La recherche d’OpenAI sur l’IA au travail constate que les emplois s’élargissent avant que les intitulés ne changent

La recherche d’OpenAI sur l’IA au travail a constaté une évolution marquante dans plus de 1,5 million de messages ChatGPT liés au travail. Les salariés ne se contentent pas de tester des tâches en dehors de leur métier. Certains reviennent à ces activités et les intègrent durablement à leur travail.

Cette distinction modifie le débat sur l’IA au travail. L’enjeu immédiat n’est pas seulement de savoir si l’IA supprime des postes ou améliore les tâches existantes. Il s’agit de déterminer si les employés acquièrent discrètement des responsabilités qui relevaient autrefois de spécialistes du marketing, d’analystes, d’ingénieurs ou de spécialistes de la relation client.

OpenAI décrit ce phénomène comme un élargissement des emplois. Pourtant, cet élargissement peut représenter davantage d’autonomie ou une hausse non reconnue de la charge de travail. Un salarié peut résoudre un problème sans attendre un autre service, mais aussi hériter de responsabilités sans formation, contrôle ou rémunération adaptés.

L’étude sur les tâches interprofessionnelles porte sur des utilisateurs de ChatGPT Business entre avril et juillet 2026. OpenAI indique que les messages ont été anonymisés et agrégés, et que les chercheurs n’ont jamais lu les conversations individuelles.

Sa principale conclusion est comportementale plutôt que spéculative. Parmi environ 6 200 salariés observés de manière continue, les tâches interprofessionnelles déjà tentées ont représenté une part croissante de leur activité d’IA propre à leur métier.

Ce résultat laisse penser que les fiches de poste pourraient prendre du retard sur l’évolution réelle du travail. Les salariés peuvent instaurer de nouvelles routines avant que les managers ne redéfinissent les rôles, mettent à jour les contrôles ou décident qui détient la décision finale.

C’est la tension centrale de cet article. OpenAI y voit un chemin allant de l’expérimentation vers des emplois plus larges. Les employeurs et les salariés doivent déterminer si ce chemin produit une autonomie utile, une compression risquée des rôles, ou les deux.

Ce qu’OpenAI a constaté dans 1,5 million de messages professionnels

Le changement important n’est pas que les salariés aient essayé des tâches inconnues, mais qu’une part significative y soit revenue.

OpenAI a examiné plus de 1,5 million de messages ChatGPT liés au travail, générés entre avril et juillet 2026. L’analyse prolongeait une étude antérieure sur la manière dont les employés franchissent les frontières professionnelles traditionnelles en utilisant l’IA.

Cette précédente analyse du chevauchement des tâches classait le travail en trois catégories : générique, relevant du métier de l’utilisateur ou relevant d’un autre métier. Le travail générique comprenait des activités largement partagées comme la rédaction courante, la synthèse et la planification.

Le travail interprofessionnel couvrait des activités historiquement associées à une autre profession. Parmi les exemples figuraient un spécialiste du marketing dépannant un logiciel, un commercial analysant des données clients ou un dirigeant de petite entreprise examinant un contrat.

OpenAI avait précédemment constaté que 16,8 % des messages liés au travail concernaient des tâches associées à une autre profession. Après exclusion des activités génériques, 43,5 % des messages propres à une profession relevaient d’un domaine autre que le métier identifié de l’utilisateur.

La nouvelle recherche examine ce qui s’est passé après ce premier chevauchement. Parmi les salariés observés pendant toute la période de quatre mois, les tâches interprofessionnelles déjà utilisées représentaient 13,1 % de l’activité d’IA propre à leur métier en avril.

En juillet, cette part était passée à 25,9 %. Cette hausse ne signifie pas qu’un quart de l’emploi de quiconque a changé. Elle décrit la composition de l’activité ChatGPT spécifique à une profession dans l’échantillon observé par OpenAI.

Une comparaison distincte a examiné si les salariés revenaient à la même tâche interprofessionnelle le mois suivant. Ceux qui avaient déjà utilisé une tâche y revenaient 23,6 % du temps.

Des salariés comparables sans utilisation antérieure observée n’exécutaient cette même tâche que 8,4 % du temps. Cette différence étaye l’existence d’un schéma de récurrence, sans toutefois établir que ChatGPT a causé ce comportement.

Le taux moyen de retour le mois suivant pour les tâches interprofessionnelles était de 18,5 %. Toutefois, la récurrence variait fortement selon l’activité.

Les échanges avec les clients au sujet de biens ou de services affichaient un taux de retour de 54 %. La rédaction publicitaire ou promotionnelle atteignait 44 %, tandis que la création de supports marketing atteignait 37 %.

Les explications d’informations financières revenaient beaucoup moins souvent, à environ 15 %. Cet écart est important, car il indique les domaines dans lesquels les salariés se sentent à l’aise pour étendre leur rôle.

La communication client et le travail promotionnel produisent souvent des contenus que les personnes peuvent réviser avant publication. Les explications financières peuvent avoir des conséquences plus importantes lorsque des erreurs parviennent à des clients, à des managers ou à des régulateurs.

Les résultats révèlent également des différences dans la manière dont les salariés demandent de l’aide. Les personnes utilisaient des prompts plus courts pour les tâches hors de leur profession que pour le travail relevant de leur domaine habituel.

Elles étaient moins susceptibles de demander des instructions, des conseils, des explications ou un format de sortie précis. En revanche, elles étaient plus enclines à fournir des exemples ou du contexte et à demander à ChatGPT de vérifier un élément.

OpenAI interprète cela comme le fait que les salariés empruntent une expertise au lieu d’étudier une discipline entière. Une personne apporte un problème concret, ajoute un contexte local et demande à l’IA d’appliquer des connaissances issues d’un autre domaine.

Ce comportement rapproche les tâches réalisées avec ChatGPT d’un centre de services informel. Le salarié ne devient pas avocat, ingénieur ou analyste. L’IA l’aide à faire avancer une question particulière sans transmission conventionnelle.

Cette évolution est importante, car un comportement répété peut devenir une pratique opérationnelle. Lorsqu’une tâche entre dans un workflow hebdomadaire, l’organisation doit décider si elle y a sa place et sous quels contrôles.

La recherche d’OpenAI sur l’IA au travail montre comment de nouvelles tâches deviennent des habitudes

L’usage récurrent fournit un mécanisme plausible de transformation des emplois, qui commence par des comportements individuels plutôt que par une restructuration formelle.

Le processus commence lorsqu’un salarié rencontre un problème qui dépasse les limites habituelles de son rôle. L’employé utilise l’IA parce qu’un spécialiste n’est pas disponible, qu’une transmission est lente ou que le problème semble gérable.

Si le résultat paraît utile, le salarié répète le processus. La répétition transforme une expérimentation isolée en workflow, en particulier lorsque la tâche survient fréquemment.

Ce mécanisme explique pourquoi l’élargissement des emplois lié à l’IA peut précéder de nouveaux intitulés. Les systèmes de ressources humaines évoluent lentement, tandis qu’un employé peut ajouter un prompt, un document et une étape de révision en quelques minutes.

Prenons le cas d’un chef de produit qui doit synthétiser des entretiens clients et préparer une mise à jour. Il peut aussi utiliser l’IA pour examiner les thèmes remontés par le support, rédiger un texte promotionnel ou dépanner une requête de suivi.

Aucun de ces ajouts ne crée nécessairement un nouveau poste. Ensemble, ils modifient toutefois ce que le chef de produit produit régulièrement et les équipes auxquelles il transmet moins de demandes.

Un commercial peut suivre le même schéma avec les données clients. La première demande peut être un calcul exploratoire, tandis que les demandes ultérieures deviennent partie intégrante de la préparation des comptes.

Un designer peut utiliser l’IA pour réviser un texte de campagne ou clarifier des exigences d’implémentation. Un dirigeant de petite entreprise peut alterner entre communication client, marketing et interprétation financière de base.

Ces exemples ne prouvent pas que les salariés maîtrisent les disciplines empruntées. Ils illustrent la manière dont l’IA réduit l’effort nécessaire pour tenter une tâche définie de manière étroite.

Le contexte semble central dans ce processus. OpenAI a constaté que les salariés fournissaient davantage d’exemples et de contexte lorsqu’ils travaillaient en dehors de leur profession.

Ce comportement suggère que le salarié apporte toujours des connaissances que le modèle ne possède pas. L’employé comprend le client, l’échéance, le document ou la contrainte organisationnelle, tandis que l’IA apporte un schéma transférable.

Cette relation relève davantage de l’augmentation que de l’automatisation complète. Les précédentes données sur l’augmentation d’Anthropic ont montré que 57 % des usages observés de Claude impliquaient une collaboration, contre 43 % classés comme de l’automatisation.

Anthropic a également averti que ses données représentaient les utilisateurs de Claude plutôt que le marché du travail dans son ensemble. Les conclusions d’OpenAI exigent la même distinction entre l’activité observée sur un produit et le comportement général de la main-d’œuvre.

Néanmoins, les deux programmes de recherche convergent vers une vision du changement fondée sur les tâches. Les emplois se composent de nombreuses activités, et l’adoption de l’IA peut s’y diffuser de façon inégale.

Certaines tâches reviennent parce qu’elles sont faciles à vérifier et s’intègrent aux routines existantes. D’autres restent rares parce que les erreurs coûtent cher, que les règles locales sont complexes ou que l’approbation humaine demeure indispensable.

Cette inégalité est importante pour toute personne qui conçoit un workflow d’IA. Un système utile doit préserver les documents, les décisions et le contexte qui rendent possible une révision ultérieure.

Les outils personnels peuvent aider les salariés à maintenir cette continuité. Un second cerveau IA structuré peut relier les demandes récurrentes aux documents sources qui les sous-tendent.

L’objectif ne devrait pas être une accumulation illimitée de tâches. Il devrait être un processus traçable dans lequel les salariés peuvent retrouver les éléments de preuve, comprendre les décisions antérieures et identifier les cas nécessitant l’examen d’un spécialiste.

L’étude d’OpenAI décrit donc plus que l’adoption des prompts. Elle montre comment l’unité du changement au travail peut être une activité répétée intégrée à un rôle qui, lui, demeure inchangé.

Ce mécanisme déplace l’attention de l’accès vers la conception. Donner un compte IA aux salariés lance le processus, mais ne détermine pas si l’usage récurrent devient un travail fiable.

Les managers doivent décider quels résultats nécessitent une révision, quelles sources sont autorisées et quelles décisions restent hors de l’autorité du salarié. Ces choix déterminent si l’élargissement du rôle devient une capacité ou une exposition au risque.

L’élargissement des rôles met sous pression le modèle de transmission aux spécialistes

Le travail interrôle récurrent remet en cause les organisations conçues pour orienter chaque problème inconnu vers une équipe de spécialistes.

Les organisations traditionnelles séparent les activités pour de bonnes raisons. Le marketing, la finance, le juridique, l’ingénierie et les opérations clients développent des expertises, des normes et des responsabilités distinctes.

Ces frontières créent aussi de l’attente. Une petite demande peut entrer dans une file d’attente, perdre son contexte lors du transfert et revenir une fois le moment initial passé.

Les tâches professionnelles réalisées avec ChatGPT réduisent le coût d’une tentative de réponse avant ce transfert. La personne la plus proche du problème peut rédiger, calculer, classer ou dépanner immédiatement.

Le premier rapport d’OpenAI a constaté un schéma de chevauchement plus marqué chez les utilisateurs moyens des espaces de travail plus petits. Les tâches hors de la profession représentaient 18,9 % de l’activité pour les utilisateurs d’espaces de travail comptant de deux à cinq sièges.

Cette part était de 16,3 % pour les utilisateurs d’espaces de travail de plus de 100 sièges. OpenAI a suggéré que les petites organisations disposent de moins de ressources spécialisées, ce qui rend l’assistance généraliste plus précieuse.

Cette interprétation correspond à la réalité opérationnelle des petites équipes. La personne qui découvre un problème en devient souvent responsable parce que personne d’autre n’est disponible.

Les grandes entreprises comptent davantage de spécialistes, mais elles font également face à des coûts de coordination. Un employé capable de préparer un meilleur premier brouillon peut réduire les renvois inutiles sans contourner la révision finale.

Le modèle mis sous pression n’est donc pas la spécialisation elle-même. C’est l’hypothèse selon laquelle chaque tâche de spécialiste doit rester entièrement cantonnée à un rôle de spécialiste.

L’IA peut séparer la préparation de l’autorisation. Un commercial peut examiner un jeu de données, tandis qu’un analyste valide la méthode. Un manager peut rédiger des questions sur un contrat, tandis qu’un conseil juridique formule le jugement de droit.

Cette répartition peut rendre le temps des experts plus ciblé. Les spécialistes reçoivent des demandes mieux formulées, un contexte plus riche et un artefact préliminaire plutôt qu’un problème mal défini.

Cependant, les organisations peuvent facilement faire mauvais usage de cette efficacité. Les dirigeants pourraient conclure qu’un salarié capable d’initier une tâche peut également en assumer la qualité, les risques et la maintenance.

Cette conclusion transforme l’élargissement des emplois par l’IA en compression des rôles. Plusieurs domaines se retrouvent concentrés dans un seul poste sans que les responsabilités antérieures soient supprimées.

La différence apparaît souvent dans la conception de la charge de travail. Si un employé ajoute l’analyse client, la rédaction de contenus marketing et le dépannage technique, quelles tâches précédentes disparaissent ?

Sans réponse explicite, l’entreprise n’a pas repensé le travail. Elle a simplement élargi le périmètre dont une seule personne se sent responsable.

L’utilisation récurrente peut également affaiblir les boucles d’apprentissage des spécialistes. Une équipe marketing peut ne plus voir les questions récurrentes des clients si les commerciaux produisent chaque réponse de manière indépendante.

L’ingénierie peut passer à côté de défaillances produit répétées si d’autres équipes les contournent par le dépannage. Les équipes juridiques peuvent perdre en visibilité sur des préoccupations contractuelles récurrentes si les employés ne demandent qu’une approbation finale.

Les organisations ont donc besoin de seuils d’escalade. La rédaction à faible conséquence peut rester proche du collaborateur d’origine, tandis que les décisions réglementées, irréversibles ou sensibles pour les clients doivent être confiées à des spécialistes.

Elles ont également besoin de dossiers partagés. Si chaque employé développe ses propres routines privées dans ChatGPT, l’entreprise ne peut pas facilement examiner ce qui a fonctionné, échoué ou les hypothèses qui se sont propagées.

Un flux de travail documenté donne aux dirigeants une meilleure base pour repenser l’organisation. Les équipes peuvent identifier les activités récurrentes entre plusieurs rôles, mesurer les besoins de révision et décider si une nouvelle responsabilité doit être intégrée au poste.

Pour les équipes produit, un flux de travail IA hebdomadaire propose un modèle pour maintenir le lien entre les sources et les résultats. Le principe général s’applique à toutes les fonctions.

L’objectif n’est pas de préserver chaque transfert historique. Il s’agit de conserver l’expertise, la responsabilité et l’apprentissage institutionnel, même lorsque la première réponse se rapproche du problème.

Les conclusions d’OpenAI mettent sous pression les dirigeants qui considèrent l’adoption comme un simple déploiement logiciel. La question managériale la plus pertinente est de savoir comment les responsabilités évoluent après que les employés ont développé des habitudes reproductibles.

Ce que les chiffres de récurrence ne permettent pas d’établir

L’étude identifie une tendance dans l’utilisation de ChatGPT, mais elle ne prouve ni la productivité, ni l’acquisition de compétences, ni une refonte durable des emplois.

Le jeu de données d’OpenAI offre une visibilité inhabituelle sur le comportement réel dans le produit. Il reste toutefois un échantillon observationnel de personnes utilisant déjà ChatGPT Business dans le cadre de leur travail.

L’échantillon ne représente pas tous les employés, métiers, entreprises ou produits d’IA. Le travail physique et les lieux de travail où l’accès à ChatGPT est limité ont peu de chances d’y être représentés proportionnellement.

Les professions ont été déduites des informations sur le rôle ou le service fournies lors de l’intégration à Business. Cette méthode est utile, mais les intitulés de poste et les libellés de service peuvent masquer des responsabilités hybrides.

Un product manager qui réalise une analyse client peut franchir une frontière professionnelle. La même activité peut déjà être attendue au sein de l’entreprise de cette personne.

Ce problème de classification apparaissait dans le premier rapport. OpenAI reconnaissait que son analyse ne pouvait pas distinguer pleinement le travail interfonctionnel nouvellement créé des responsabilités existantes assistées par l’IA.

La nouvelle étude apporte des éléments sur la récurrence, mais celle-ci ne résout pas cette ambiguïté. Une requête répétée peut refléter un véritable élargissement du poste, une ancienne tâche réalisée différemment ou un projet temporaire.

La période d’observation ne couvrait également que quatre mois. Cette durée suffit à identifier des comportements de retour, mais elle est trop courte pour établir un changement professionnel permanent.

La saisonnalité peut affecter le marketing, la communication client, la budgétisation et le reporting. Une tâche récurrente entre des mois consécutifs peut disparaître après une campagne ou un cycle de planification.

L’augmentation observée d’avril à juillet exige une interprétation particulièrement prudente. À mesure que les employés essaient davantage d’activités, le nombre de tâches susceptibles d’être comptabilisées comme déjà utilisées augmente.

OpenAI signale cette dynamique dans sa méthodologie. L’augmentation de la part est cohérente avec la formation d’habitudes, mais elle ne doit pas être considérée comme une estimation causale contrôlée.

La recherche mesure également les messages plutôt que les résultats opérationnels achevés. Elle ne montre pas si les résultats ont été acceptés, corrigés, écartés ou associés à des gains mesurables.

Le retour d’un employé vers une tâche peut signaler sa valeur. Il peut aussi refléter des difficultés répétées, des résultats insuffisants ou un processus nécessitant plusieurs tentatives.

Une expérience sur les modes de travail du NBER apporte un contexte utile à cette limite. Cette étude a attribué aléatoirement à des employés l’accès à l’IA générative dans des applications professionnelles courantes.

Elle a constaté que cet accès modifiait la manière dont les personnes répartissaient leur temps entre les activités. Toutefois, les études expérimentales d’accès et les analyses de journaux de messages répondent à des questions différentes.

Les expériences peuvent estimer des changements causaux dans des conditions précises. Les journaux produit révèlent des comportements naturels à une échelle bien plus large, mais avec moins de contrôle sur la sélection et le contexte.

Aucune de ces approches ne permet à elle seule de déterminer si l’élargissement des rôles améliore la qualité des emplois. Productivité, autonomie, apprentissage, stress et rémunération peuvent évoluer dans des directions différentes.

La question des compétences se pose également. Fournir du contexte et demander une vérification peut améliorer la réponse d’un modèle, mais cela ne confère pas au salarié le jugement d’un spécialiste.

Une explication financière soignée peut toujours contenir une erreur subtile. Une correction logicielle plausible peut introduire des problèmes de sécurité. Un texte marketing peut enfreindre une contrainte implicite de marque ou de réglementation.

Les activités les plus récurrentes dans l’étude d’OpenAI concernent principalement la communication et le travail promotionnel. Leur importance peut refléter une intégration facile plutôt que des performances fiables du modèle.

La moindre récurrence des explications financières suggère une autre possibilité. Les employés peuvent reconnaître que certains domaines exigent davantage de prudence, de contrôle ou de responsabilité.

Les organisations ne doivent pas interpréter la récurrence comme une autorisation automatique. Une activité utile peut toujours nécessiter un relecteur désigné, un ensemble de sources approuvées et une limite claire sur les décisions importantes.

La confidentialité constitue une autre considération. OpenAI affirme avoir exclu les données dont l’entraînement était désactivé ainsi que les messages dépourvus de classifications exploitables, tout en préservant l’anonymat grâce à l’agrégation.

Cela concerne le processus de recherche décrit dans le rapport. Les employeurs ont toujours besoin de leurs propres règles concernant les informations confidentielles, les données clients et les documents placés dans les systèmes d’IA.

La conclusion la plus défendable est plus limitée qu’une promesse de transformation de l’emploi. Certains employés utilisent de manière répétée ChatGPT au-delà des frontières professionnelles, et certaines tâches reviennent plus souvent que d’autres.

Cette conclusion mérite l’attention, car les routines précèdent souvent les changements formels. Elle n’établit pas si les emplois qui en résultent sont meilleurs, plus sûrs, plus productifs ou équitablement rémunérés.

Trois signaux montreront si l’élargissement des emplois par l’IA perdure

Le prochain test consiste à déterminer si les comportements interfonctionnels récurrents produisent des flux de travail responsables, une adoption plus largement mesurée et de meilleurs résultats professionnels.

Le premier signal est la persistance sur des périodes d’observation plus longues. La fenêtre de quatre mois d’OpenAI a capturé le début des comportements répétés, et non leur cycle de vie complet.

Les futurs rapports devront montrer si les mêmes activités restent présentes après six ou douze mois. Une récurrence durable renforcerait l’interprétation d’un élargissement des emplois.

Un déclin suggérerait que de nombreux usages n’étaient que des expérimentations temporaires, des besoins saisonniers ou des tâches que les employés ont finalement confiées de nouveau à des spécialistes.

La composition du travail récurrent compte également. Une concentration persistante sur la rédaction promotionnelle indiquerait un changement plus limité qu’un élargissement vers l’analyse, le travail technique ou les processus réglementés.

Le deuxième signal est de savoir si cette tendance apparaît au-delà des utilisateurs de ChatGPT Business. OpenAI, Anthropic, Microsoft et des chercheurs indépendants observent différentes populations à travers différents produits.

Des résultats convergents réduiraient la probabilité que la conception du produit ou la composition de la clientèle explique cette conclusion. Des divergences révéleraient comment les interfaces de modèles et les environnements de travail façonnent les comportements.

Les recherches d’Anthropic ont constaté une concentration de l’activité liée à l’IA dans le développement logiciel et l’écriture. Le travail d’OpenAI sur les croisements de rôles met en lumière le calcul financier, le dépannage technique, le marketing et les activités en contact avec les clients.

Ces perspectives sont compatibles, mais elles ne sont pas interchangeables. Chaque fournisseur observe les comportements à travers son propre produit, sa base d’utilisateurs, son système de classification et son processus de mesure respectueux de la confidentialité.

Les chercheurs devraient également distinguer les employés qui utilisent volontairement des outils de chat généralistes de ceux à qui leur organisation attribue des systèmes d’IA. La motivation et les attentes managériales peuvent affecter la récurrence.

Le troisième signal est la réponse organisationnelle. Les employeurs doivent montrer si les tâches interfonctionnelles répétées intègrent des flux de travail formels avec contrôle, formation et responsabilités ajustées.

Une fiche de poste révisée fournirait un indicateur visible. De nouveaux points de contrôle d’approbation, programmes de développement des compétences ou mesures de charge de travail apporteraient des preuves opérationnelles plus solides.

Les systèmes de rémunération et de promotion compteront également. Si les employés produisent un éventail plus large de résultats précieux, les organisations doivent décider si cette polyvalence est reconnue comme une progression des compétences.

Si les responsabilités s’élargissent sans reconnaissance, la même tendance peut produire une intensification du travail. Les employés assumeraient davantage de domaines tout en restant évalués selon leurs responsabilités précédentes.

La recherche d’OpenAI sur l’IA en milieu de travail rend ce choix managérial plus difficile à ignorer. L’accès à l’IA peut modifier la division du travail avant même que les dirigeants n’annoncent une restructuration.

Ce changement peut profiter aux employés lorsqu’il élimine des délais et leur donne davantage de contrôle sur les résultats. Il peut profiter aux spécialistes lorsque la préparation de routine leur parvient mieux organisée.

Il peut également créer des risques cachés lorsque le travail généré échappe au contrôle d’experts. Le facteur déterminant n’est pas seulement la qualité du modèle, mais la conception des responsabilités autour de chaque tâche récurrente.

Les travailleurs du savoir devraient commencer par identifier les activités assistées par l’IA qui sont discrètement devenues régulières. Ils devraient consigner les sources, relecteurs, corrections et conséquences associés à ces activités.

Les managers devraient poser une question complémentaire : quelle ancienne responsabilité a été réduite lorsqu’une nouvelle est entrée dans le flux de travail ? Si la réponse est aucune, l’élargissement est peut-être déjà en train de se transformer en surcharge.

L’étape suivante la plus utile consiste en un petit audit des usages récurrents de l’IA. Sélectionnez un mois d’activités répétées, séparez la préparation des décisions finales et identifiez les points de contrôle manquants.

Comparez ensuite les résultats avec le mois suivant. La tâche est-elle restée utile, a-t-elle réduit un transfert, nécessité moins de corrections ou simplement déplacé davantage de responsabilités sur un seul employé ?

OpenAI a identifié une voie crédible entre l’expérimentation et la routine. Les employés et les employeurs ont désormais besoin de preuves que ces routines améliorent le travail plutôt que de simplement l’élargir.