Quoi de neuf dans l’IA #3 : Deep Research

OpenAI vient d’ouvrir à tous les utilisateurs son outil Deep Research, conçu pour mener des recherches complexes à partir de requêtes simples dans ChatGPT.

Depuis le 25 avril, tous les utilisateurs payants de ChatGPT peuvent activer une nouvelle fonctionnalité baptisée Deep Research. Accessible via l’onglet “Explore GPTs”, elle propose une manière repensée de faire des recherches sur un sujet dense, en fractionnant automatiquement les requêtes, en agrégeant des sources variées, et en synthétisant l’information à la manière d’un assistant de recherche humain.

L’outil a d’abord été repéré sous le nom de “Reading Coach” ou “Research Preview” en phase de test, avant d’être intégré officiellement dans la bibliothèque des GPTs personnalisés. Il est désormais présenté comme un assistant pour “décomposer et explorer des sujets complexes”, selon la description d’OpenAI.

Une méthode inspirée du travail d’un analyste

Concrètement, lorsqu’un utilisateur pose une question ouverte — du type “Quels sont les avantages et limites des petits réacteurs modulaires ?” — Deep Research va générer un plan de travail divisé en sous-questions. Il traite ensuite chaque sous-question séparément, effectue des recherches web via le navigateur intégré de ChatGPT, puis compile les éléments collectés dans une synthèse cohérente.

Le tout s’affiche sous forme d’une carte interactive, où chaque nœud du raisonnement est cliquable. On peut ainsi explorer les sources utilisées, relancer une recherche à partir d’un point spécifique, ou reformuler une question sans perdre le fil. C’est un net progrès par rapport aux réponses monolithiques que donnait ChatGPT jusqu’ici.

L’approche repose sur des principes proches de la méthode Socratique : poser les bonnes sous-questions, identifier les hypothèses implicites, varier les angles. En ce sens, Deep Research peut se comparer à des outils comme Perplexity Pro ou Elicit, mais avec une interface plus visuelle et un ancrage plus fort dans l’écosystème OpenAI.

Une interface conçue pour le suivi et l’itération

Deep Research se distingue aussi par sa capacité à enregistrer et structurer la démarche de recherche. Chaque session donne lieu à une arborescence que l’on peut explorer, éditer, sauvegarder et reprendre plus tard. Les utilisateurs peuvent modifier les sous-questions proposées, ajouter leurs propres axes d’investigation, ou demander une synthèse intermédiaire à tout moment.

L’outil offre également une vision transparente de ses sources, avec des liens directs vers les pages consultées et des résumés contextuels. Cela renforce la traçabilité de la réponse — un point souvent critiqué chez les chatbots IA classiques, dont les affirmations sont parfois difficiles à vérifier.

La synthèse finale, produite en langage naturel, est construite à partir des réponses aux sous-questions, et peut être générée sous différents formats : note longue, résumé exécutif, points-clés, etc. Cette flexibilité permet d’adapter le rendu aux besoins de l’utilisateur — qu’il soit étudiant, journaliste, analyste ou consultant.

Une nouvelle étape dans l’évolution des assistants IA

En rendant Deep Research accessible à tous, OpenAI pousse plus loin une évolution amorcée avec la version GPT-4 Turbo : passer d’un chatbot conversationnel à un véritable outil de travail cognitif. Là où l’IA se contentait autrefois de répondre à la volée, elle devient ici un système de gestion active de l’information.

C’est aussi un signe que l’usage professionnel de ChatGPT se renforce. Deep Research s’inscrit dans une logique de productivité augmentée, qui vise à automatiser la phase fastidieuse des recherches documentaires pour laisser plus de place à l’analyse. On retrouve cette tendance dans l’évolution des autres agents d’OpenAI (comme Code Interpreter ou Memory), qui tendent à assumer des fonctions de plus en plus spécialisées.

Une ouverture progressive vers l’agent autonome

Deep Research pourrait aussi servir de brique pour les futurs agents autonomes qu’OpenAI développe en interne. Le fait de fractionner une tâche, d’enchaîner des étapes, de rechercher des sources et de synthétiser les résultats constitue une forme embryonnaire d’autonomie dans la gestion de requêtes complexes.

À ce stade, c’est encore l’utilisateur qui pilote l’ensemble du processus. Mais la structure mise en place — arborescence, tâches décomposées, navigation par étapes — prépare le terrain pour des usages où l’IA initiera elle-même ses investigations, selon un objectif donné. On entrevoit ici une évolution vers des assistants plus proactifs, capables d’explorer un sujet en profondeur sans instruction manuelle à chaque étape.