Accueil › ChatGPT › Code Interpreter

ChatGPT Code Interpreter (Advanced Data Analysis) : le guide complet

ChatGPT Code Interpreter, renommé Advanced Data Analysis, est l’environnement d’exécution de code intégré à ChatGPT qui permet d’analyser des données, générer des visualisations, convertir des fichiers et exécuter du code Python (et désormais Bash, JavaScript, Go, etc.) directement dans l’interface de chat, sans rien installer.

---

Qu’est-ce que ChatGPT Code Interpreter ?

Code Interpreter est la fonctionnalité qui transforme ChatGPT d’un simple chatbot textuel en un véritable environnement de calcul. Concrètement, quand vous uploadez un fichier CSV ou posez un problème mathématique, ChatGPT ne se contente pas de deviner la réponse : il écrit du code Python, l’exécute dans un conteneur sandboxé, lit le résultat, corrige les erreurs si nécessaire, et vous retourne une réponse vérifiée par le calcul.

La fonctionnalité a été lancée en juillet 2023 sous le nom « Code Interpreter » pour les abonnés ChatGPT Plus. En août 2023, OpenAI l’a renommée « Advanced Data Analysis » lors du lancement de ChatGPT Enterprise, probablement pour mieux parler aux décideurs business. Dans la pratique, les deux noms désignent la même chose, et la communauté continue d’utiliser « Code Interpreter » au quotidien.

Depuis, la fonctionnalité a considérablement évolué. Elle est désormais activée par défaut sur tous les modèles GPT-4o et GPT-5.4, et n’a plus besoin d’être activée manuellement dans les paramètres. L’environnement d’exécution a été massivement mis à niveau début 2026 pour supporter bien plus que Python seul.

Comment fonctionne Code Interpreter ?

Quand vous envoyez un message qui nécessite un calcul, une analyse de données ou une manipulation de fichier, ChatGPT déclenche automatiquement son environnement d’exécution. Voici ce qui se passe en coulisses :

1. Détection du besoin de code. Le modèle (LLM) analyse votre requête et détermine qu’une exécution de code est nécessaire. Cela se produit automatiquement, sans que vous ayez à le demander explicitement.

2. Génération du code. ChatGPT écrit un script Python (ou dans un autre langage supporté) adapté à votre demande. Il utilise les bibliothèques pré-installées comme pandas, matplotlib, numpy, scipy, seaborn, scikit-learn, et des centaines d’autres.

3. Exécution dans le conteneur. Le code est exécuté dans un environnement isolé (sandboxé). Ce conteneur dispose d’un espace disque temporaire, de ressources CPU, mais n’a pas d’accès internet sortant. C’est un choix de sécurité : votre code ne peut pas exfiltrer de données ni accéder à des ressources externes.

4. Lecture des résultats et auto-correction. Si le code échoue, ChatGPT lit le message d’erreur, modifie son script et réessaie. Cette boucle d’auto-débogage est l’un des points forts de la fonctionnalité : elle permet de résoudre des problèmes complexes en plusieurs itérations, sans intervention de votre part.

5. Retour du résultat. Les graphiques, tableaux, fichiers transformés ou résultats numériques sont intégrés directement dans la conversation. Vous pouvez télécharger les fichiers générés, copier le code exécuté, ou basculer entre vue statique et vue interactive pour les graphiques.

La mise à jour majeure de janvier 2026 : les conteneurs multi-langages

Pendant près de trois ans, Code Interpreter était limité à Python. Vous pouviez contourner cette limite via le module subprocess de Python pour exécuter des commandes shell, mais ce n’était ni pratique ni documenté.

En janvier 2026, OpenAI a silencieusement déployé une mise à niveau massive de l’environnement d’exécution, sans publier de notes de version officielles. C’est le chercheur Simon Willison qui a découvert et documenté ces nouvelles capacités. Voici ce qui a changé :

Support natif de Bash. ChatGPT peut désormais exécuter des commandes shell directement, sans passer par un wrapper Python. Cela ouvre la porte à la navigation dans le système de fichiers, la gestion de processus, le scripting shell et la compilation de programmes.

Node.js intégré. JavaScript peut être exécuté nativement, ce qui permet de tester du code frontend, d’utiliser des bibliothèques npm, ou de prototyper des scripts serveur.

Plus de 10 langages compilés et interprétés. Ruby, Perl, PHP, Go, Java, Swift, Kotlin, C et C++ sont tous disponibles avec leurs runtimes respectifs. Seul Rust manque encore à l’appel, bien que des variables d’environnement suggèrent un support futur.

Installation de packages via pip et npm. Malgré l’absence d’accès réseau direct, un mécanisme de proxy interne permet d’installer des packages Python et Node.js à la demande. Cela résout l’une des frustrations historiques de la fonctionnalité.

Outil container.download. Un nouvel outil permet de télécharger des fichiers depuis le web directement dans le conteneur, ce qui facilite l’acquisition de jeux de données pour l’analyse.

Les cas d’usage concrets de Code Interpreter

Analyse de données

C’est le cas d’usage phare, et celui qui a motivé le renommage en « Advanced Data Analysis ». Uploadez un fichier CSV, Excel, JSON ou même SQLite, et demandez en langage naturel ce que vous voulez savoir. ChatGPT va automatiquement :

Charger les données avec pandas. Examiner la structure (colonnes, types, valeurs manquantes). Répondre à vos questions en écrivant et exécutant le code approprié. Générer des visualisations (histogrammes, scatter plots, heatmaps, etc.).

Exemple concret : vous uploadez un export Google Analytics de 30 000 lignes et demandez « Quelles pages ont le meilleur taux de conversion par source de trafic ? ». ChatGPT va nettoyer les données, calculer les taux, créer un graphique croisé, et vous donner une réponse exploitable en moins d’une minute.

Pour les données structurées volumineuses, Code Interpreter est parfois plus rapide qu’Excel ou Google Sheets, car il utilise pandas en backend, qui gère nativement les fichiers trop gros pour un tableur classique (jusqu’à 50 Mo pour les tableurs dans ChatGPT).

Visualisation de données

ChatGPT utilise principalement matplotlib pour les graphiques statiques et peut générer des versions interactives pour certains types de graphiques. Les types supportés incluent : histogrammes, scatter plots, box plots, heatmaps, area charts, radar charts, treemaps, bubble charts, waterfall charts, et les classiques bar/line/pie charts.

Depuis les améliorations de GPT-4o, les graphiques sont personnalisables directement dans l’interface. Vous pouvez modifier les couleurs, les labels, basculer entre graphique statique et interactif, et télécharger le résultat pour vos présentations.

Conversion et manipulation de fichiers

Code Interpreter excelle dans les tâches de conversion que vous feriez habituellement avec des outils en ligne douteux :

Conversion d’images (PNG vers JPEG, redimensionnement, compression). Conversion de documents (PDF vers texte, extraction de tableaux). Conversion de formats de données (CSV vers Excel, JSON vers CSV, XML vers JSON). Nettoyage de données (suppression de doublons, normalisation de formats de dates, correction d’encodage). Fusion de fichiers (combiner plusieurs CSV en un seul, merger des PDF).

L’avantage par rapport aux outils en ligne : vos fichiers restent dans un environnement isolé et sont supprimés automatiquement après la session. Pas de publicité, pas de collecte de données par un tiers.

Exécution et test de code

Avec le support multi-langages de 2026, Code Interpreter est devenu un véritable environnement de développement jetable. Vous pouvez :

Prototyper un algorithme en Python et le tester immédiatement. Écrire un script Node.js et vérifier son comportement. Compiler et exécuter du code C/C++ ou Go. Tester des expressions régulières, des calculs statistiques, des transformations de données. Déboguer du code existant en le collant dans la conversation.

Pour les développeurs, c’est un complément utile aux IDE assistés par IA comme Cursor ou Claude Code. Code Interpreter n’est pas conçu pour des projets entiers, mais il est imbattable pour tester rapidement un bout de code ou valider une hypothèse.

Résolution de problèmes mathématiques

L’un des avantages les plus sous-estimés de Code Interpreter : au lieu de « deviner » la réponse à un problème mathématique (ce que les LLM font souvent mal), ChatGPT écrit du code pour calculer la réponse exacte. Cela couvre l’algèbre, les statistiques, les probabilités, l’optimisation, les équations différentielles, et la géométrie computationnelle.

Avec les modèles de raisonnement comme GPT-5.4 Thinking, vous pouvez aller encore plus loin : régressions sur des données de test, simulations Monte Carlo, analyses de scénarios complexes. Le modèle de raisonnement planifie l’approche, et Code Interpreter exécute le calcul.

Formats supportés et limites techniques

Formats de fichiers acceptés

Limites d’upload par plan

Limites techniques à connaître

Pas d’accès internet. Le conteneur ne peut pas faire de requêtes réseau sortantes. Vous ne pouvez pas scraper un site web, appeler une API externe, ou télécharger des données en temps réel (sauf via l’outil container.download ajouté début 2026, qui passe par un proxy contrôlé).

Pas de GPU. L’environnement est CPU-only. L’entraînement de modèles de deep learning (TensorFlow, PyTorch) est impraticable. Pour le machine learning classique avec scikit-learn sur des datasets raisonnables, ça fonctionne très bien.

Session éphémère. Le système de fichiers est réinitialisé entre les sessions. Tout le travail non téléchargé est perdu.

Timeout d’exécution. Les calculs très longs peuvent être interrompus. Pour les datasets massifs, il est préférable de pré-traiter les données avant l’upload (enlever les colonnes inutiles, échantillonner si nécessaire).

Pas de widgets interactifs. Contrairement à un Jupyter Notebook, vous ne pouvez pas utiliser de sliders ou de widgets dynamiques. Les graphiques interactifs se limitent à un sous-ensemble de types de charts (bar, line, pie, scatter principalement).

Bibliothèques Python pré-installées

L’environnement d’exécution contient des centaines de bibliothèques Python pré-installées. Voici les plus importantes par catégorie :

Analyse de données : pandas, numpy, scipy, statsmodels. Ce sont les fondations de quasiment toute analyse que vous demanderez.

Visualisation : matplotlib, seaborn, plotly. Matplotlib est le moteur principal des graphiques générés par ChatGPT.

Machine learning : scikit-learn, xgboost. Suffisant pour la classification, la régression, le clustering et la réduction de dimensionnalité sur des datasets de taille modérée.

Traitement de texte : nltk, regex, beautifulsoup4. Utile pour le parsing HTML, l’analyse de sentiment basique, et les transformations de texte.

Traitement d’images : Pillow (PIL), opencv-python. Redimensionnement, conversion de format, extraction de métadonnées, OCR basique.

Fichiers et formats : openpyxl (Excel), pdfplumber (PDF), python-docx (Word), json, csv, xml.etree. Tout ce qu’il faut pour lire et écrire dans les formats courants.

Depuis la mise à jour de janvier 2026, vous pouvez aussi installer des packages supplémentaires via pip install directement dans la session. Cela résout la frustration historique de ne pas pouvoir utiliser une bibliothèque spécifique.

Comment utiliser Code Interpreter

Bonne nouvelle : vous n’avez rien à activer. Depuis le déploiement sur GPT-4o, Code Interpreter est activé par défaut pour tous les utilisateurs (y compris le plan gratuit, avec des limitations de fréquence).

Pour vérifier que la fonctionnalité est bien active, rendez-vous dans votre avatar (coin supérieur droit) > Personnaliser ChatGPT > vérifiez que la case « Code » est cochée en bas de la fenêtre.

Étape 1 : Uploadez vos données. Cliquez sur l’icône « + » dans la zone de saisie, puis sélectionnez votre fichier. Vous pouvez aussi importer directement depuis Google Drive ou Microsoft OneDrive si vous avez connecté ces services.

Étape 2 : Décrivez ce que vous voulez. En langage naturel. Exemples :

« Analyse ce fichier CSV et montre-moi les tendances de ventes par trimestre. »

« Nettoie ce dataset : supprime les doublons, corrige les formats de dates, et exporte en Excel. »

« Crée un scatter plot avec une régression linéaire pour les colonnes budget et revenue. »

« Convertis cette image PNG en JPEG avec une compression à 80%. »

Étape 3 : Itérez. ChatGPT exécute le code et vous montre le résultat. Si ce n’est pas exactement ce que vous vouliez, affinez votre demande. Le contexte de la conversation est conservé, donc vous pouvez demander « Change les couleurs du graphique » ou « Ajoute une colonne calculée » sans tout recommencer.

Étape 4 : Téléchargez. Cliquez sur les fichiers générés pour les télécharger. Les graphiques, les fichiers transformés, les exports sont tous téléchargeables.

Prompts efficaces pour Code Interpreter

La qualité de vos résultats dépend directement de la précision de vos prompts. Voici les patterns qui fonctionnent le mieux :

Pour l’analyse de données

Prompt structuré : « Charge ce fichier CSV. Étape 1 : montre-moi les 5 premières lignes et les types de colonnes. Étape 2 : identifie les valeurs manquantes. Étape 3 : crée un résumé statistique. Étape 4 : génère les 3 visualisations les plus pertinentes pour comprendre les tendances principales. »

Ce type de prompt séquentiel guide ChatGPT à travers un workflow d’analyse de données classique et produit des résultats bien plus complets qu’un simple « Analyse ce fichier ».

Pour les visualisations

Prompt détaillé : « Crée un graphique en barres empilées montrant le chiffre d’affaires par produit et par trimestre. Utilise une palette de couleurs professionnelle (pas les couleurs par défaut de matplotlib). Titre : ‘Évolution du CA par produit’. Légende en bas. Format 16:9. Exporte en PNG haute résolution (300 DPI). »

Plus vous spécifiez le style, le format et la destination du graphique, moins vous aurez d’itérations à faire.

Pour l’exécution de code

Prompt explicite : « Écris une fonction Python qui prend en entrée une liste de transactions (montant, date, catégorie) et retourne un résumé mensuel avec total, moyenne et nombre de transactions par catégorie. Teste-la avec des données fictives réalistes. »

Demander explicitement des tests avec des données d’exemple est l’un des meilleurs moyens d’obtenir du code fiable de Code Interpreter.

Code Interpreter vs les alternatives

Verdict : Code Interpreter de ChatGPT a l’avantage du nombre de langages supportés, de la taille de fichier maximale (512 Mo vs ~30 Mo pour Claude), et de la capacité à installer des packages. Pour l’analyse de données pure, c’est l’outil le plus complet parmi les chatbots IA. Claude offre des Artifacts plus élégants pour les rendus visuels interactifs (composants React complets), tandis que Gemini reste plus limité sur l’exécution de code. Pour des projets sérieux nécessitant persistance, GPU, ou accès réseau, un Jupyter Notebook local reste indispensable.

Quel plan pour quel usage ?

Code Interpreter est disponible sur tous les plans ChatGPT, mais avec des différences significatives en termes de quotas et de modèles accessibles.

Plan Free : Vous avez accès à Code Interpreter via GPT-4o, mais avec 3 fichiers par jour maximum et des limites de messages assez strictes. Suffisant pour tester la fonctionnalité, insuffisant pour un usage professionnel régulier. À noter : depuis février 2026, le plan Free affiche de la publicité.

Plan Plus ($20/mois) : C’est le sweet spot pour la majorité des utilisateurs. Vous accédez à GPT-5.4 Thinking (qui combine raisonnement avancé et exécution de code), environ 80 fichiers toutes les 3 heures, et les fonctionnalités Deep Research. Pour un data analyst, un marketeur ou un chercheur, c’est largement suffisant.

Plan Pro ($200/mois) : Uploads illimités en pratique, accès à GPT-5.4 Pro (le modèle le plus puissant pour les tâches complexes), quotas étendus. Justifié si vous passez plusieurs heures par jour dans ChatGPT pour de l’analyse de données lourde.

Plans Team/Enterprise : Ajoutent l’administration centralisée, les garanties de confidentialité (pas d’entraînement sur vos données), et des quotas encore plus élevés. Indispensables pour un usage en équipe dans un contexte professionnel.

10 astuces pour tirer le maximum de Code Interpreter

1. Pré-traitez vos données volumineuses. Supprimez les colonnes inutiles et exportez en CSV avant d’uploader. Un fichier léger donne des résultats plus rapides et plus fiables.

2. Demandez le code, pas seulement le résultat. Ajoutez « montre-moi le code utilisé » ou cliquez sur « Voir l’analyse » pour comprendre et réutiliser le code dans votre propre environnement.

3. Utilisez des prompts séquentiels. Plutôt qu’une demande vague, guidez ChatGPT étape par étape. « D’abord montre la structure des données, puis identifie les outliers, puis crée une visualisation. »

4. Importez depuis le cloud. Connectez Google Drive ou OneDrive pour importer directement vos fichiers sans téléchargement local intermédiaire.

5. Exploitez le multi-langages. Depuis 2026, vous pouvez tester du code Go, Java, C++ dans le même conteneur. Utile pour valider des algorithmes dans différents langages.

6. Combinez avec les modèles de raisonnement. GPT-5.4 Thinking planifie mieux l’analyse avant d’exécuter le code. Pour les analyses complexes, précisez « utilise le mode thinking » ou sélectionnez le modèle de raisonnement.

7. Installez des packages si nécessaire. Si vous avez besoin d’une bibliothèque spécifique non pré-installée, demandez « installe le package X avec pip » et ChatGPT le fera via son proxy interne.

8. Fusionnez vos fichiers avant l’upload. Si vous avez 20 petits CSV à analyser ensemble, combinez-les en un seul fichier (ou un ZIP) pour consommer moins de votre quota de fichiers.

9. Spécifiez le format de sortie. « Exporte en Excel avec mise en forme » ou « Génère le graphique en PNG 300 DPI » évitent des allers-retours inutiles.

10. Utilisez les GPTs personnalisés pour vos workflows récurrents. Créez un GPT custom avec des instructions système qui définissent votre workflow d’analyse type, les colonnes attendues, le format de sortie. Vous n’aurez plus à répéter les mêmes instructions à chaque session.

Les limites à accepter (et les contournements)

Le conteneur est éphémère : pas de persistance entre sessions. Si vous fermez la conversation, tout est perdu. Contournement : téléchargez systématiquement les résultats, et conservez les prompts qui ont bien fonctionné dans un document à part (ou dans un GPT custom).

Pas d’accès aux API externes. Vous ne pouvez pas interroger une base de données distante ou appeler une API tierce. Contournement : exportez les données de votre API en CSV/JSON, puis uploadez-les dans ChatGPT.

Les fichiers très lourds peuvent timeout. Au-delà de quelques centaines de Mo, l’analyse peut échouer. Contournement : échantillonnez les données (prenez les 10 000 premières lignes pour un aperçu), ou découpez le fichier en morceaux.

Le code n’est pas toujours optimal. ChatGPT génère du code fonctionnel, mais pas forcément performant. Pour des analyses critiques, relisez le code et optimisez-le avant de le déployer en production.

Les visualisations ont un style par défaut générique. Les graphiques matplotlib par défaut sont fonctionnels mais pas très esthétiques. Contournement : demandez explicitement un style précis, ou récupérez le code et personnalisez-le dans votre propre environnement.

Cas pratiques détaillés

Analyser un rapport financier PDF

Uploadez le PDF et demandez : « Extrais tous les tableaux de ce rapport. Identifie les postes de dépenses, calcule l’évolution année sur année, et crée un graphique en cascade (waterfall chart) montrant la décomposition du résultat net. »

ChatGPT va utiliser pdfplumber pour extraire les tableaux, pandas pour les transformer, et matplotlib pour la visualisation. Si le PDF est mal structuré (scans, tableaux complexes), les résultats peuvent varier. Dans ce cas, passez par un outil OCR spécialisé avant l’upload.

Nettoyer un fichier client en désordre

Prompt type : « Ce fichier contient des données clients avec des problèmes : noms en majuscules/minuscules incohérents, numéros de téléphone dans 5 formats différents, doublons probables sur l’email. Nettoie tout, normalise les formats, identifie les doublons potentiels, et exporte un fichier Excel propre avec un onglet de doublons détectés. »

Créer un dashboard d’analyse marketing

Uploadez vos exports Google Ads et Meta Ads (en CSV), puis demandez : « Fusionne ces deux sources de données. Calcule le CPA, le ROAS et le CTR par campagne. Classe les campagnes par performance. Crée 3 graphiques : ROAS par canal, évolution du CPA dans le temps, top 10 des campagnes par conversions. »

Sécurité et confidentialité

L’environnement d’exécution de Code Interpreter est isolé du reste de l’infrastructure ChatGPT. Vos fichiers ne sont pas accessibles depuis d’autres conversations ou par d’autres utilisateurs. Le conteneur n’a pas d’accès réseau sortant, ce qui limite les risques d’exfiltration de données.

Cependant, gardez en tête que les données uploadées sur ChatGPT peuvent être utilisées pour l’entraînement des modèles, sauf si vous avez désactivé cette option dans Data Controls (ou si vous êtes sur un plan Team/Enterprise). Pour des données sensibles, vérifiez vos paramètres de confidentialité ou utilisez un plan Enterprise qui garantit contractuellement que vos données ne servent pas à l’entraînement.

L’évolution de Code Interpreter : de plugin à infrastructure

L’histoire de Code Interpreter illustre la stratégie d’OpenAI : lancer une fonctionnalité expérimentale, la valider avec les early adopters, puis l’intégrer comme brique fondamentale de la plateforme.

Juillet 2023 : lancement en beta sous le nom « Code Interpreter », exclusif à ChatGPT Plus. Python uniquement, pas d’installation de packages, limites strictes.

Août 2023 : renommage en « Advanced Data Analysis » pour le lancement d’Enterprise. Même fonctionnalité, nouveau nom orienté business.

Mai 2024 : intégration par défaut dans GPT-4o. Plus besoin de l’activer manuellement. Ajout de l’import depuis Google Drive et OneDrive, des tableaux interactifs, et des graphiques personnalisables.

Janvier 2026 : mise à niveau massive vers les « Containers ». Support de Bash, Node.js, 10+ langages, installation de packages via pip/npm, outil container.download. L’environnement passe de « notebook Python » à « machine de développement jetable ».

La trajectoire est claire : Code Interpreter évolue vers un environnement de compute généraliste piloté par IA. Avec le support de Operator (computer use) et des agents d’exécution de code, OpenAI construit une plateforme où l’IA ne se contente pas de générer du texte, mais agit concrètement dans un environnement informatique.

---