OpenAI a publié deux guides qui documentent comment les équipes data science et sales utilisent ChatGPT Work en pratique. Les guides montrent des workflows complets : les data scientists construisent des briefs d’analyse root-cause, des readouts d’impact, des mémos sur les KPI, des analyses délimitées et des spécifications de dashboard à partir d’inputs de travail réels. Les équipes sales produisent des briefs de pipeline, des packages de préparation de réunions, des forecast reviews, des account plans et des diagnostics de deals bloqués.

Pourquoi c’est pertinent pour toi. Comme nous l’avons rapporté le 10 juillet, ChatGPT Work est passé d’une annonce à un outil opérationnel. Ces guides représentent la documentation d’une adoption réelle : des cas d’usage concrets plutôt que des démos génériques, avec les inputs que ces équipes ont vraiment et les outputs qu’elles doivent produire. Si ton travail ressemble à l’un de ces scénarios, tu as une roadmap vérifiable par laquelle commencer.

Où regarder. Les guides sont disponibles dans la section Academy d’OpenAI. Chaque workflow est décrit avec des inputs types, des étapes et l’output attendu. Ce ne sont pas des tutoriels à suivre à la lettre, mais des schémas à adapter à ton cas : les data scientists de ton équipe travaillent avec les mêmes matériaux (données, dashboards, briefs), et les vendeurs préparent les mêmes choses (pipeline, prévisions, diagnostics). La valeur réside dans la structure : ce qu’il faut donner à l’agent, comment le décomposer, ce qu’il faut vérifier.

En détail

Le contexte

ChatGPT Work a été annoncé le 10 juillet avec GPT-5.6 comme agent capable d’opérer sur les apps et fichiers pour des projets longs. Jusqu’à présent, la documentation manquait sur comment les équipes l’utilisaient en pratique : ces deux documents comblent ce vide.

Ce que disent les guides

Le guide data science couvre cinq types d’outputs récurrents : briefs d’analyse root-cause (trouver la cause d’une anomalie), readouts d’impact (quantifier l’effet d’un changement), mémos sur les KPI (synthétiser la performance d’un indicateur), analyses délimitées (répondre à une question définie avec les bonnes données) et spécifications de dashboard (traduire une demande de visualisation en exigences techniques). Chaque type part de matériaux réels : datasets, requêtes SQL, notes de réunion.

Le guide sales documente cinq workflows : briefs de pipeline (état actuel des opportunités), meeting prep packet (matériaux pour une réunion client), forecast review (prévisions de clôture avec le niveau de confiance), account plan (stratégie sur un client spécifique) et stalled-deal diagnosis (pourquoi une opportunité ne se ferme pas). Ici aussi, des inputs concrets : CRM, emails antérieurs, transcriptions d’appels.

Ce qui change pour les utilisateurs de ChatGPT Work

Avant ces guides, la seule documentation disponible était l’annonce générale. Maintenant, ceux qui travaillent dans ces rôles ont une structure de démarrage vérifiable : pas un tutoriel à copier, mais des exemples de comment d’autres équipes ont décomposé leurs tâches récurrentes. La structure compte plus que les détails : inputs types, étapes intermédiaires, output attendu, ce qu’il faut vérifier.

Ces guides montrent aussi les limites : chaque workflow suppose que les données sont accessibles et bien formatées, que l’agent a les bonnes permissions, et que quelqu’un vérifie l’output avant de l’utiliser. Ce n’est pas une automisation complète, c’est une assistance sur des tâches qui nécessitent quand même une supervision.

Implications

La publication de guides opérationnels au lieu de simples démos génériques signale qu’OpenAI considère ChatGPT Work mature pour l’adoption enterprise. Les guides sont publics : n’importe qui peut les lire et les adapter, pas besoin de comptes professionnels. Cela abaisse la barrière d’adoption, mais soulève aussi la question de la formation : les équipes devront comprendre comment adapter ces workflows à leurs propres processus sans copier aveuglément.

Un autre signal : les guides se concentrent sur les outputs intermédiaires (briefs, mémos, spécifications), pas sur les décisions finales. L’agent prépare le matériel, mais la décision reste humaine. C’est cohérent avec l’angle du site : l’IA donne du pouvoir aux gens, elle ne les remplace pas.