Ce que le modèle OpenAI révèle sur la prochaine vague de création de valeur

Dans le troisième épisode de MuzzOsphère, Antoine Gigomas, CEO de Muzzo reçoit Ludovic Peran — ancien de Google DeepMind, aujourd’hui Technical Strategy chez OpenAI. Des échanges sur ce que l’intelligence artificielle change concrètement dans la manière de décider, de s’organiser et de scaler. Sans jargon, sans prospective abstraite.

Il y a un chiffre dans cet épisode qui mérite qu’on s’y arrête. OpenAI emploie 3 000 personnes pour générer plus de 20 milliards de dollars de revenus annuels — en croissance de plus de 200 % sur un an. Ce ratio n’est pas une anecdote de communication : c’est un signal sur ce que l’intelligence artificielle rend structurellement possible pour toute organisation qui décide de l’utiliser sérieusement.

3 000 personnes, 20 milliards de revenus : un nouveau benchmark opérationnel

La croissance d’OpenAI est documentée. De 6 milliards de dollars en 2024, les revenus ont dépassé 20 milliards en 2025. La croissance hebdomadaire de l’API dépasse 100 %. Un million d’entreprises utilisent aujourd’hui les services de la plateforme. Mais ce qui intéresse Ludovic Peran, c’est moins le chiffre que ce qu’il implique sur le modèle organisationnel.

Cette asymétrie entre taille d’équipe et génération de valeur repose sur un modèle qu’il nomme research-led : la recherche fondamentale est le moteur du produit, pas l’inverse. Chaque innovation de recherche se traduit directement en capacité produit, mise au service des utilisateurs sans couche intermédiaire. C’est ce qui explique qu’une organisation de 3 000 personnes puisse avoir l’impact qu’elle a.

Pour les dirigeants, cela ouvre une question rarement posée explicitement : combien de valeur produit chaque collaborateur dans mon organisation — et qu’est-ce que l’IA change à ce ratio ?

L’AGI n’est pas un événement. C’est une phase.

Ludovic Peran clarifie d’emblée quelque chose que beaucoup préfèrent esquiver. L’AGI — l’intelligence artificielle générale — n’est pas un produit qu’on lance un jour précis. C’est une phase de transformation continue, mesurable notamment par la capacité croissante des agents à réaliser des tâches de plus en plus longues et complexes. Selon une métrique développée par la société Meter, les agents IA sont capables, tous les sept mois en moyenne, de réaliser des tâches deux fois plus longues qu’auparavant. Une progression exponentielle, sans point d’arrivée défini.

Ce cadrage change la question pour les dirigeants. Ce n’est plus “quand l’IA sera-t-elle prête ?” mais “à quelle phase de cette transformation mon organisation se positionne-t-elle aujourd’hui ?” Et la réponse honnête, pour la majorité des entreprises, est : bien plus tôt qu’elles ne le pensent.

Le fossé que personne ne mesure

C’est le concept central de cet épisode, et celui que Ludovic Peran formule avec le plus de précision : le capability overhang. L’écart entre ce que les modèles sont capables de faire et l’usage moyen qu’en font les utilisateurs. Et cet écart se creuse, parce que les modèles progressent plus vite que les organisations ne s’adaptent.

Un chiffre concret pour en saisir l’ampleur : les utilisateurs les plus avancés mobilisent sept fois plus de capacités de raisonnement que les utilisateurs moyens. Dans un même outil. Avec les mêmes accès. La différence n’est pas technologique — elle est managériale. Personne n’a décidé d’utiliser les modèles sur des tâches complexes.

Ludovic Peran donne un exemple qui parle : le PDG de Cursor a construit un navigateur web complet en une semaine, seul, en déployant des agents IA sur une tâche continue et ambitieuse. Ce n’est pas un exploit technique réservé à quelques initiés. C’est l’illustration de ce que produit une utilisation délibérée et exigeante des outils disponibles.

Ce qui ne change pas dans l’accélération

OpenAI accélère sur tout — produits, revenus, périmètre. Tout, sauf un point : les processus de sécurité autour des modèles. Comités de validation, évaluations systématiques, preparedness framework détaillant les tests avant chaque mise en production — ces processus évoluent, mais ne sont jamais contournés. C’est la seule constante délibérément préservée dans l’accélération.

Cette stabilité porte une question utile pour n’importe quelle organisation en croissance rapide : quels sont les processus qui doivent rester stables quand tout le reste s’accélère ? Les dirigeants qui ont une réponse claire à cette question opèrent déjà dans un autre régime de maturité.

La décision qui appartient au leadership

Ludovic Peran est explicite sur ce point : combler le fossé entre capacité et usage est une décision de gouvernance, pas un chantier IT. Former les équipes à utiliser les modèles sur des tâches complexes, créer les conditions pour que chaque collaborateur pousse l’outil au-delà des usages de confort — c’est une décision qui appartient au board et au comité de direction, pas à la DSI.

Et cette décision a un effet de différenciation immédiat. Dans chaque secteur, une poignée d’organisations sont déjà à la frontière de ce qui est possible. Elles construisent une avance que les autres mettront des années à combler — non pas parce qu’elles ont accès à de meilleurs outils, mais parce qu’elles ont décidé de les utiliser autrement.

Ce que ça change pour le recrutement

Antoine Gigomas donne un exemple concret dans l’épisode : chez Muzzo, chaque candidature est challengée par un modèle IA, croisée avec la fiche de poste et le brief client, pour alerter le recruteur sur les écarts de profil avant même qu’il n’ouvre le dossier. Ludovic Peran valide et pousse plus loin : aller extraire des informations complémentaires, enrichir le profil depuis des sources externes, engager le candidat de façon proactive. Pas pour remplacer le jugement du recruteur — pour lui permettre d’intervenir là où sa valeur est irremplaçable.

C’est exactement la logique du capability overhang appliquée au recrutement : ce n’est pas l’automatisation des tâches répétitives qui crée l’avantage. C’est la capacité à faire, grâce à l’IA, des choses qu’on ne pouvait tout simplement pas faire avant.

Conclusion

Le fossé entre capacité et usage est le vrai sujet de 2026. Pas les modèles. Pas les budgets. La décision managériale de le combler — en formant les équipes, en fixant des exigences d’usage, en traitant l’IA comme un levier stratégique plutôt qu’un outil de productivité — est ce qui distinguera les organisations qui créent de la valeur de celles qui en observent la création.

Ludovic Peran développe ces points avec une précision rare dans le troisième épisode de MuzzOsphère. 

→ Écouter l’épisode #3 de MuzzOsphère avec Ludovic Peran, Technical Strategy chez OpenAI