Thinking Machines devient le premier partenaire de services d’OpenAI en Asie-Pacifique

Le déploiement de l’intelligence artificielle en entreprise ne se résume plus au choix d’un modèle ou à l’ouverture d’un abonnement. Le défi est désormais de faire passer les équipes de démonstrations séduisantes à des résultats reproductibles dans les opérations. C’est sur ce terrain que Thinking Machines Data Science annonce devenir, le 10 septembre 2025, le premier partenaire de services d’OpenAI dans la région Asie-Pacifique.

Ce partenariat vise à accompagner les organisations de la région dans l’usage de l’IA générative, notamment via ChatGPT Enterprise, des applications sur mesure et des formations. L’ambition affichée est moins de multiplier les expérimentations que de relier les outils d’IA à des objectifs précis : améliorer un processus, raccourcir une tâche récurrente, mieux exploiter l’information interne ou accroître la qualité d’un service.

Un partenariat pour sortir du piège des projets pilotes

L’adoption de l’IA progresse rapidement en Asie-Pacifique, mais l’utilisation réelle à grande échelle reste un exercice exigeant. Un rapport d’IBM cité dans le cadre de cette annonce indique que 61 % des entreprises utilisent déjà l’IA. Ce chiffre ne dit toutefois pas combien de ces usages ont dépassé les essais isolés pour produire un effet durable sur l’activité.

C’est précisément le problème auquel Thinking Machines entend répondre avec OpenAI. L’entreprise propose trois types d’intervention : des formations destinées aux cadres dirigeants autour de ChatGPT Enterprise, un appui à la conception d’applications IA spécifiques à l’entreprise et des conseils pour inscrire ces outils dans les pratiques quotidiennes.

L’enjeu est important. Un pilote consiste généralement à tester un outil sur un périmètre limité, avec un petit groupe d’utilisateurs et une durée courte. Il peut démontrer une capacité technique sans résoudre les questions qui déterminent une véritable mise en production : quelles données l’outil peut-il consulter ? Qui valide ses réponses ? Comment mesure-t-on son bénéfice ? Que se passe-t-il lorsqu’il se trompe ?

Stephanie Sy, fondatrice et directrice générale de Thinking Machines, résume cette approche : « Nous n’introduisons pas seulement de nouvelles technologies, nous aidons les organisations à développer les compétences et les stratégies nécessaires pour tirer parti de l’IA. » L’objectif est de renforcer les capacités internes des entreprises, et non de leur livrer un outil sans méthode d’adoption.

Les trois conditions d’une IA utile en entreprise

Dans un entretien accordé à AI News, Stephanie Sy identifie trois conditions pour éviter que les projets IA ne stagnent : une direction alignée, des flux de travail redessinés et un investissement dans les compétences des salariés. Ces trois dimensions correspondent à la vision, aux processus et aux personnes.

La première erreur consiste, selon elle, à voir l’IA comme une simple acquisition technologique. Installer un assistant conversationnel ou donner accès à un modèle ne suffit pas à transformer une organisation. L’outil doit s’insérer dans une chaîne de travail concrète, avec des responsabilités et des critères de qualité explicites.

Par exemple, une équipe peut utiliser une IA pour préparer une première synthèse de documents, proposer un brouillon de réponse ou classer des informations. Mais la valeur ne vient pas du brouillon seul. Elle provient du fait que l’équipe sait quelles sources autoriser, comment vérifier le résultat, qui l’approuve et à quel moment la tâche est considérée comme terminée.

Pourquoi les dirigeants doivent-ils s’impliquer ?

Thinking Machines place les équipes de direction au début du parcours. Stephanie Sy estime que de nombreux dirigeants considèrent encore l’IA comme un projet réservé aux spécialistes de la technologie. Or, c’est à la direction de décider si elle représente avant tout un levier de croissance, un sujet de productivité, un risque à contenir, ou plusieurs de ces dimensions à la fois.

Cette décision n’est pas abstraite. Elle détermine les cas d’usage prioritaires, les budgets, les règles de sécurité et les équipes responsables. Elle permet aussi de fixer l’« appétit pour le risque », c’est-à-dire le niveau de risque qu’une organisation accepte dans un contexte donné. Une IA qui aide à rédiger une note interne n’appelle pas les mêmes contrôles qu’un système qui influence une décision financière ou accède à des informations sensibles.

Thinking Machines commence ainsi souvent par des sessions exécutives. Les dirigeants y examinent les usages possibles de ChatGPT, les règles de gouvernance et les opportunités de déploiement à plus grande échelle. Cette étape doit, selon l’entreprise, faire évoluer l’IA d’une expérimentation menée par quelques personnes vers une capacité institutionnelle.

Des compétences à tous les niveaux de l’organisation

La formation ne concerne pas uniquement les utilisateurs chargés d’écrire de bonnes instructions à un assistant. Thinking Machines distingue trois familles de compétences :

• La littératie exécutive, pour que les décideurs puissent choisir des objectifs réalistes, comprendre les limites des systèmes et arbitrer les risques.
• La conception des flux de travail, pour répartir correctement les tâches entre les personnes et l’IA.
• Les compétences pratiques, qui recouvrent notamment la formulation de requêtes, l’évaluation des résultats et l’identification de données fiables.

Cette approche rappelle une réalité souvent négligée : une réponse fluide d’un modèle n’est pas automatiquement une réponse exacte, pertinente ou autorisée. Les équipes doivent donc apprendre à vérifier, corriger et contextualiser les productions de l’IA dans leur domaine.

L’humain aux commandes, y compris avec l’IA agentique

Le partenariat met également l’accent sur la « collaboration humaine-IA ». Dans la vision décrite par Stephanie Sy, les humains conservent le jugement et la prise de décision, tandis que l’IA prend en charge certaines étapes routinières. Il peut s’agir de rechercher des éléments, de préparer un contenu, de trier des informations ou de réaliser une première analyse.

Cette répartition peut générer des économies de temps et améliorer la régularité de certaines tâches. Elle ne signifie pas pour autant que l’IA doit fonctionner sans contrôle. Le principe défendu est celui d’un humain qui reste aux commandes, particulièrement lorsque l’action peut avoir une conséquence importante pour l’entreprise, ses clients ou ses collaborateurs.

Thinking Machines s’intéresse aussi à l’IA agentique, expression utilisée pour désigner des systèmes capables d’enchaîner plusieurs étapes afin d’atteindre un objectif. Au lieu de répondre seulement à une demande isolée, un tel système peut coordonner une recherche, remplir des formulaires ou lancer des appels d’interface de programmation, aussi appelés API.

Le potentiel est significatif pour des processus qui nécessitent de passer d’un logiciel à l’autre ou de combiner des informations réparties dans plusieurs outils. Mais l’autonomie accrue exige des garde-fous supplémentaires. Thinking Machines insiste donc sur la supervision humaine, l’auditabilité et la capacité à retracer les actions effectuées par le système.

La gouvernance comme condition de confiance

Pour Thinking Machines, la gouvernance de l’IA ne doit pas être un ensemble de règles consulté après coup par les seules équipes juridiques ou informatiques. Elle doit être intégrée aux gestes quotidiens des utilisateurs et aux outils eux-mêmes.

Dans la pratique, cette gouvernance peut passer par l’emploi de sources de données approuvées, des contrôles d’accès et une validation humaine pour les actions les plus sensibles. Elle suppose également que les entreprises puissent conserver une trace des opérations, afin de vérifier la conformité avec leurs politiques internes.

Cette logique répond à une difficulté concrète de l’IA générative : un système très facile d’accès peut être adopté rapidement, parfois avant que l’organisation n’ait défini les données qu’il peut traiter ni les usages qu’elle autorise. Des règles trop générales ou trop éloignées du travail quotidien risquent d’être ignorées. À l’inverse, des indicateurs et des contrôles intégrés aux processus peuvent aider les équipes à utiliser l’outil sans perdre de vue leurs obligations.

Stephanie Sy défend des modèles de gouvernance conçus pour installer la confiance. Cette confiance est une condition de l’extension des usages : les salariés doivent savoir quels outils sont autorisés, quelles données ils peuvent mobiliser et à quel moment une vérification est obligatoire.

Une stratégie locale pour une région très diverse

La région Asie-Pacifique n’est pas un marché homogène. Elle rassemble des langues, des cadres réglementaires, des cultures de travail et des niveaux de maturité numérique variés. Pour Stephanie Sy, une solution uniforme ne peut donc pas être déployée mécaniquement dans tous les pays.

L’approche recommandée est de « construire localement puis d’étendre délibérément ». Elle consiste à démontrer la valeur d’un projet avec des équipes locales, à l’adapter à leurs besoins et à leurs contraintes, puis à standardiser ce qui peut l’être pour un déploiement régional. Thinking Machines indique avoir mis cette stratégie en œuvre à Singapour, aux Philippines et en Thaïlande.

Cette méthode évite de confondre standardisation et uniformité. Les principes de sécurité, les critères de qualité ou certaines briques techniques peuvent être communs. En revanche, les cas d’usage, la langue des contenus, les habitudes d’équipe et les données disponibles peuvent demander une adaptation sur place.

L’entreprise cite notamment BEAi, un système développé pour la Banque des Philippines, comme illustration d’une approche alignée sur les capacités locales et orientée vers des résultats quantifiables. À plus long terme, Stephanie Sy anticipe que l’IA pourra prendre en charge l’exécution de fonctions importantes dans le développement logiciel, le marketing et les opérations de services.

Ce qu’il faut surveiller dans les prochains déploiements

Le partenariat entre OpenAI et Thinking Machines sera jugé moins sur son statut de premier accord de services en Asie-Pacifique que sur les résultats obtenus chez les clients. Les indicateurs les plus révélateurs seront la capacité à faire passer les projets du test à la production, le temps réellement gagné par les équipes, la qualité des livrables et le respect des règles de gouvernance.

Il faudra également observer la manière dont les organisations arbitrent entre autonomie et contrôle. Les systèmes agentiques peuvent accélérer l’exécution de processus à plusieurs étapes, mais ils rendent indispensable une définition claire des tâches autorisées, des accès accordés et des validations humaines.

Enfin, la promesse d’une extension régionale dépendra de la capacité à conserver l’adaptation locale mise en avant par Thinking Machines. Dans une région aussi diverse, le déploiement à grande échelle ne pourra pas reposer uniquement sur un modèle performant : il devra tenir compte des personnes qui l’utilisent, des processus qu’il transforme et du contexte dans lequel il opère.