Contexte technique
Je me suis plongé dans la description de ChatGPT Work en me disant : bon, c'est encore un mode de l'interface. Et puis il est devenu clair qu'OpenAI a discrètement intégré dans ChatGPT quelque chose de très proche dans l'esprit de Codex, non pas comme un outil de développement pour les geeks, mais comme une couche pour des tâches réelles d'AI automation.
Et c'est là que beaucoup se trompent. Moi aussi, j'ai d'abord trébuché sur les formulations. ChatGPT Work n'est pas un IDE cloud ni un clone direct de Claude CoWork. C'est un mode agent à l'intérieur de ChatGPT, qui prend un objectif, le découpe lui-même en étapes, travaille avec des fichiers, des outils connectés et peut rester sur une tâche pendant des heures jusqu'à obtenir un résultat fini.
Selon la description officielle, Work est conçu pour des livrables : rapport, tableur, présentation, flux de travail, application web, morceau de code. Il fonctionne sur GPT-5.6, et OpenAI le présente comme un modèle optimisé pour les longs processus en plusieurs étapes. Si auparavant Codex était surtout associé au code, ici le même ensemble de capacités de base est enveloppé dans une interface pour le « travail ordinaire ».
C'est une différence importante. Je ne vois pas un environnement complet où l'on s'assoit et vit ligne par ligne dans un éditeur. Je vois une couche d'exécution : on donne une tâche, on attache un contexte, on autorise l'accès aux fichiers et outils, on reçoit un artefact assemblé. Pour de nombreux scénarios, cela suffit amplement, surtout quand les CLI locaux, les IDE et l'assemblage manuel ne font que ralentir.
Autre point pratique : Work vit dans l'écosystème ChatGPT, pas séparément. On peut commencer une tâche depuis un téléphone, puis vérifier sur le bureau, et sur l'application de bureau connecter des fichiers et applications locaux si l'accès est autorisé. En termes de modèle de consommation, cela ressemble à Codex : plus la tâche est lourde, plus elle consomme de limites.
Impact sur l'entreprise et l'automatisation
Pour les équipes, ce n'est pas un virage vers « un chatbot de plus », mais vers une véritable implémentation IA pour les tâches longues. Je soulignerais trois effets : moins d'assemblage manuel d'artefacts, moins de basculements entre outils, et un lancement plus rapide des automatisations internes sans avoir besoin d'un cadre d'ingénierie séparé pour chaque cas.
Ceux qui gagnent sont ceux qui ont beaucoup de routine intellectuelle répétitive : analytique, rapports internes, prototypes, flux de travail entre fichiers et code. Perdent les anciens processus où l'humain joue encore le rôle de colle entre cinq services.
Mais je ne romantiserais pas. Sans une architecture IA adéquate, ces agents butent rapidement sur les accès, le contexte, le contrôle de version et la vérification des résultats. Chez Nahornyi AI Lab, nous résolvons justement ces points de jonction pour les clients : là où Work suffit et là où il faut une intégration IA sur mesure ou un agent dédié au processus.
Si votre équipe se noie dans la routine en plusieurs étapes, je regarderais cela sans hype et avec une calculatrice. Et si vous voulez construire un système fonctionnel à partir de ces outils, plutôt qu'une énième expérience chaotique, chez Nahornyi AI Lab je peux vous aider à élaborer un développement de solutions IA adapté à votre flux réel de tâches.