Reporting automatisé avec ChatGPT Data : mode d’emploi

Avec le reporting automatisé, une équipe peut enfin réduire les passages de relais qui alourdissent chaque bilan hebdomadaire. OpenAI a ajouté Data à ChatGPT Work et à Codex le 10 septembre 2026. Le véritable changement pour l’entreprise n’est pas un bouton de graphique supplémentaire : le rapport devient un workflow unique, connecté et actualisable, sans sacrifier les définitions des indicateurs ni la validation humaine.

ChatGPT Data, qu’est-ce que c’est exactement ?

Data est un plugin d’analyse intégré à ChatGPT Work et Codex. Il suffit de lui soumettre une question métier : il travaille sur les sources auxquelles le compte est autorisé à accéder, puis peut restituer le résultat sous forme de tableau de bord interactif ou de rapport. Pour bien distinguer ces deux environnements, le test de ChatGPT Work précise où s’arrête Work et où commence Codex.

Data n’est ni un entrepôt de données, ni une nouvelle copie de votre base, ni le remplaçant systématique de tous les outils de BI. OpenAI recommande, dans son guide de configuration de Data, de connecter un entrepôt, de fournir une couche sémantique et d’utiliser ChatGPT Sites pour le tableau de bord final. Cette couche sémantique formalise les règles métier approuvées : ce qui entre dans le chiffre d’affaires, le moment où un client devient actif, les remboursements à exclure et les relations entre les tables.

Tout repose sur cette couche de définition. Sans elle, Data peut parfaitement expliquer… le mauvais chiffre.

Le circuit classique du reporting est bien connu. Un dirigeant pose une question. Un analyste retrouve les tables, reconstruit la requête, exporte le résultat, actualise un graphique, puis traite les questions suivantes. À chaque échange, un nouveau passage de relais.

Avec Data, le dirigeant et l’analyste restent dans le même fil. Le plugin peut interroger une source approuvée, appliquer les définitions d’indicateurs de l’équipe, afficher les filtres et les preuves, reprendre l’analyse et construire le tableau de bord. Le rôle de l’analyste évolue : au lieu de transporter des chiffres d’un outil à l’autre, il définit l’indicateur, contrôle la requête et valide le résultat.

Cette approche se distingue aussi de Deep Research dans ChatGPT Work. Deep Research sert à rassembler et citer des informations issues du web, de fichiers et d’apps compatibles. Data vise l’analyse gouvernée des données opérationnelles connectées. Le premier produit une note de recherche sourcée ; le second peut devenir le rapport récurrent que l’équipe consulte chaque semaine.

Le workflow change, pas la source de vérité

La promesse utile tient à la diminution des passages de relais. Le risque, lui, vient du fait qu’une demande conversationnelle peut désormais voyager d’un entrepôt de données jusqu’à un tableau de bord partagé.

Data peut travailler avec Amazon Redshift, ClickHouse, Databricks, Google BigQuery, MongoDB et Snowflake, entre autres sources. Il peut également exploiter le contexte métier de Google Drive et SharePoint, puis fonctionner avec des outils de BI comme Power BI, Tableau, Sigma et ThoughtSpot lorsque les connexions correspondantes sont disponibles. Les actions possibles dépendent de chaque outil et des droits de l’utilisateur.

Le modèle ne devient pas pour autant le référentiel maître. OpenAI demande de vérifier la source, la période, les filtres et la définition de l’indicateur avant de se fier à un résultat. Si une réponse de Data contredit un rapport existant, ce sont les quatre premiers éléments à comparer.

Les équipes qui paient déjà le prix des passages de relais — dossiers financiers, revues du pipeline, tableaux de bord clients, rapports de rétention ou revues opérationnelles — ont le plus à gagner. Sans source approuvée, définitions stables ou accès à Data, aucun workflow récurrent n’est possible. Un CSV ponctuel peut épargner quelques clics ; la vraie justification économique se trouve dans les rapports récurrents.

Quatre métiers qui peuvent changer dès cette semaine

Responsable financier dans un éditeur de logiciels

Le responsable financier peut demander à Data d’actualiser un dossier hebdomadaire sur le chiffre d’affaires et la rétention depuis une vue d’entrepôt approuvée. Le prompt précise la période couverte, la période de comparaison et les définitions dont la finance est propriétaire. Data prépare l’explication des écarts et montre les éléments qui étayent chaque graphique.

Le bénéfice n’est pas une clôture automatique. Il réside dans la réduction des allers-retours entre l’analyste, le tableur, la présentation et le responsable financier. La finance continue de valider les chiffres avant que le dossier ne parvienne à la direction.

Responsable Revenue Operations

Le responsable RevOps peut chercher pourquoi le pipeline a évolué selon les régions, à partir de la définition approuvée du pipeline et des données CRM ou d’entrepôt accessibles à son compte. Les questions de suivi permettent de distinguer une véritable évolution commerciale d’un changement de filtre, d’une synchronisation tardive ou d’enregistrements non rapprochés.

Le chemin se raccourcit entre « le chiffre a bougé » et « voici le segment et la ligne source à l’origine du mouvement ». Les opérations commerciales restent responsables de la définition des étapes et de la décision de modifier une prévision.

Responsable de compte en agence

Le responsable de compte peut construire un tableau de bord de performance client à partir de données publicitaires et e-commerce approuvées, puis demander à Data d’expliquer le plus fort mouvement avant le point hebdomadaire. Les règles de marque peuvent guider le tableau de bord sans imposer une reconstruction manuelle de la mise en page.

Le bénéfice : moins de présentations à réassembler chaque semaine. L’agence doit toutefois vérifier que le client est autorisé à voir chaque dimension reprise dans le tableau de bord final. L’accès aux sources et l’accès au tableau de bord ne relèvent pas du même contrôle.

Responsable Product Operations

Le responsable Product Operations peut remonter à l’origine d’une variation de la rétention dans les données produit et dans le document qui définit un utilisateur actif. Data peut comparer les cohortes, rendre visibles la fenêtre temporelle et les filtres, puis transformer l’analyse vérifiée en rapport destiné au produit et à la direction.

Le gain vient de la diminution des échanges entre le product manager et l’analyste. Si la définition de l’activation fait débat, Data ne tranchera pas. L’équipe doit d’abord résoudre ce désaccord dans la couche sémantique.

Comment tester le reporting automatisé sur un rapport hebdomadaire

Ne commencez pas par le tableau de bord de la direction. Choisissez d’abord un rapport dont le propriétaire, la source, les définitions et le livrable actuel sont déjà connus.

1. 1

   Choisissez le rapport et la décision

   Sélectionnez un rapport récurrent et nommez la décision qu’il éclaire. « Dossier hebdomadaire sur le chiffre d’affaires » reste trop vague. « Décider s’il faut intervenir sur la rétention avant la revue opérationnelle » donne une ligne d’arrivée à l’analyse.

2. 2

   Vérifiez les accès avant le prompt

   Un administrateur ouvre Workspace settings > Plugins > Data, choisit qui peut installer le plugin et active la connexion nécessaire. Chaque utilisateur installe ensuite Data depuis le répertoire des plugins. Dans Codex, ouvrez Sources, choisissez Use plugins, puis sélectionnez le plugin installé. L’app source peut encore exiger sa propre configuration et son autorisation.

3. 3

   Rédigez le contrat de l’indicateur

   Indiquez à Data la source approuvée, la définition de l’indicateur, la période couverte, la comparaison, les exclusions et le propriétaire. Désignez la vue sémantique ou le tableau de bord de confiance qui prévaut en cas de conflit entre définitions. Si l’équipe ne sait pas formaliser ces éléments, le workflow n’est pas prêt à être automatisé.

4. 4

   Faites un premier essai en privé

   Commencez par @Data pour lever toute ambiguïté sur le plugin qui traite la demande. Demandez le tableau de bord, le détail des calculs, la fraîcheur des sources, les filtres, les enregistrements non rapprochés et toute hypothèse susceptible de modifier la réponse. Précisez que le résultat doit rester privé.

5. 5

   Contrôlez les preuves

   Comparez les chiffres qui déterminent la décision avec ceux du rapport actuel. Vérifiez la source, la période, les filtres, la définition et les enregistrements exclus. En cas d’écart, demandez une explication à Data avant d’accepter un graphique simplement plus soigné.

6. 6

   Mesurez, puis planifiez

   Consignez le temps de contrôle effectif, l’usage de Work ou Codex, l’activité de l’entrepôt et les éventuels coûts de BI. Ne programmez une actualisation dans le cloud qu’après la réussite de l’exécution manuelle. La tâche planifiée dans ChatGPT Work vérifie la source et actualise le tableau de bord. Le Site, lui, n’exécute pas la planification.

Voici un prompt de départ à adapter :

@Data, crée notre rapport hebdomadaire sur le chiffre d’affaires et la rétention depuis la vue sémantique approuvée par la finance. Compare la dernière semaine complète à la semaine complète précédente. Applique les définitions de l’équipe finance, indique la fraîcheur des sources, les filtres, les calculs et les enregistrements non rapprochés, puis explique les principales variations. Garde le tableau de bord privé. Ne publie rien, ne partage rien, n’envoie aucun message et ne modifie aucune donnée source. Demande-moi mon accord avant d’utiliser une autre définition ou une autre source.

Le premier essai doit révéler les faiblesses des limites de source et de définition, pas les masquer derrière un tableau de bord abouti.

Le calcul des coûts qui compte vraiment

OpenAI n’a pas publié de tarif distinct pour le plugin Data. Cela ne rend pas le workflow gratuit pour autant. La facture peut se répartir entre l’usage de Work ou de Codex, le calcul de l’entrepôt, une licence BI conservée et la validation humaine qui demeure nécessaire.

Prenons un modèle de planification concret : un rapport hebdomadaire mobilise aujourd’hui 3.0 heures-personnes, pour un coût chargé moyen de $80 par heure. Sur 52 exécutions, cela représente $12,480 par an. Si Data ramène l’assemblage et la validation à 0.75 heure-personne par exécution, le coût de main-d’œuvre tombe à $3,120 et la capacité théorique libérée atteint $9,360.

Il s’agit d’hypothèses, pas d’un benchmark OpenAI. Après le pilote, remplacez-les par vos propres relevés de temps.

La ligne ChatGPT repose explicitement sur une actualisation hypothétique utilisant 50,000 tokens d’entrée, 200,000 tokens d’entrée mis en cache et 10,000 tokens de sortie avec GPT-5.6 Sol. Le barème actuel des nouvelles offres Enterprise d’OpenAI facture respectivement $4.00, $0.40 et $20.00 par million de tokens. Dans cet exemple, chaque actualisation coûte donc $0.48, soit $24.96 par an.

Les espaces Business et Enterprise fondés sur les crédits utilisent une autre unité. Le barème actuel des crédits fixe le prix de GPT-5.6 Sol à 100 crédits par million de tokens d’entrée, 10 par million de tokens d’entrée mis en cache et 500 par million de tokens de sortie dans Work et Codex. Les licences Business standard consomment d’abord leurs limites incluses ; les tâches éligibles peuvent ensuite puiser dans les crédits achetés par l’espace de travail.

La ligne Snowflake suppose un démarrage d’entrepôt X-Small par actualisation hebdomadaire et une exécution qui ne dépasse pas son minimum de 60 secondes. Snowflake facture X-Small à raison d’un crédit par heure continue, avec un minimum de 60 secondes à chaque démarrage, puis une facturation à la seconde. Data peut lancer davantage de requêtes, laisser l’entrepôt actif plus longtemps ou solliciter un entrepôt plus grand. Pour établir le coût réel, utilisez l’historique de l’entrepôt plutôt que ce plancher.

Power BI reste facultatif dans la configuration recommandée par OpenAI. Microsoft affiche actuellement Power BI Pro à $14 par utilisateur et par mois avec un paiement annuel, mais une licence existante peut constituer un coût irrécupérable et le tarif affiché au moment du paiement varie. N’ajoutez pas une licence BI au seul motif que Data peut s’y connecter.

La formule de décision est simple :

Valeur annuelle = nombre d’exécutions du reporting × heures économisées × coût chargé de la main-d’œuvre, moins l’usage supplémentaire de Work, le calcul de l’entrepôt, les nouvelles licences BI et la validation restante.

Si ce workflow vous oblige à acheter une licence ChatGPT, incluez-la. Si l’équipe paie déjà la licence et l’outil de BI, retenez plutôt leur coût marginal. Le pilote doit remplacer chaque hypothèse par une mesure observée.

Le piège des permissions apparaît après la requête

Les requêtes Data s’appuient sur les permissions existantes du compte connecté, y compris les restrictions par table, ligne et colonne. Installer le plugin Data n’accorde pas la connexion à l’entrepôt ; connecter l’entrepôt ne donne pas davantage de droits que le rôle autorisé.

La publication crée une seconde frontière d’autorisation. Selon OpenAI, les données utilisées dans l’analyse sont copiées dans le ChatGPT Site publié. Le Site possède ensuite son propre réglage d’audience : personnes sélectionnées, espace de travail, utilisateurs externes nommément désignés ou public, lorsque le compte et l’administrateur l’autorisent.

En pratique, une personne qui n’aurait pas le droit d’exécuter la requête source peut tout de même faire partie de l’audience autorisée à consulter les données copiées dans le Site. Le tableau de bord, ses champs et son audience doivent donc être traités comme une nouvelle publication, pas comme une fenêtre en direct qui hériterait automatiquement des droits de l’entrepôt.

Au départ, un nouveau Site est limité à son propriétaire et aux administrateurs de l’espace de travail, jusqu’à ce que ses accès soient modifiés. Dans Enterprise, la publication publique est désactivée par défaut, mais ce n’est qu’un contrôle parmi d’autres. Le partage avec des personnes externes nommément désignées ou avec tout l’espace de travail peut tout de même élargir l’audience lorsqu’il est activé.

Les limites, sans faux-semblants

La disponibilité selon les offres n’est pas assez claire pour formuler une promesse universelle. Le répertoire des plugins existe dans les différentes offres ChatGPT, mais chaque plugin dépend de l’offre, de l’espace de travail, du rôle, de la région, de l’interface, du déploiement en cours et des fonctionnalités incluses. Le guide de Data ne fournit aucune liste précise des offres éligibles. Avant d’acheter quoi que ce soit, vérifiez que Data apparaît bien dans le compte et l’espace de travail visés.

Le prix de Sites soulève une autre inconnue. Sites est proposé en bêta publique dans les espaces de travail ChatGPT ainsi qu’avec les offres Plus et Pro, sous réserve du déploiement et des contrôles. Son usage n’est inclus que dans les limites propres à chaque offre pendant la bêta, et OpenAI indique que la tarification complète reste à venir.

L’automatisation consomme elle aussi de l’usage. Les automatisations compatibles de Work et Codex sont comptabilisées avec l’activité du modèle selon le barème applicable. Le workflow de tableau de bord d’OpenAI précise qu’une tâche cloud peut continuer lorsque l’ordinateur portable est éteint, tandis qu’une tâche desktop exige que l’ordinateur reste allumé et que l’app fonctionne. Choisissez consciemment l’environnement d’exécution, puis surveillez les relevés d’usage dans les deux cas.

Data ne peut pas davantage réparer une logique métier fragile. Une couche sémantique absente, un KPI contesté, des droits de compte incomplets, une source obsolète ou une action non prise en charge laisseront toujours un angle mort. Le tableau de bord peut embellir cet angle mort ; il ne le réduit pas.

Ce qu’il faut faire lundi

Agissez cette semaine si l’équipe reconstruit toujours le même rapport, sait en nommer le propriétaire et la source approuvée, et dispose de définitions d’indicateurs stables. Attendez si Data n’apparaît pas dans l’espace de travail prévu, si la connexion à la source n’a pas été validée ou si deux équipes calculent encore le KPI différemment. Le changement vous concerne peu si une actualisation BI existante fournit déjà aux bonnes personnes un rapport vérifié, avec très peu de passages de relais manuels.

Lundi, prenez un rapport qui doit déjà être livré et exécutez-le en privé avec Data. Commencez par relever le temps d’assemblage actuel. Fournissez à Data la vue approuvée et le contrat de l’indicateur, puis comparez chaque chiffre déterminant avec le rapport existant. Consignez l’usage de Work, l’activité de l’entrepôt et le temps de validation. Ne planifiez et ne publiez rien avant que le résultat ait passé ce contrôle et que l’audience du Site ait un propriétaire désigné.

Pour recevoir d’autres guides opérationnels en langage clair lorsque l’IA modifie l’économie d’un workflow, abonnez-vous à la newsletter.