Uber déploie ChatGPT Work à 30 000 salariés : réussir le passage à l’échelle
Uber a annoncé le 22 octobre 2026 l’extension de ChatGPT Work à plus de 30 000 employés, après un pilote de 1 000 personnes. Le cas ne démontre pas encore les gains promis, mais il montre les composants indispensables d’un déploiement agentique à grande échelle : intégrations approuvées, bibliothèque de compétences, formation et mesure.
Du pilote ciblé à l’accès généralisé
Le passage de 1 000 à plus de 30 000 utilisateurs change la nature du programme. Dans un pilote, l’équipe centrale peut accompagner chaque cas et corriger rapidement une erreur. À l’échelle, les métiers, les pays, les niveaux de compétence et les données traitées se diversifient. La gouvernance doit devenir reproductible et compréhensible sans dépendre d’une poignée d’experts.
OpenAI présente ChatGPT Work comme un agent capable de mener des tâches en plusieurs étapes dans ChatGPT Enterprise. Uber prévoit des usages en opérations, finance, marketing et produit. Les développeurs continueront par ailleurs à utiliser Codex. Il s’agit d’un déploiement annoncé ; les entreprises disent qu’elles partageront plus tard des données d’adoption et de résultats.
Des connecteurs utiles, donc sensibles
L’agent peut se connecter à Google Drive, Gmail, Google Calendar et Slack afin de rechercher, préparer des réunions, créer des présentations, analyser des données ou exécuter des workflows. Cette continuité réduit les copier-coller, mais elle étend aussi le périmètre d’accès. Un droit excessif dans une application source peut être amplifié par une recherche transversale.
Le déploiement doit commencer par une matrice des données et des actions : quelles sources sont autorisées, pour quels groupes, avec quelles opérations et quelle durée ? Les connecteurs doivent respecter les droits existants, enregistrer les appels et pouvoir être désactivés séparément. Les communications externes, paiements, suppressions et changements de permissions conservent une validation humaine.
Une bibliothèque de compétences plutôt qu’une foire aux prompts
Uber prévoit une bibliothèque interne de compétences IA et des intégrations approuvées. Cette logique est transposable aux PME : documenter quelques modes de travail solides est plus utile que distribuer des milliers d’exemples. Une compétence doit préciser l’objectif, les données autorisées, la sortie attendue, les contrôles et les situations où l’agent doit s’arrêter.
Chaque modèle de travail a un propriétaire métier. Il est testé sur des cas normaux et des exceptions, puis versionné. Les équipes savent ainsi si un changement de modèle, de connecteur ou de politique modifie le résultat. Les bons exemples deviennent un patrimoine opérationnel ; les mauvais sont retirés au lieu de circuler dans des documents oubliés.
Former au jugement, pas seulement à l’interface
Une formation efficace ne s’arrête pas à rédiger une consigne. Elle apprend à choisir les données, vérifier une source, reconnaître une sortie incertaine et signaler un incident. Les managers doivent aussi comprendre que l’outil modifie la répartition du travail : certaines tâches raccourcissent, tandis que le contrôle, la documentation et la gestion des exceptions deviennent plus importants.
L’accès généralisé ne signifie pas que tous les usages doivent être autorisés au même moment. Un déploiement par niveaux — recherche interne, production de brouillons, actions réversibles, puis actions sensibles — permet d’augmenter l’autonomie à mesure que les preuves et les contrôles progressent.
Mesurer des résultats, pas l’enthousiasme
Le nombre d’utilisateurs actifs et de tâches lancées décrit l’adoption. Pour décider, il faut suivre le temps complet, les corrections, les erreurs, la satisfaction et le résultat métier. Un agent peut produire plus vite tout en augmentant le temps de relecture. Un indicateur de volume isolé masque ce déplacement.
Le déploiement annoncé par Uber montre une architecture de programme : plateforme commune, modèles et outils connectés, bibliothèque interne et formation. Il ne prouve pas encore un rendement. Pour une PME, la leçon consiste à préparer ces fondations avant d’élargir l’accès, puis à conditionner l’autonomie à des résultats observables.
Sources
Comprendre l’innovation. Mesurer son impact. Agir avec discernement.
Challenge Impact News décrypte les évolutions de l’intelligence artificielle et des nouvelles technologies, ainsi que leurs conséquences concrètes sur les entreprises, les métiers et notre société.
Sous la direction éditoriale de Cyril Darmon
Fondateur d’UMANIA, consultant, formateur et conférencier spécialisé en intelligence artificielle et en transformation des entreprises.
UMANIA — L’IA au cœur de l’humain. Un partenaire éditorial à l’origine de Challenge Impact News.
Commentaires