Depuis le début de l’année, les géants du numérique ont rivalisé d’annonces autour du Deep Research, ces nouveaux outils d’IA destinés à automatiser des recherches complexes sur le web. OpenAI, Google Gemini, Claude, DeepSeek, Perplexity et d’autres encore proposent désormais, parfois uniquement en version payante, de nouveaux modèles d’IA agentiques capables de mener en plusieurs étapes des recherches approfondies.
Dans le prochain numéro de Netsources, le sujet du Deep Research sera décliné sous un angle pratique.
Ces agents vont en effet composer le processus de recherche en plusieurs tâches automatisées : recherche de documents (pages HTML, images, documents PDF…), extraction et analyse des données pertinentes, puis production d’un rapport synthétique structuré mentionnant les sources utilisées.
Pour autant, ces agents automatisés sont-ils capables de détecter les sources les plus pertinentes, et d’en extraire les éléments utiles ? Quel sera l’impact de ces nouveaux agents sur les pratiques de recherches ? La profondeur d’analyse annoncée est-elle réelle ? Quelles sont leurs limites actuelles ? Commençons par nous pencher sur les modèles de raisonnement développés récemment, et qui sous-tendent ces nouveaux outils.
Qu’est-ce qu’un modèle de raisonnement agentique ?
Ces fonctionnalités de Deep Research sont basées sur des modèles de raisonnement de nouvelle génération. Les premiers modèles de raisonnement, apparus dès les prémices de l’IA dans les années 1950, étaient basés sur la logique formelle. Les architectures récentes comme Open AI O3 et le tout récent 04 mini, Gemini 2.0 Flash Thinking, Claude 3.7 Sonnet ou DeepSeek R1 sont conçues pour simuler des formes de réflexion structurée proches de la démarche humaine. Ils s’appuient sur une architecture technique de modèle de langage capable de planifier des actions cognitives en plusieurs étapes, d’interagir avec des outils externes (par exemple, des navigateurs web ou applications tierces), d’évaluer dynamiquement la qualité des informations disponibles, et de réviser leur propre cheminement intellectuel au fur et à mesure.
Contrairement aux modèles purement réactifs tels que ChatGPT en version « simple », ces systèmes sont dotés d’un moteur de planification intégré, leur permettant de découper une tâche complexe en sous-objectifs successifs, de collecter les informations nécessaires, puis d’en produire une synthèse raisonnée, souvent étayée de sources, d’arguments croisés ou éventuellement contradictoires.
Appliqués à la recherche d’informations, ces modèles ne se limitent ainsi pas à la génération de réponses textuelles à partir d’un simple prompt. Ils utilisent des chaînes de pensée (chain of thought), c’est-à-dire une technique de prompting qui incite le modèle à décomposer un raisonnement complexe en plusieurs étapes explicites, un peu comme le ferait un humain qui pense à voix haute. Plutôt que de répondre directement, le modèle est guidé par des prompts structurés pour décomposer un processus en plusieurs étapes, chaque étape se basant sur la précédente, dans une logique qui n’est pas forcément linéaire : ces modèles peuvent reconfigurer leur plan de recherche, en fonction de nouvelles données.
