s’exerce sur les employeurs qui doivent relier l’intérêt des employés à des résultats commerciaux fiables. Un éventail de demandes plus large étend le champ qu’ils doivent évaluer.
Une organisation peut approuver un outil d’IA sans comprendre où il apporte une aide réelle. Les employés peuvent l’utiliser pour explorer un sujet inconnu, améliorer un brouillon ou résoudre un problème analytique. Chaque activité crée une relation différente entre assistance, vérification et responsabilité.
La question de gestion dépasse donc l’accès. Un brouillon finalisé a peu de valeur opérationnelle si ses affirmations exigent des corrections importantes. Une réponse qui aide un employé à comprendre un problème peut créer de la valeur même si aucun texte généré n’apparaît dans le livrable final.
Ces possibilités suggèrent différentes mesures. Le temps de réalisation importe pour les missions répétitives. L’exactitude importe lorsque les erreurs ont des conséquences. L’apprentissage importe lorsque les employés doivent ensuite effectuer de manière autonome un travail similaire.
Un seul tableau de bord d’adoption ne peut répondre à toutes ces questions. Compter les comptes actifs établit la participation. Compter les messages établit l’interaction. Aucun de ces indicateurs ne prouve automatiquement que l’organisation a mieux mené une mission.
Des recherches indépendantes illustrent l’importance d’observer directement les résultats. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié un assistant conversationnel utilisé par des agents de service client. Leur étude sur la productivité au travail a mesuré le nombre de problèmes résolus par heure et a constaté des bénéfices variant selon le niveau d’expérience des travailleurs.
L’intérêt ici tient à la conception de la recherche. Le service client offrait un cadre défini, une intervention précise et un résultat opérationnel observable. Cela permet un type d’inférence différent de celui fondé sur la répartition des demandes d’une plateforme.
Un employeur qui consulte la nouvelle publication Signals devrait donc considérer les activités populaires comme des pistes à examiner. La popularité identifie ce que les employés essaient d’accomplir. Elle n’explique pas si l’approche actuelle réussit.
Prenons le cas hypothétique d’un responsable utilisant l’IA pour préparer un point d’avancement de projet. Produire un texte lisible fait partie de la mission. Établir quels jalons ont réellement pris du retard, quelles décisions restent ouvertes et quels engagements ont changé exige des documents à l’appui.
Si le brouillon présente ces faits de manière erronée, sa fluidité peut masquer du travail supplémentaire. Quelqu’un doit repérer l’écart, retrouver le contexte d’origine et réviser la mise à jour. Évaluer uniquement la vitesse de rédaction ignorerait cette charge.
C’est là que la gestion des connaissances personnelles devient pertinente dans la discussion plus large sur le travail. La qualité d’une réponse dépend en partie de la capacité des personnes à retrouver et à évaluer les informations qui la sous-tendent.
Ce lien n’établit aucune affirmation de performance pour remio ou tout autre produit. Il identifie une composante distincte du flux de travail : conserver des éléments utiles accessibles lorsqu’une décision doit être étayée.
Pour les acheteurs, l’implication pratique consiste à demander une description complète de la tâche. Qu’a reçu l’employé, qu’a produit l’assistant et quelles vérifications ont suivi ? Les réponses offrent une base d’achat plus solide qu’un volume d’activité impressionnant.
Les recherches sur Claude montrent pourquoi un usage plus large doit être interprété
L’univers professionnel en expansion de ChatGPT s’inscrit dans un effort existant visant à mesurer l’IA à travers les comportements observés. La recherche d’Anthropic sur l’adoption de l’IA offre une comparaison particulièrement pertinente.
Son rapport de mars 2026 a constaté que les dix principales tâches sur Claude.ai étaient passées de 24 % des conversations en novembre à 19 % en février. Anthropic a également décrit un déplacement de l’activité de programmation vers son interface développeur, ainsi que des changements dans les usages personnels et scolaires.
Une répartition plus large des tâches peut refléter plusieurs évolutions simultanées. La migration entre produits, la composition de l’audience et l’évolution des besoins méritent toutes d’être examinées avant de tirer une conclusion économique.
La comparaison avec Claude soutient une interprétation prudente des données de plateforme. Les personnes choisissent où effectuer une activité. Si une interface spécialisée devient plus adaptée, une activité peut quitter un produit de chat généraliste sans disparaître de l’écosystème élargi du fournisseur.
Les frontières entre plateformes deviennent ainsi significatives sur le plan économique. Une conversation grand public et un flux de travail logiciel automatisé offrent des visions différentes du travail. L’étude de l’un ou l’autre peut être utile, à condition que l’analyse explique ce qui reste hors de son périmètre.
Les jeux de données utilisent également des catégories et des populations différentes. La mesure d’OpenAI des activités professionnelles par pays et la mesure d’Anthropic des tâches conversationnelles ne constituent pas une compétition directe sur l’adoption de l’IA au travail. Comparer leurs pourcentages comme s’ils étaient équivalents créerait un classement trompeur.
Une meilleure comparaison porte sur les questions que chaque entreprise étudie. Les activités deviennent-elles plus variées ? L’expérience modifie-t-elle la manière dont les personnes utilisent l’assistance ? Les interfaces attirent-elles des missions différentes ? Ces questions aident à expliquer l’évolution de l’usage de l’IA sans désigner un fournisseur comme vainqueur.
Le rapport d’Anthropic a également associé une ancienneté d’utilisation plus longue à des interactions plus réussies, tout en reconnaissant d’autres explications possibles. Les utilisateurs expérimentés peuvent apprendre de meilleures stratégies. Les premiers utilisateurs peuvent aussi différer des arrivants ultérieurs de manière à influencer les résultats.
Cette incertitude importe pour les employeurs qui évaluent l’élargissement de l’usage professionnel de ChatGPT. Donner aux employés un accès et leur permettre de développer des habitudes utiles sont deux décisions organisationnelles distinctes. Un outil peut être disponible avant qu’une équipe sache quelles missions lui conviennent.
Du point de vue du produit, cela crée un problème d’interprétation exigeant. Une hausse des demandes peut signaler une découverte utile, une difficulté non résolue ou des tentatives répétées d’obtenir une réponse acceptable. L’interface enregistre l’interaction, tandis que le résultat peut se produire ailleurs.
Un analyste hypothétique peut demander plusieurs révisions parce que la mission est complexe. Un autre peut s’arrêter rapidement parce que la réponse répond au besoin. Un troisième peut abandonner l’outil après une réponse peu utile.
Le volume de messages seul ne permet pas de distinguer ces situations. Les comprendre exige des éléments sur l’objectif de la tâche, sa difficulté et ce qui s’est produit ensuite.
Le contexte concurrentiel renforce donc la tension centrale de l’article. Les fournisseurs peuvent décrire de plus en plus précisément le travail que les gens leur confient. Les acheteurs ont encore besoin de preuves sur le travail que les gens terminent.
Les meilleurs reportages préserveront les deux perspectives. Les données comportementales révèlent des tendances que les anecdotes individuelles ne peuvent établir. Les études de résultats vérifient si ces tendances se traduisent par des bénéfices dans des contextes précis. Chacune traite une partie différente de l’histoire de l’IA au travail.
Les différences entre pays remettent en cause une stratégie de déploiement universelle
La variation géographique rend moins convaincante une explication uniforme de l’IA au travail. L’importance d’une activité dans l’usage observé d’un pays ne prouve pas son importance dans l’ensemble de l’économie de ce pays.
Une part décrit une relation entre une catégorie et son groupe de comparaison. Si les demandes analytiques occupent une part plus importante du mélange observé, cela renseigne les chercheurs sur ce mélange. Établir pourquoi exige des preuves allant au-delà du pourcentage lui-même.
Plusieurs hypothèses méritent d’être testées. La composition professionnelle peut influencer les types de demandes que les personnes soumettent. La langue, l’accès, les règles organisationnelles et la familiarité avec l’IA peuvent également influencer la participation.
Ce sont des explications possibles, plutôt que des conclusions établies par la publication. Les distinguer est important, car chacune suppose une réponse différente de la part des employeurs et des décideurs publics.
Si une tendance reflète les métiers locaux, le choix des tâches devient central. Un programme de formation devrait porter sur les missions que les personnes réalisent réellement. Si l’accès explique une tendance, la formation seule ne résoudra pas la contrainte sous-jacente.
Si les règles organisationnelles façonnent la participation, l’utilisation informelle par les consommateurs ne peut révéler qu’une partie du tableau. Les employés soumis à des restrictions peuvent éviter certaines demandes ou utiliser des systèmes approuvés en dehors de la plateforme observée.
Les comparaisons entre pays devraient donc éviter de transformer un profil d’utilisation en jugement sur les capacités de la main-d’œuvre. Une activité peut être rare dans un jeu de données pour des raisons sans rapport avec la capacité des travailleurs à bénéficier d’une assistance.
Le même raisonnement s’applique au sein des entreprises multinationales. Une équipe centrale peut identifier un cas d’usage prometteur et supposer qu’il se transpose facilement. Les bureaux locaux doivent néanmoins évaluer la langue, les documents sources, le processus d’approbation et les attentes des clients qui entourent la mission.
Prenons un flux de travail hypothétique de communication avec les clients. Rédiger une explication ne constitue qu’une partie de la tâche. Le personnel doit aussi comprendre quelles politiques s’appliquent, quelles promesses il peut faire et quand un dossier doit être escaladé.
La capacité d’un modèle à produire un texte soigné ne tranche pas ces exigences locales. Évaluer le flux de travail consiste à vérifier si les employés reçoivent le contexte et l’autorité nécessaires pour utiliser ce langage de manière appropriée.
Pour les développeurs, les différences géographiques soulèvent des questions de recherche sur l’adéquation du produit. L’étape suivante utile consiste à étudier un besoin observé avec des utilisateurs locaux. Une tendance à l’échelle d’un pays peut guider cette enquête sans prescrire la fonctionnalité à développer.
Pour les travailleurs, les implications sont tout aussi précises. L’expérience d’une activité populaire ailleurs ne garantit pas que la même approche convient à une mission locale. Le test pertinent porte sur le travail réel et ses contraintes.
Le monde du travail en expansion de ChatGPT soutient donc une analyse plus différenciée de l’adoption. Une participation plus large ne doit pas produire des comportements identiques. Une technologie peut se diffuser tandis que les personnes l’adaptent à des objectifs distincts.
Cette interprétation modifie aussi la manière dont le succès devrait être discuté publiquement. Un récit universel invite à de vastes affirmations sur ceux qui sont en avance. Un récit fondé sur les tâches demande où l’assistance trouve sa place, ce qui empêche une adoption utile et quels résultats justifient de nouveaux investissements.
Ces questions exigent plus de travail qu’un classement par pays. Elles offrent aussi aux employeurs et aux chercheurs une voie plus claire vers des décisions qu’ils peuvent défendre.
Le travail manquant limite les conclusions sur l’emploi
OpenAI indique que le jeu de données couvre les formules individuelles de ChatGPT, à l’exclusion des messages d’entreprise et de Codex. Sa comparaison américaine place également environ 43 % des tâches cartographiées pondérées par l’emploi dans les « Other IWAs », en dehors des catégories rapportées individuellement.
Ces limites empêchent la publication de servir de recensement du travail ou de mesure du remplacement des emplois. L’activité absente est importante pour toute interprétation.
La méthodologie d’échantillonnage associée apporte des précisions supplémentaires. L’échantillon Signals plus large utilise chaque mois 1 million de messages de consommateurs et exclut les comptes soumis à certaines restrictions d’éligibilité ou d’utilisation des données. Des classificateurs automatisés attribuent des catégories comportementales, tandis que les protections de la vie privée ajoutent du bruit statistique.
Ces choix façonnent ce que les chercheurs peuvent observer. Un classificateur déduit la catégorie d’un message. Il n’interroge pas le travailleur, n’examine pas le livrable final et ne confirme pas qu’une action demandée a eu lieu.
La protection de la vie privée crée également un compromis d’interprétation. Les informations agrégées permettent d’étudier les tendances tout en protégeant les messages individuels. Les distinctions fines exigent de la prudence, en particulier lorsqu’un sous-groupe repose sur moins d’observations.
La réponse appropriée consiste à faire correspondre la conclusion à la mesure. Une tendance dans les demandes peut justifier une enquête sur la demande d’assistance. Établir un changement de l’emploi exige des données sur l’emploi.
Un emploi comporte des responsabilités qui n’apparaissent pas clairement dans une invite. Quelqu’un doit remarquer qu’un problème requiert de l’attention, obtenir les informations manquantes, coordonner avec des collègues et assumer la responsabilité du résultat.
L’assistance sur une composante peut modifier cet emploi sans le supprimer. Elle peut réduire l’effort, élargir la portée d’une mission ou introduire une nouvelle charge de vérification. La question de savoir quel effet prédomine reste empirique.
L’erreur inverse serait d’écarter la publication parce qu’elle ne peut répondre à toutes les questions sur le travail. Des données comportementales détaillées offrent un point de départ utile. Elles aident les chercheurs à identifier les activités qui méritent d’être étudiées de plus près.
Des recherches indépendantes sur la population apportent une autre perspective. L’étude sur l’adoption de l’IA générative d’Alexander Bick, Adam Blandin et David Deming a utilisé des enquêtes américaines représentatives à l’échelle nationale pour examiner l’utilisation au travail et à la maison. Cette approche aide à replacer les observations de plateforme dans une population plus large.
Les méthodes se complètent. Les enquêtes peuvent interroger sur les heures de travail et les expériences au-delà d’un fournisseur particulier. Les données de plateforme peuvent décrire les interactions sans dépendre entièrement de la mémoire d’un répondant.
Aucune méthode ne supprime le besoin d’une interprétation prudente. Les réponses aux enquêtes peuvent contenir des erreurs de déclaration. Les échantillons de plateforme peuvent omettre des populations importantes. Une concordance entre différentes méthodes renforcerait davantage la confiance que la répétition d’une même mesure.
Une lecture sceptique devrait donc se concentrer sur l’écart entre l’observation et le résultat. La publication n’établit pas indépendamment qu’un éventail plus large de demandes a produit de meilleurs résultats, des salaires plus élevés ou moins d’emplois.
Elle n’établit pas non plus que les activités absentes sont à l’abri de futurs changements. Leur absence décrit une limite de mesure. Prédire leur avenir nécessite des éléments supplémentaires sur les capacités, les conditions de déploiement et les décisions organisationnelles.
La conclusion défendable est plus étroite et utile : les chercheurs disposent désormais d’une base plus détaillée pour demander où l’IA destinée aux consommateurs recoupe le travail.
Trois signaux rendront la prochaine publication plus informative
La prochaine phase devrait relier l’ampleur, la cohérence des mesures et les résultats. Au cours des prochains mois, ce sont les signaux qui renforceront ou affaibliront l’interprétation d’un usage plus large sur le lieu de travail.
Premièrement, observez la persistance au sein de groupes comparables de pays et d’activités lors de la prochaine mise à jour de la série par OpenAI. Une tendance qui se poursuit avec des définitions cohérentes renforcerait l’idée que la composition évolue durablement.
Un renversement nécessiterait un examen plus approfondi. Des missions saisonnières, des changements d’utilisateurs ou des modifications de la manière dont l’activité est saisie pourraient expliquer un mouvement temporaire. Les chercheurs devraient étudier ces possibilités avant d’attribuer une tendance à des changements durables du travail.
Le calendrier de toute future mise à jour ne devrait pas être déduit de la publication actuelle. Le signal important est la comparabilité de la prochaine observation, quel que soit le moment où elle sera disponible.
Deuxièmement, surveillez l’apparition de liens plus clairs entre les conversations grand public, les systèmes d’entreprise et les interfaces spécialisées. Les publications des fournisseurs qui expliquent ces frontières faciliteraient l’interprétation de la migration entre produits.
Si l’activité baisse dans une interface tout en augmentant ailleurs, le récit global change. Ce qui ressemble d’abord à une baisse de l’intérêt pourrait au contraire refléter une meilleure adéquation entre une tâche et un environnement différent.
Des définitions cohérentes renforceraient cette analyse. Des catégories incompatibles laisseraient planer l’incertitude quant à savoir si les chercheurs observent un changement de comportement ou un changement de mesure.
Troisièmement, surveillez les évaluations indépendantes qui associent des activités particulières aux résultats du travail achevé. Parmi les mesures utiles figurent l’exactitude, l’effort de vérification, le temps d’exécution et le maintien de la capacité des employés à évaluer le résultat.
Des preuves d’amélioration sur l’ensemble de la mission renforceraient l’importance économique d’un usage plus large. Des preuves d’un travail de correction substantiel la nuanceraient. Dans les deux cas, les acheteurs seraient mieux armés pour prendre de meilleures décisions.
Ce dernier signal importe le plus aux personnes responsables de livrables concrets. Une gamme croissante de demandes rend l’IA pertinente pour davantage de missions. Elle ne supprime pas la nécessité de déterminer ce qui s’est passé après la fin de la conversation.
Pour les lecteurs qui évaluent le monde du travail en expansion de ChatGPT, commencez par une activité que vous reconnaissez dans votre propre emploi. Comparez la question posée par un employé aux éléments nécessaires pour terminer la mission. Demandez-vous où l’assistant contribue, où la vérification reste nécessaire et quel résultat justifierait la poursuite de son utilisation. Gardez ces questions liées au matériel source plutôt qu’à la fluidité de la réponse. Recherchez ensuite des études qui mesurent l’ensemble du processus, y compris les corrections et le jugement humain. La publication offre un point de départ pour cette enquête. Quelle activité observée deviendrait sensiblement plus précieuse si les chercheurs pouvaient montrer que les personnes l’ont réalisée avec plus de précision, moins d’effort et une responsabilité clairement attribuée ?
