TechCrunch a enquêté auprès d'OpenAI et présente une série de chiffres qui opposent l'usage interne à l'usage externe : en juin de cette année, 98 % des employés d'OpenAI avaient utilisé Codex ; à l'extérieur de l'entreprise, seuls 17 % des utilisateurs disposant d'un abonnement organisationnel se servent d'outils de type agent, et chez les abonnés individuels, cette proportion tombe sous 1 %. À titre de comparaison, ChatGPT compte déjà plus d'un milliard d'utilisateurs en mode prompt classique, avec 20 millions d'installations de l'application de bureau.
Une entreprise qui considère les agents comme la prochaine génération de produit voit la quasi-totalité de son personnel les utiliser en interne, alors que presque aucun de ses clients ne le fait. Cet écart en dit plus sur le point où les agents restent bloqués aujourd'hui que n'importe quel benchmark.
Hors de la programmation, aucun critère de validation
Les ingénieurs qui utilisent des agents disposent d'un critère de jugement naturel : le code tourne-t-il, les tests passent-ils, la pull request peut-elle être fusionnée. Qu'une tâche soit accomplie ou non relève du binaire, et le fait qu'un utilisateur revienne dépend de si la première utilisation lui a vraiment fait gagner du temps. Le travail de bureau ne dispose pas d'un tel critère — qu'un compte rendu pour un client soit bien rédigé, qu'un planning soit correctement organisé, seule une relecture humaine permet de le vérifier, et c'est justement cette "relecture" qui absorbe le temps que l'agent était censé faire gagner.
"Everything is coding agent shaped...the reason is that they only have training data for coding agent tasks."
Mario Zechner, créateur de Pi, le dit sans détour : tous les agents finissent par ressembler à des agents de programmation, parce que les éditeurs ne disposent de données d'entraînement que pour les tâches de programmation.
Cette remarque inverse la causalité : ce n'est pas que les éditeurs privilégient les développeurs par affinité, c'est que le signal de supervision disponible n'est dense que dans le code. GitHub héberge des milliards d'enregistrements publics de "modification-test-fusion", chacun portant déjà son étiquette de juste ou faux ; le travail de bureau n'a pas de corpus équivalent, et personne ne l'étiquette. Pour entraîner un agent capable de livrer seul un compte rendu de réunion, il faudrait d'abord que quelqu'un rassemble des dizaines de millions de bons et de mauvais comptes rendus — ce que personne ne fait actuellement.
La barrière des autorisations est plus haute qu'il n'y paraît
Andrew Ambrosino, ingénieur en chef de l'application de bureau, évoque une inquiétude : si l'on demande à un agent de rédiger un document, risque-t-il de tomber par mégarde sur le contenu d'une conversation privée. Pour qu'un agent fonctionne, il faut lui céder les droits de lecture et d'écriture sur les e-mails, l'agenda, les fichiers et les outils de discussion ; pour que les gens acceptent sereinement de céder cela, le produit doit d'abord expliquer clairement ce qu'il peut voir et ce qu'il ne peut pas voir. Le coût de conception de cette couche est bien plus élevé que celui de simplement brancher quelques outils supplémentaires.
En interne, OpenAI n'est pas unanime sur ce point. Joe Gershenson, responsable de l'ingénierie chargé du harness, l'a dit sans détour : "The honest answer is that I really don't look at the harnesses that they're building." — il ne regarde en somme pas les carcasses que d'autres sont en train de construire. Thibault Sottiaux, responsable du produit principal, l'a formulé plutôt comme un programme : "It's the very mission of OpenAI — to bring everyone along."
Les subventions ne tiendront pas jusqu'à un milliard de personnes
Il reste un calcul qui ne tombe pas juste. TechCrunch cite un exemple : un utilisateur a consommé 80 millions de tokens en quatre jours, ce qui, au tarif public, représente environ 65 dollars, alors qu'il paie un abonnement de 20 dollars par mois. Dans le cas des développeurs, ce déséquilibre reste supportable — forte disposition à payer, bonne rétention, plafond bien défini ; ramené à l'échelle d'un milliard d'utilisateurs ordinaires, ce même déséquilibre devient une brèche qui s'élargit d'elle-même.
La réponse d'OpenAI consiste à faire baisser le coût unitaire, par exemple en réduisant de 80 % le prix pour les utilisateurs du modèle Luna. Quand le prix baisse d'un cran, la consommation par personne tend à augmenter encore plus vite, et ce calcul ne pourra finalement être équilibré que par l'efficacité du modèle qui rattrape la consommation, pas par une limitation du débit. La fenêtre de cinq heures de ChatGPT Plus n'est aujourd'hui, en somme, qu'une règle destinée à contenir la situation en attendant que l'efficacité rattrape le retard. Du côté des entreprises, la voie est plus directe — tarification par palier selon le nombre de postes, gros utilisateurs facturés à part, coût inscrit clairement dans le contrat. Du côté des abonnements individuels, cette marge de manœuvre n'existe pas — le seuil psychologique de 20 dollars par mois est fixé, et le relever d'un cran fait perdre des utilisateurs.
En avance d'une demi-longueur
Le paysage concurrentiel s'est retourné deux fois cette année. Claude Code est resté en tête sans interruption jusqu'en avril 2026, après quoi Codex a repris une légère avance. L'écart entre les deux dans les tâches de programmation s'est déjà réduit au point qu'il faut des tâches très spécifiques pour les distinguer, et le facteur décisif de la prochaine étape n'est manifestement pas là : celui qui parviendra le premier à faire adopter l'outil par les 99 % qui ne programment pas fera basculer le marché de quelques millions de développeurs à un milliard de personnes.
Sur le trajet qui va de 98 % à 1 %, l'écart ne se situe pas du côté des capacités du modèle. Pour le franchir, il faut qu'une personne n'ayant jamais entendu parler de "portée des autorisations" accepte de confier sa messagerie à un programme qui s'exécute tout seul, et qu'elle n'ait ensuite pas besoin d'en vérifier chaque mot. Ces trois éléments — l'autorisation, l'exécution, l'absence de vérification — ne sont aujourd'hui, aucun des trois, vraiment consolidés.
Sources : enquête de TechCrunch menée auprès de l'équipe d'OpenAI, CocoLoop, page tarifaire publique d'OpenAI ; les taux d'utilisation interne/externe, le nombre d'installations de l'application de bureau et les coûts en tokens ont été recoupés avec l'article original et la grille tarifaire publique, les conversions de coût étant signalées comme des estimations approximatives.