Le 22 octobre 2026, OpenAI et Uber ont annoncé conjointement l'extension de ChatGPT Work à l'ensemble des effectifs mondiaux d'Uber, soit environ 30 000 salariés. Ce déploiement fait suite à un pilote conduit avec 1 000 collaborateurs plus tôt dans l'année, dont les résultats ont convaincu la direction d'accélérer le calendrier sans attendre un plan de transformation IA formalisé.
Ce qui distingue ce cas de nombreuses annonces marketing sur l'IA en entreprise, c'est la transparence inhabituelle sur deux données clés : premièrement, 80 % des utilisateurs du pilote étaient des non-ingénieurs — finance, opérations, produit ; deuxièmement, Uber a délibérément choisi de ne pas imposer d'approche uniforme, laissant chaque équipe expérimenter à son propre rythme avant de formaliser des usages validés.
Ces deux constats changent le cadre de lecture habituel sur l'adoption de l'IA en entreprise. Ils suggèrent que les agents IA de productivité ne sont plus réservés aux équipes techniques — et que la diffusion organique dans les fonctions métier peut précéder, et parfois dépasser en valeur, les déploiements pilotés centralement par la DSI.
ChatGPT Work : un agent de productivité pour tâches longues
Un échelon au-dessus du chat classique
Lancé par OpenAI en juillet 2026, ChatGPT Work est une couche agentique ajoutée à ChatGPT Enterprise. Contrairement au chat classique, il est conçu pour prendre en charge des tâches multi-étapes sur une durée étendue : préparer un brief de réunion à partir de plusieurs documents, analyser un jeu de données exporté d'un ERP, générer un reporting hebdomadaire ou exécuter des séquences d'actions sur des applications tierces.
ChatGPT Work s'intègre nativement à Google Drive, Gmail, Slack, Notion et d'autres outils via des connexions OAuth standards. Il peut être configuré pour demander une validation humaine avant d'envoyer un message ou de modifier un document partagé — ce qui permet de l'utiliser sur des workflows sensibles sans risque d'action irreversible non supervisée.
Les cas d'usage documentés dans le pilote Uber incluaient : la recherche et synthèse d'informations stratégiques pour des décisions opérationnelles, la rédaction de supports de réunion à partir de notes disparates, l'analyse de données dans des tableurs, et la rédaction de communications internes à destination de plusieurs équipes. Des tâches que tout salarié de bureau connaît, et qui consomment plusieurs heures par semaine sans réelle valeur ajoutée cognitive.
De 1 000 à 30 000 : la mécanique du déploiement
Un pilote pluridisciplinaire, puis une extension rapide
Le pilote initial d'Uber comptait environ 1 000 collaborateurs volontaires répartis dans plusieurs départements. Sumanth Sukumar, VP Engineering d'Uber, a précisé à TechCrunch que la sélection des participants n'était pas centrée sur les profils techniques : l'objectif explicite était d'évaluer l'adoption dans des contextes métier variés, pas de valider les capacités de l'outil sur des cas d'usage purement techniques.
Les éléments jugés suffisants pour justifier l'extension à 30 000 salariés :
- Adoption spontanée dans les équipes finance, opérations et produit, sans formation préalable obligatoire.
- Identification de cas d'usage récurrents au-delà des expérimentations initiales — signe que l'outil s'intègre dans des workflows réels, pas seulement des démonstrations.
- Retours positifs sur le rapport temps économisé / qualité des sorties pour les tâches de synthèse et d'analyse.
L'extension à 30 000 salariés s'est faite par vagues, département par département. Aucune approche uniforme n'a été imposée : chaque équipe décide elle-même comment intégrer l'outil dans ses processus. Uber a préféré diffuser l'accès et observer les patterns d'usage naturels avant de standardiser des workflows recommandés.
Cette méthode n'est pas sans contraintes : elle génère une grande variété d'usages — et de données potentiellement envoyées à l'API OpenAI — difficile à auditer de manière centralisée. Mais elle maximise la probabilité de faire émerger des cas à forte valeur dans des métiers que la DSI n'aurait pas identifiés en priorité, et elle évite le syndrome du déploiement imposé que personne n'utilise vraiment.
80 % de non-ingénieurs : la vraie rupture de ce cas
L'IA de productivité change de profil utilisateur
Quand on lit qu'une grande entreprise déploie un outil IA à grande échelle, on imagine souvent des équipes de développeurs ou de data scientists comme premiers bénéficiaires. Le chiffre de 80 % de non-ingénieurs dans le pilote Uber remet ce réflexe en question.
Les usages observés dans les équipes finance, opérations et produit chez Uber font écho à ce que l'on observe dans les PME françaises qui ont franchi le pas de l'IA de productivité : les gains les plus rapides et les plus perceptibles ne viennent pas des tâches techniques, mais des tâches répétitives à forte composante rédactionnelle et analytique. Synthèse de documents épars, préparation de compte-rendus, rédaction de communications internes, analyse d'un export de données dans un tableur : des activités qui mobilisent du temps cognitif sans générer de valeur ajoutée distinctive.
Ce changement de profil des utilisateurs a des implications concrètes sur la façon de concevoir un déploiement IA :
- Formation : les profils non techniques ont besoin d'exemples de prompts concrets liés à leur métier, pas d'explications sur le fonctionnement des modèles de langage. La documentation doit être orientée cas d'usage, pas technique.
- Gouvernance des données : il faut définir quelles données peuvent être partagées avec un outil SaaS hébergé dans le cloud — données clients, données financières, informations contractuelles — avant le déploiement, pas au moment du premier incident ou de la première question du DPO.
- Mesure du ROI : les gains sont souvent diffus (temps économisé sur un email, une synthèse) plutôt que mesurables sur un KPI unique. Les indicateurs de pilotage doivent refléter cette réalité.
Pour les PME qui ont des équipes mixtes tech et métier, un agent IA de productivité est souvent plus efficace déployé d'abord côté opérations que côté développement. Nos projets d'automatisation métier sur mesure confirment ce constat terrain : les gains opérationnels sur des processus manuels récurrents se matérialisent plus vite que les gains sur le code.
Enseignements concrets pour les PME et ETI
Méthode pragmatique et points de vigilance
Voici les enseignements les plus actionnables pour les équipes qui envisagent un déploiement similaire, sans les ressources d'une multinationale :
- Commencer par un pilote resserré mais pluridisciplinaire. Inclure au moins un département métier (finance, RH, commercial, opérations) dès le pilote, pas uniquement les équipes IT ou produit. C'est là que les vrais usages émergent le plus vite.
- Ne pas attendre d'avoir une stratégie IA complète. Uber a délibérément laissé les équipes explorer sans doctrine préétablie. Une approche pragmatique — déployer, observer, tirer les enseignements — est souvent plus productive qu'un cahier des charges exhaustif qui ne correspondra plus aux besoins au moment du lancement.
- Définir les règles de données en amont. Quelles informations peuvent circuler dans un outil tiers hébergé dans le cloud ? Cette question doit être tranchée avant le déploiement : RGPD, confidentialité des données clients, protection des informations commerciales sensibles. Un cadre simple vaut mieux qu'une interdiction globale qui freine l'adoption.
- Laisser les usages émerger avant de standardiser. Attendre 3 à 6 mois d'usage organique avant de formaliser des guides ou des workflows officiels. Les meilleures pratiques viennent des utilisateurs, pas des consultants.
Si vous réfléchissez à déployer un outil interne sur mesure intégrant des capacités IA — ou à adapter ChatGPT Enterprise à votre contexte métier spécifique — l'expérience Uber montre qu'une adoption large est possible sans transformation préalable lourde de votre organisation. Contactez-nous pour en parler.
FAQ — 30 000 salariés d'Uber sur ChatGPT Work : 80 % de non-ingénieurs, aucune approche imposée — pilotage et premiers enseignements
Qu'est-ce que ChatGPT Work et en quoi est-il différent de ChatGPT Enterprise classique ?
ChatGPT Work est une couche agentique ajoutée à ChatGPT Enterprise en juillet 2026. Contrairement au chat classique qui génère des réponses à des questions ponctuelles, ChatGPT Work est conçu pour exécuter des tâches multi-étapes sur une durée étendue : il peut enchaîner des actions sur plusieurs outils connectés (Drive, Gmail, Slack), demander des validations humaines à des étapes clés, et délivrer un travail finalisé plutôt qu'une simple réponse textuelle.
Pourquoi Uber n'a-t-il pas imposé une approche uniforme à ses 30 000 utilisateurs ?
La direction d'Uber a choisi délibérément de diffuser l'outil et d'observer les patterns d'usage naturels avant de formaliser des workflows recommandés. Cette approche permet de faire émerger des cas d'usage à forte valeur dans des métiers que la DSI n'aurait pas identifiés en priorité. Elle présente aussi un risque : hétérogénéité des usages et difficulté à auditer les données partagées de manière centralisée. Uber a accepté ce compromis pour maximiser l'adoption et la découverte de valeur.
Comment protéger les données confidentielles de l'entreprise lors d'un déploiement de ChatGPT Work ?
Plusieurs mesures s'imposent avant tout déploiement : définir quelles catégories de données ne peuvent pas transiter dans un outil SaaS tiers (données clients nominatives, informations financières sensibles, données contractuelles), configurer les intégrations OAuth avec des droits minimaux (lecture seule quand la lecture suffit), et former les utilisateurs à ces règles avec des exemples concrets plutôt que des interdictions vagues. OpenAI publie ses conditions d'utilisation données pour l'enterprise — elles doivent être lues par le DPO avant tout déploiement.
Quels sont les cas d'usage les plus courants de ChatGPT Work dans les équipes non techniques ?
D'après le retour d'expérience du pilote Uber, les cas les plus fréquents sont : la synthèse de documents multiples pour préparer une réunion ou une décision, la rédaction de communications internes ou de rapports à partir de notes disparates, l'analyse d'exports de données (tableurs, CSV) pour produire des insights opérationnels, et la préparation de présentations ou de supports de formation. Ces tâches sont communes à la quasi-totalité des fonctions support d'une entreprise.
Une PME peut-elle déployer ChatGPT Work sans équipe IT dédiée ?
Oui, ChatGPT Enterprise — et par extension ChatGPT Work — est conçu pour être déployé sans développement spécifique. Les intégrations avec Google Workspace, Microsoft 365 et Slack se configurent via OAuth en quelques minutes. La principale condition préalable n'est pas technique : c'est de définir les règles de gouvernance des données et de former les utilisateurs aux cas d'usage métier pertinents. Le tarif ChatGPT Enterprise est disponible sur devis ; une PME de moins de 50 personnes peut envisager des alternatives plus accessibles comme ChatGPT Team.