Les agents Codex d'OpenAI dominent désormais son utilisation interne de tokens d'IA

OpenAI affirme que Codex génère désormais 99,8 % de ses tokens de sortie hebdomadaires internes, un renversement mis en lumière par un récent article de Google News sur les dépenses d'IA en entreprise.

Ce chiffre ne montre ni les dépenses, ni les revenus, ni la productivité. Il mesure les tokens de sortie, c'est-à-dire les fragments de texte générés par un modèle, au sein de l'entreprise qui commercialise cette technologie. Il reflète néanmoins un changement majeur dans la manière dont les employés d'OpenAI utilisent l'IA.

ChatGPT réalisait autrefois la majeure partie du travail interne assisté par IA. Codex, un agent capable d'exécuter des tâches plus longues et d'utiliser des outils, domine désormais l'activité dans l'ingénierie, le juridique, la finance et le recrutement.

L'enjeu principal n'est plus OpenAI face à un autre fournisseur de modèles. Il s'agit désormais de l'assistance conversationnelle face au travail délégué à des agents. Un chatbot répond à une demande, tandis qu'un agent peut examiner des fichiers, appeler des outils, revoir son approche et fonctionner pendant des minutes ou des heures.

OpenAI présente cette transition comme la preuve que le travail productif se déplace vers les agents. Cette même transition rend également la consommation d'IA plus difficile à prévoir, à attribuer, à sécuriser et à évaluer.

Les acheteurs en entreprise sont donc confrontés à une question plus précise que ne le laisse entendre le titre de Google News. Ils doivent déterminer si l'augmentation de l'utilisation des tokens représente un travail délégué de valeur ou une boucle coûteuse qui génère de l'activité sans résultat équivalent.

Ce que montre réellement le basculement des tokens chez OpenAI

Les données internes d'OpenAI montrent une évolution comportementale décisive, mais elles n'établissent pas que chaque entreprise obtiendra les mêmes résultats.

OpenAI a publié son analyse le 12 août 2026. L'entreprise a étudié l'activité de Codex chez les clients individuels, les utilisateurs en organisation et au sein de ses propres effectifs.

Jusqu'en août 2025, l'employé moyen d'OpenAI consacrait moins de 10 % de ses tokens à Codex. ChatGPT restait l'interface par défaut pour l'utilisation interne de l'IA durant cette période.

L'équilibre a changé lorsque Codex a gagné des capacités d'exécution plus longues, de meilleurs modèles et la prise en charge des tâches parallèles. OpenAI indique que l'employé moyen produit désormais plus de 85 % de ses tokens de sortie via Codex.

Codex représente 99,8 % des tokens de sortie hebdomadaires à l'échelle de l'entreprise, selon les données d'adoption des agents d'OpenAI. L'écart entre ces deux chiffres est important.

Le premier chiffre décrit la répartition moyenne, pour un employé, entre l'activité sur Codex et ChatGPT. Le second reflète l'ensemble des tokens générés, qui est fortement influencé par les utilisateurs intensifs d'agents.

Les agents génèrent naturellement davantage de tokens que les conversations classiques. Ils relisent à plusieurs reprises le contexte, planifient des actions, examinent les résultats, appellent des outils et révisent leur travail.

Un même employé peut aussi exécuter plusieurs agents simultanément. La part des tokens de sortie mesure donc l'activité informatique, et non directement le nombre de travailleurs ou de missions terminées.

Les utilisateurs internes les plus intensifs d'OpenAI illustrent cette différence. En juin 2026, les employés situés au 99e percentile produisaient régulièrement plus de 60 heures de tours d'agents Codex par jour.

Ce chiffre ne signifie pas qu'une personne travaillait pendant 60 heures. Il reflète plusieurs agents fonctionnant en parallèle, tandis que leur opérateur humain orientait ou examinait le travail.

Les tâches plus longues sont également devenues courantes parmi les utilisateurs individuels échantillonnés. En mai 2026, 80,6 % avaient soumis au moins une demande Codex qu'OpenAI estimait représenter plus de 30 minutes de travail humain.

Par ailleurs, 70,2 % avaient soumis une demande estimée à plus d'une heure. Un autre groupe de 25,6 % avait soumis au moins une demande estimée à plus de huit heures.

Ces estimations portent sur l'effort humain associé à une tâche, et non nécessairement sur le temps d'exécution de l'agent ou sur la quantité de travail éliminée. La méthode de classification d'OpenAI ne peut pas non plus prouver que chaque résultat généré a été accepté ou utile.

Même avec ces limites, la direction est claire. Les utilisateurs demandent à l'IA de prendre en charge des unités de travail plus importantes au lieu de solliciter des réponses isolées.

Une interaction de chat peut produire un résumé, un brouillon ou un extrait de code. Un agent peut examiner un dépôt, modifier plusieurs fichiers, lancer des tests, interpréter les échecs et tenter des corrections.

Cette distinction explique pourquoi l'activité d'IA en entreprise peut croître bien plus vite que les effectifs ou le volume de messages. Chaque tâche déléguée comporte plusieurs interactions avec le modèle, masquées derrière une seule demande utilisateur.

C'est le renversement central de cet événement. Le prompt visible devient une part plus petite du travail, tandis que l'exécution autonome absorbe une part plus importante du calcul.

Pour les organisations, cela change la signification de l'adoption de l'IA. Compter les licences et les messages ne décrit plus la profondeur avec laquelle les modèles participent au travail opérationnel.

Cela modifie également la frontière des risques. Un chatbot propose généralement une réponse, tandis qu'un agent peut effectuer des actions dans des systèmes connectés.

Cette autorité élargie fait de la conception des permissions, des journaux d'audit, des étapes de validation et des contrôles de coûts des éléments du déploiement. Ce ne sont plus de simples détails administratifs secondaires.

Pourquoi les signaux de Google News vont au-delà des chatbots

L'article de Google News est important, car les données d'OpenAI relient la hausse de la demande de tokens à la diffusion des agents au-delà de l'ingénierie logicielle.

Codex a commencé comme un produit associé au codage. Les ingénieurs ont été les premiers employés à transférer la majeure partie de leur utilisation d'OpenAI de ChatGPT vers l'agent.

L'ingénieur moyen d'OpenAI a franchi ce seuil en décembre 2025. OpenAI affirme désormais que l'ingénieur moyen génère 99 % de ses tokens de sortie via Codex plutôt que ChatGPT.

La transition la plus révélatrice s'est produite ailleurs. Les équipes juridiques, financières et de recrutement sont passées à une utilisation majoritaire de Codex vers avril 2026, après que les ingénieurs avaient déjà établi cette tendance.

OpenAI indique que l'avocat ou le recruteur moyen génère désormais plus de 85 % de ses tokens de sortie via Codex. Cela ne signifie pas que ces employés passent la majeure partie de leur journée à programmer.

Codex est plutôt devenu un environnement général d'exécution. Les utilisateurs non techniques l'emploient pour l'automatisation, l'analyse structurée, la transformation de données, le débogage et les outils internes.

La répartition professionnelle d'OpenAI renforce cette interprétation. Plus d'un quart du travail Codex généré par les employés occupant des fonctions métier relevait de catégories d'ingénierie ou de codage.

Dans la finance et les opérations métier, l'ingénierie ou le codage représentaient 31 % de la production Codex classifiée. Le travail de connaissance représentait 34 %, tandis que l'analyse financière comptait pour 16 %.

Pour les employés des produits, du marketing et des opérations, le travail de connaissance représentait 51 % de la production classifiée. L'ingénierie ou le codage en représentaient 25 % supplémentaires.

Ces catégories suggèrent que les agents abaissent la barrière pratique entre la demande d'un travail technique et sa tentative d'exécution directe. Elles ne montrent pas que les spécialistes ne sont plus nécessaires.

Un recruteur peut demander à un agent de transformer des données provenant de plusieurs sources en un flux de travail interne. Un employé de la finance peut lui faire rapprocher des fichiers, construire une analyse reproductible ou tester un petit outil.

L'employé reste responsable du contexte, du jugement, de l'autorisation et de la révision. Toutefois, le chemin d'exécution peut inclure du code sans exiger un projet logiciel classique.

L'adoption par les non-développeurs a progressé rapidement dans les trois populations étudiées par OpenAI. D'août 2025 à début juin 2026, le nombre hebdomadaire d'utilisateurs non-développeurs a été multiplié par 137 chez les utilisateurs individuels.

OpenAI a rapporté une multiplication par 189 chez les utilisateurs en organisation et par 12 au sein de ses propres effectifs. Ces multiplicateurs partaient de niveaux de référence différents ; ils ne doivent donc pas être comparés comme des niveaux d'adoption équivalents.

Ils étayent néanmoins la même conclusion directionnelle. L'utilisation des agents s'étend au-delà du public technique qui a adopté Codex en premier.

Cette tendance correspond également aux rapports plus larges d'OpenAI sur l'entreprise. Son étude sur l'utilisation en entreprise indique que le volume de messages ChatGPT a été multiplié par huit, tandis que la consommation de tokens de raisonnement par organisation utilisant l'API a augmenté d'environ 320 fois sur un an.

Cette étude antérieure couvrait plus que Codex. Elle incluait des données d'utilisation agrégées des produits d'entreprise d'OpenAI ainsi qu'une enquête menée auprès de 9 000 travailleurs dans près de 100 organisations.

OpenAI a également indiqué compter plus d'un million de clients professionnels et plus de sept millions de postes de travail. Près de 200 organisations avaient chacune traité plus d'un billion de tokens.

Ensemble, ces chiffres décrivent deux courbes d'adoption. Le volume de messages destinés aux humains augmente, mais le calcul au sein des flux de travail intégrés et à plusieurs étapes augmente beaucoup plus vite.

C'est pourquoi le chat devient une unité incomplète pour mesurer l'IA en entreprise. Un message peut déclencher une longue séquence d'inférence, de récupération d'informations, d'utilisation d'outils, de validation et de révision.

Ce basculement met sous pression plusieurs groupes à la fois. Les équipes financières doivent prévoir une consommation variable. Les équipes de sécurité doivent gouverner l'accès aux systèmes. Les managers doivent décider quel travail mérite une capacité continue.

Les employés sont également confrontés à une nouvelle forme de responsabilité opérationnelle. Exécuter de nombreux agents peut sembler productif, mais l'activité parallèle n'est pas la même chose qu'un travail achevé et accepté.

Les organisations auront besoin d'éléments partagés sur ce qui s'est passé durant l'exécution d'un agent. Une base de connaissances IA consultable peut préserver le contexte pertinent, mais elle ne peut pas remplacer les permissions ou une évaluation formelle.

L'opportunité est réelle. Les agents peuvent aider les travailleurs à franchir des frontières techniques et à achever des tâches qui restaient auparavant bloquées dans la file d'attente d'une autre équipe.

Le défi de gestion l'est tout autant. Les entreprises doivent identifier où cette autonomie produit une valeur reproductible et où elle ne fait que multiplier les appels au modèle.

L'assistance conversationnelle et l'exécution par agents obéissent à des économies différentes

Les agents font passer l'IA en entreprise d'un service largement rythmé par l'utilisateur à une charge de travail variable, dont la consommation dépend du comportement d'exécution.

Le chat traditionnel impose une limite naturelle à l'activité. Une personne pose une question, attend une réponse, l'évalue et décide si elle poursuit.

L'exécution par agent supprime certaines de ces pauses. Le système peut choisir l'action suivante, réinjecter les résultats précédents dans le contexte et continuer jusqu'à atteindre une condition d'arrêt.

Chaque cycle peut ajouter des tokens d'entrée, lorsque l'agent relit les instructions, les fichiers, les réponses des outils et l'historique accumulé. Les tokens de sortie ne capturent qu'une partie de cette charge de travail totale.

Les tâches longues rencontrent aussi des embranchements. Un agent peut essayer une implémentation, examiner une erreur, réviser son plan et lancer un autre test.

Ces nouvelles tentatives peuvent être productives, car le travail réel suit rarement parfaitement un premier plan. Elles peuvent aussi devenir du gaspillage lorsque l'agent ne dispose pas des informations, des permissions ou des capacités nécessaires pour terminer.

Cela fait du modèle le moins cher une réponse incomplète au contrôle des coûts. Un modèle moins capable peut utiliser moins de ressources par appel, mais exiger davantage de tentatives et de corrections humaines.

OpenAI avance cet argument dans ses conseils sur l'investissement en IA. L'entreprise recommande de mesurer les tâches achevées, le temps économisé, les décisions améliorées et les flux de travail prêts à passer à l'échelle.

L'entreprise indique que le prix par million de tokens a chuté de 97 % entre GPT-4 et GPT-5.4. Elle affirme également que GPT-5.6 a utilisé 54 % de tokens de sortie en moins sur un indice d'agents de codage et terminé les tâches 57 % plus rapidement.

Il s'agit des résultats de référence rapportés par OpenAI, et non d'une garantie pour la charge de travail de chaque client. Le contexte, les outils, les critères d'évaluation et les coûts d'échec propres à une entreprise peuvent modifier le résultat.

La baisse des coûts unitaires ne réduit pas nécessairement les dépenses totales. L’usage peut augmenter plus vite que l’efficacité ne progresse, en particulier lorsque les agents fonctionnent plus longtemps et opèrent simultanément.

Cette dynamique ressemble davantage au cloud computing qu’aux licences logicielles classiques. La demande dépend du comportement à l’exécution, de la conception des charges de travail, du choix des modèles, de la taille du contexte et des exécutions répétées.

Elle introduit également un problème de mesure. Un nombre élevé de tokens peut indiquer une automatisation utile, une tâche difficile, un contexte superflu, des échecs répétés ou un agent incapable de s’arrêter efficacement.

Des recherches indépendantes donnent aux acheteurs une raison d’aborder la consommation avec prudence. Une étude de 2026 examinant des tâches de programmation a révélé que les charges de travail agentiques utilisaient bien plus de tokens que le chat de code ou le raisonnement sur le code.

Les chercheurs ont signalé des écarts de consommation atteignant 1 000 fois dans leur cadre expérimental. Les exécutions d’une même tâche variaient jusqu’à 30 fois.

Une consommation accrue de tokens ne produisait pas systématiquement une meilleure précision. Les performances atteignaient souvent un sommet à un niveau intermédiaire, puis plafonnaient à mesure que la consommation augmentait.

L’étude a également constaté que les modèles peinaient à prédire leurs propres besoins en tokens. Les corrélations rapportées n’atteignaient que 0,39, et les estimations sous-évaluaient systématiquement l’usage réel.

Ces conclusions proviennent d’un ensemble particulier de tâches de programmation et de modèles. Elles ne doivent pas être généralisées sous la forme d’un multiplicateur universel applicable à tous les agents d’entreprise.

Elles montrent toutefois pourquoi un simple budget par prompt devient peu fiable. Une même demande peut produire des trajectoires d’exécution et des besoins en ressources sensiblement différents.

La réponse des entreprises est déjà visible. OpenAI a ajouté une vue consolidée de la consommation de crédits ChatGPT et Codex à sa Global Admin Console en juin 2026.

Les administrateurs peuvent examiner l’utilisation par utilisateur, produit et modèle. Ils peuvent également définir des paramètres par défaut pour l’espace de travail, des limites de groupe et des dérogations individuelles au moyen des outils de contrôle des dépenses de l’entreprise.

Databricks a introduit des contrôles similaires dans son Unity AI Gateway. Le système peut imposer des limites, détecter une consommation incontrôlée et recommander des modèles moins coûteux pour les tâches appropriées.

Cette couche de contrôle émergente révèle l’orientation du marché. Le seul accès aux modèles devient insuffisant pour un déploiement en entreprise.

Les organisations ont besoin d’attribution, de politiques, d’évaluation et d’intervention autour de cet accès. Elles doivent relier la consommation à une équipe responsable et à un processus métier défini.

La meilleure unité de mesure n’est donc pas le token. C’est le résultat abouti, conforme aux exigences convenues de qualité, de risque et de revue.

Pour un agent de programmation, il peut s’agir d’une modification acceptée qui passe les tests et la revue de sécurité. En finance, il peut s’agir d’un rapport rapproché avec des données d’entrée traçables.

Pour le recrutement, cela pourrait être un flux de travail qui réduit l’effort administratif sans prendre de décisions non autorisées concernant les candidats. Chaque résultat exige des preuves différentes.

Ce modèle économique favorise les flux de travail souvent répétés et pouvant être évalués clairement. Il pénalise les tâches vagues dont le succès dépend d’impressions subjectives.

L’évolution vers les agents ne rend pas la mesure des tokens inutile. Elle fait des décomptes de tokens un signal opérationnel parmi plusieurs, plutôt qu’un indicateur substitutif de la valeur métier.

Ce que les chiffres des tokens ne prouvent pas

Les chiffres spectaculaires d’adoption interne d’OpenAI montrent la demande et l’intensité, mais ils laissent sans réponse les questions de productivité, de qualité et de sécurité.

La première limite est celle de la sélection. OpenAI développe Codex, emploie des personnes à l’aise avec l’IA expérimentale et peut leur fournir un soutien produit particulièrement direct.

Son personnel ne constitue pas un échantillon représentatif des banques, hôpitaux, administrations publiques, fabricants ou petites entreprises. Ces organisations évoluent sous des contraintes techniques et réglementaires différentes.

OpenAI bénéficie également lorsque les clients interprètent une utilisation plus élevée comme la preuve d’une adoption plus profonde. Ses données méritent l’attention, mais les lecteurs doivent distinguer les comportements mesurés de la prédiction plus large de l’entreprise.

La deuxième limite concerne les tokens comme indicateur de réussite. Le volume de sortie montre que les modèles ont généré du texte ou du code. Il ne révèle pas ce que les utilisateurs ont réellement conservé.

Un agent peut produire un vaste patch qu’un développeur rejette. Il peut générer une analyse qu’un employé réécrit ou créer une automatisation qui n’atteint jamais la production.

Les estimations d’OpenAI concernant les tâches de longue durée comportent une réserve similaire. Une tâche classée comme représentant huit heures de travail humain ne permet pas automatiquement d’économiser huit heures.

L’utilisateur peut encore devoir consacrer du temps à préparer les données d’entrée, surveiller l’exécution, vérifier les sources, résoudre les erreurs et intégrer le résultat. Certaines tâches n’auraient peut-être pas été réalisées sans l’agent.

Cette production accrue peut néanmoins avoir de la valeur. Toutefois, le travail évité n’est qu’un avantage possible parmi d’autres, et il nécessite une mesure directe.

La troisième limite est la fiabilité. Les tâches plus longues créent davantage d’occasions d’erreurs, d’hypothèses obsolètes, de mauvais choix d’outils ou d’erreurs initiales affectant les étapes suivantes.

Les agents ayant accès aux systèmes d’entreprise créent également un périmètre de sécurité plus large. Une réponse erronée est nuisible, mais une action non autorisée peut être bien plus difficile à annuler.

Les autorisations doivent donc correspondre à la tâche, et non à la capacité maximale de l’agent. L’accès en lecture, l’accès en écriture, la communication externe et les actions irréversibles méritent des contrôles distincts.

Les équipes de sécurité ont également besoin de registres reliant une demande humaine à chaque action d’outil. Sans cette chaîne, la réponse aux incidents et la responsabilisation deviennent difficiles.

La surveillance des coûts peut créer une autre tension. Les entreprises ont besoin de suffisamment de visibilité pour identifier le gaspillage et les identifiants compromis, mais une surveillance détaillée des employés peut affaiblir la confiance.

Un administrateur peut avoir besoin de savoir qu’un flux de travail appelle à plusieurs reprises un modèle coûteux. Il n’a pas nécessairement besoin d’un accès illimité à des contenus sensibles.

Une bonne gouvernance sépare autant que possible les métadonnées opérationnelles du contenu métier. Elle définit également qui peut examiner chaque couche et dans quelles circonstances.

La quatrième limite concerne la généralisation au-delà de la programmation. Codex peut aider les non-développeurs, mais les données d’OpenAI montrent toujours que la programmation et l’ingénierie constituent des catégories majeures.

Le travail technique structuré offre une validation relativement claire. Les tests peuvent être exécutés, les fichiers comparés et les erreurs peuvent déclencher une nouvelle tentative.

L’analyse juridique, l’aide au recrutement, la stratégie et l’interprétation financière comportent souvent davantage d’exigences subjectives. Les erreurs peuvent persister plus longtemps parce que la validation automatisée est plus faible.

Cette différence rend l’évaluation des résultats plus importante à mesure que les agents entrent dans les fonctions métier. Les entreprises ne doivent pas supposer que la vitesse d’adoption équivaut à la préparation.

L’opinion publique a déjà évolué vers cette distinction. Une analyse des dépenses liées à l’IA publiée en juillet a décrit une résistance croissante au « tokenmaxxing », la pratique consistant à considérer une forte consommation comme une réussite.

L’analyste de Moody’s Vincent Gusdorf a averti que l’IA peut faciliter la création de travail dont une organisation n’a pas besoin. Cette critique vise directement la faiblesse des signaux de statut fondés sur les tokens.

Une forte consommation peut être rationnelle lorsqu’un agent produit un résultat précieux. Elle devient plus difficile à défendre lorsqu’aucun responsable ne peut relier l’activité à un résultat accepté.

La position sceptique juste n’est pas que les agents ne sont que des chatbots gaspilleurs. Les données d’adoption d’OpenAI sont trop substantielles pour être écartées de cette manière.

La conclusion la plus défendable est plus nuancée. Les agents élargissent la quantité et la portée du travail que l’IA peut tenter, tandis que les preuves de la valeur réellement obtenue en entreprise restent inégales.

Une entreprise devrait donc tester la thèse d’OpenAI dans son propre environnement. Cela exige des références de base, des jeux d’évaluation, les coûts de revue, les taux d’échec et des résultats mesurables.

Elle devrait également comparer un flux de travail agentique à des alternatives réalistes. Ces alternatives comprennent l’exécution humaine, les logiciels classiques, une interaction de chat plus courte et un modèle plus petit.

Ce n’est qu’alors que les dirigeants pourront déterminer si la hausse de l’utilisation des tokens représente un levier ou une friction. Les ratios internes d’OpenAI ne peuvent pas répondre à cette question à leur place.

Trois signaux que les acheteurs d’entreprise devraient surveiller ensuite

La prochaine phase sera déterminée par le reporting des résultats, la rétention des utilisateurs non techniques et les contrôles de sécurité, et non par un nouveau record de tokens.

Le premier signal est de savoir si les fournisseurs relient la consommation des agents aux résultats métier achevés. Les tableaux de bord d’utilisation mettent actuellement l’accent sur les crédits, les utilisateurs, les modèles et les tendances.

Ces vues aident les administrateurs à repérer une demande inattendue. Elles ne montrent toujours pas si un flux de travail a produit un résultat accepté.

Les acheteurs devraient rechercher un reporting lié aux modifications de code approuvées, aux cas de support résolus, aux analyses terminées ou à d’autres résultats spécifiques à leur domaine. Le coût par résultat accepté rendrait les comparaisons plus pertinentes.

Si les fournisseurs proposent une attribution crédible des résultats, l’argument d’OpenAI gagnera en force. Les entreprises pourraient financer des flux de travail très consommateurs lorsque la valeur produite est visible.

Si le reporting reste centré sur les tokens et le temps estimé, le scepticisme grandira. Les organisations auront du mal à distinguer un travail productif intensif d’un travail défaillant intensif.

Le deuxième signal est l’utilisation durable de Codex en dehors de l’ingénierie. OpenAI fait état d’une croissance frappante parmi les employés des services juridiques, de la finance, du recrutement, du marketing et des opérations.

La prochaine question est de savoir si ces utilisateurs continuent après les premières expérimentations. La rétention compte davantage qu’une hausse rapide à partir d’une faible base initiale.

Les entreprises devraient surveiller quelles tâches non techniques deviennent des flux de travail répétables. Elles devraient également suivre la fréquence à laquelle des spécialistes doivent sauver ou reconstruire du travail généré par les agents.

Une utilisation continue avec une qualité stable étayerait l’affirmation d’OpenAI selon laquelle les agents permettent aux employés de franchir les frontières fonctionnelles. Une baisse de la rétention suggérerait que la valeur la plus forte reste concentrée dans les équipes techniques.

Le troisième signal est la maturité des contrôles entourant l’action des agents. Les limites de dépenses arrivent rapidement, mais le coût ne représente qu’une partie du risque opérationnel.

Les organisations ont également besoin d’autorisations au niveau des tâches, de points de contrôle d’approbation, d’appels d’outils auditables, d’une isolation des identifiants et d’une interruption fiable lorsque le comportement sort des limites définies.

Ces garde-fous doivent fonctionner avec plusieurs modèles et outils. Les entreprises standardisent rarement tous leurs flux de travail sur un seul fournisseur pour toujours.

Les progrès sur ce point faciliteraient la justification d’une délégation plus large, notamment dans les secteurs réglementés. Des contrôles faibles ou fragmentés ralentiraient l’adoption, quelles que soient les capacités des modèles.

Ces trois signaux sont liés. Le reporting des résultats explique pourquoi un agent mérite des ressources. La rétention montre si les employés le trouvent utile une fois l’effet de nouveauté dissipé.

La sécurité et la gouvernance déterminent si l’organisation peut autoriser cet agent à effectuer un travail conséquent. L’absence de l’un de ces trois éléments peut empêcher un déploiement réussi.

Le titre de Google News reflète un véritable passage du chat aux agents, mais la part des tokens n’est que le début de l’histoire. Ce n’est pas le résultat final.

OpenAI a montré que ses employés délèguent de plus en plus des tâches longues et complexes à Codex. L’entreprise n’a pas démontré que 99,8 % des tokens de sortie produisent une part équivalente de valeur organisationnelle.

Les acheteurs d’entreprise devraient poser une question pratique avant de célébrer ou de restreindre cette consommation : quels résultats achevés sont devenus possibles, et quelles preuves démontrent qu’ils valaient le risque ?

Cette question offre un meilleur guide que le seul volume de tokens. Elle permet aux organisations d’étendre les flux de travail qui fonctionnent, de contraindre ceux qui dérivent et de juger l’adoption des agents sur les résultats plutôt que sur l’activité.