OpenAI a publié le mercredi 12 août 2026 deux documents sur l'usage de l'intelligence artificielle en entreprise. Leur constat converge : entre les organisations les plus intensives et la médiane, l'écart d'usage a triplé en cinq mois. En juin 2026, les entreprises de tête généraient 8,3 fois plus de jetons par utilisateur actif que les entreprises médianes, contre 2,6 fois en janvier. Tous ont accès aux mêmes modèles, mais pas la même aptitude à les mettre au travail. Ces chiffres viennent du fournisseur lui-même, qui a intérêt à montrer une adoption forte.

Deux publications, un fossé qui s'élargit

Le premier document, un rapport d'usage intitulé « Enterprise Signals », mesure la distance entre les 10 % d'entreprises les plus intensives chaque mois (les « frontier firms ») et la médiane. En juin 2026, ces entreprises de tête généraient 8,3 fois plus de jetons de sortie par utilisateur actif que les entreprises médianes, alors que le rapport n'était que de 2,6 en janvier (OpenAI, Blog du Modérateur). L'écart a donc triplé en cinq mois.

Il varie aussi selon le secteur. Dans l'information et la tech, les entreprises de tête consomment 11,7 fois plus de jetons que la médiane de leur secteur ; dans l'industrie manufacturière, le rapport tombe à 5,3 (Blog du Modérateur). Les entreprises médianes ne restent pas immobiles, mais elles avancent lentement. Leur volume de jetons a été multiplié par 1,9 à 2,8 sur un an, quand celui des entreprises de tête croît beaucoup plus vite. OpenAI ajoute que les entreprises de tête envoient environ deux fois plus de messages par siège attribué, signe d'un outil réellement intégré aux équipes plutôt que réservé à quelques utilisateurs isolés (OpenAI).

Le cadre retenu par OpenAI reprend une idée qu'il pousse depuis le début de l'année, celle d'un décalage entre ce que les modèles savent déjà faire et ce que les organisations parviennent à en tirer. La capacité brute des systèmes ne produit aucun effet tant qu'elle n'est pas insérée dans des flux de travail réels. Deux entreprises dotées du même abonnement peuvent donc afficher des usages sans commune mesure.

Ce que font différemment les entreprises de tête

Le deuxième marqueur porte sur le type d'usage. En juin 2026, Codex, l'outil agentique d'OpenAI, représentait 64 % des jetons de sortie générés chez les clients entreprise, ChatGPT se partageant le reste (OpenAI, VKTR). Là où ChatGPT répond à des questions et aide à rédiger, Codex agit : il manipule des fichiers, utilise des outils et exécute des tâches en plusieurs étapes. OpenAI y lit un passage de l'assistance à l'exécution, cohérent avec le repositionnement de Codex en plateforme tout-terrain que l'entreprise défend depuis le printemps.

La diffusion de ces usages agentiques est très inégale selon les métiers. Depuis février 2026, le nombre d'utilisateurs hebdomadaires de Codex a été multiplié par 108 dans les services juridiques, par 41 dans la vente et le recrutement, par 26 dans le marketing, par 24 dans la santé, par 20 dans la finance, mais par 5 seulement dans l'ingénierie (VKTR). L'outil conçu pour les développeurs se répand plus vite hors de son terrain d'origine que dedans.

Le même fossé se retrouve à l'échelle des individus. Au sein des organisations, les salariés du 95e centile d'usage envoient environ six fois plus de messages que l'employé médian et sollicitent davantage les capacités de raisonnement des modèles, à accès identique (OpenAI). La dispersion des usages n'oppose donc pas seulement des entreprises entre elles, mais aussi des équipes et des personnes à l'intérieur d'une même organisation.

Les fonctions les plus avancées restent l'apanage d'une minorité. Chez les entreprises de tête, 21 % des utilisateurs hebdomadaires recourent aux plugins, contre 9 % en moyenne, et 19 % aux « compétences », contre 3 % (Blog du Modérateur). OpenAI note aussi que ses propres salariés en début de carrière utilisent l'IA plus intensément chaque semaine que les cadres dirigeants, ce qui contredit les enquêtes déclaratives montrant d'ordinaire l'inverse (VKTR).

Des entreprises déjà plus grandes et plus riches

Le second document, une étude menée avec la Columbia Business School et Wharton, compare les entreprises cotées américaines qui ont adopté ChatGPT Enterprise à celles qui ne l'ont pas fait. Les premières étaient déjà nettement plus grosses avant même de s'équiper : chiffre d'affaires médian de 2,3 milliards de dollars contre 209,6 millions, effectif médian de 2 934 salariés contre 424, dépenses de recherche et développement de 113,1 millions contre 9,9 millions (Blog du Modérateur).

Ce résultat tempère l'idée d'une IA qui rebattrait les cartes entre firmes. Les organisations qui adoptent le plus vite sont aussi celles qui disposaient déjà du capital, des effectifs et de l'appareil de R&D pour absorber un nouvel outil et le déployer à l'échelle. Plutôt que de réduire les inégalités entre entreprises, la diffusion de l'IA pourrait les accentuer, l'écart d'usage venant se superposer à des écarts de taille préexistants. C'est aussi ce que suggère la comparaison sectorielle, où les branches déjà les plus numérisées affichent les fossés internes les plus larges.

Une lecture produite par le vendeur

Ces données émanent d'OpenAI, qui a un intérêt commercial direct à documenter une adoption forte et croissante de ses produits. Plusieurs limites méthodologiques invitent à la prudence. Le périmètre se restreint aux clients d'OpenAI : une entreprise absente de son parc n'apparaît nulle part, et rien n'est dit de l'usage des outils concurrents d'Anthropic, Google ou Mistral. L'étude universitaire repose sur 17 millions de messages issus de 1 764 organisations, dont un sous-échantillon de 521 entreprises cotées américaines, sur la période de janvier 2024 à mars 2026 (Blog du Modérateur).

Le lien entre usage et performance reste, lui, une corrélation. Les entreprises qui consomment le plus d'IA affichent de meilleurs indicateurs financiers, mais rien n'établit que ce soit l'IA qui les produise plutôt que l'inverse (VKTR). Les documents comptent des jetons et des taux d'adoption, pas un retour sur investissement, alors même que les montants engagés dans l'infrastructure de l'IA restent sans rentabilité démontrée.

Le fossé mesuré est donc un fossé d'usage, pas encore un fossé de valeur créée. Les prochaines vagues d'« Enterprise Signals » diront si le rapport de 8,3 pour un continue de s'élargir ou marque un palier.