Deep Research publié, l'IA n'est plus un simple moteur de recherche, mais devient votre partenaire de recherche
TechFlow SélectionTechFlow Sélection
Deep Research publié, l'IA n'est plus un simple moteur de recherche, mais devient votre partenaire de recherche
La fin de la recherche, le début de l'étude.
Dédié à des analyses Web3 approfondiesAuteur :One Useful Thing
Traduction : TechFlow
Lors du week-end dernier, nous avons eu un aperçu de l'avenir. Depuis longtemps, j'aborde deux révolutions majeures en matière d'IA : l'émergence des agents autonomes et le développement de systèmes de raisonnement puissants depuis la sortie du modèle o1 par OpenAI. Ces deux voies technologiques convergent désormais, donnant naissance à un résultat stupéfiant : des systèmes d'IA capables non seulement de mener des recherches avec la profondeur et la minutie d'experts humains, mais aussi à la vitesse propre aux machines. Cette convergence se matérialise notamment par Deep Research d'OpenAI, qui dessine les contours de notre futur. Toutefois, pour comprendre pourquoi cela est important, commençons par les bases : les systèmes de raisonnement et les agents.
Systèmes de raisonnement (Reasoners)
Au cours des dernières années, lorsque vous utilisiez un chatbot, son fonctionnement était généralement très simple : après avoir saisi une question, le système produisait une réponse mot à mot (ou plus précisément token par token). Étant donné que l'IA ne pouvait « penser » qu'en générant ces tokens, les chercheurs ont développé diverses techniques pour améliorer ses capacités de raisonnement. Par exemple, en demandant à l'IA de « raisonner étape par étape avant de répondre », ce qu'on appelle la méthode Chain-of-Thought Prompting, ses performances ont nettement augmenté.
Les systèmes de raisonnement automatisent ce processus. Avant de fournir une réponse finale, ils génèrent d'abord des « tokens de réflexion » (étapes de raisonnement). Cette approche apporte deux avancées essentielles.
Premièrement, les entreprises d'IA peuvent entraîner ces systèmes sur des exemples de résolution de problèmes par d'excellents experts, rendant ainsi le processus de « pensée » de l'IA plus efficace. Cette formation permet de produire des chaînes de raisonnement de qualité supérieure à celles obtenues via des prompts humains, permettant aux systèmes de raisonnement de résoudre des problèmes plus complexes, notamment dans des domaines comme les mathématiques ou la logique, où les chatbots traditionnels sont souvent limités.
Deuxièmement, un trait marquant des systèmes de raisonnement est que plus ils « réfléchissent » longtemps, meilleure est la qualité de leur réponse (bien que le taux d'amélioration diminue progressivement avec le temps). Cela revêt une importance particulière car auparavant, la seule façon d'améliorer les performances de l'IA consistait à entraîner des modèles plus grands, ce qui nécessitait d'énormes quantités de données et de financement. Les systèmes de raisonnement montrent qu'il suffit désormais, lors de la réponse à une question (c'est-à-dire pendant le calcul de raisonnement), de faire générer davantage d'étapes de raisonnement à l'IA pour améliorer significativement ses performances, sans avoir besoin d'accroître les ressources d'entraînement du modèle.
Le test GPQA (Graduate-level Physics Question Answering) est un ensemble de questions à choix multiples conçu pour évaluer les capacités de raisonnement de l'IA. Même des doctorants ayant accès à Internet atteignent un taux de réussite de seulement 34 % dans des domaines non spécialisés, contre 81 % dans leurs domaines d'expertise. Ce test illustre comment les modèles de raisonnement accélèrent considérablement les capacités de l'IA (source des données).
Étant donné que les systèmes de raisonnement constituent encore une technologie émergente, leurs capacités progressent rapidement. En quelques mois seulement, nous avons assisté à une nette évolution de la série o1 d'OpenAI vers le nouveau modèle o3. Parallèlement, DeepSeek r1, basé en Chine, améliore ses performances par des méthodes innovantes tout en réduisant les coûts, tandis que Google a lancé son premier système de raisonnement. Ce n'est là qu'un début : nous verrons bientôt apparaître des systèmes de raisonnement encore plus puissants, peut-être plus vite que prévu.
Agents
Les experts ne se sont pas encore mis d'accord sur une définition précise des agents d'IA. On peut toutefois les définir simplement comme des « systèmes d'IA dotés d’un objectif et capables d’atteindre cet objectif de manière autonome ». Actuellement, les principaux laboratoires d'IA s'affrontent dans une course intense pour développer des agents généralistes capables de s'attaquer à n'importe quelle tâche. J'ai déjà mentionné certains exemples précurseurs, comme Devin et Claude, qui possèdent certaines compétences en manipulation informatique. Récemment, OpenAI a lancé Operator, qui constitue probablement à ce jour l'exemple le plus abouti d'agent généraliste.
La vidéo suivante (accélérée 16 fois) illustre à la fois le potentiel considérable et les limites actuelles des agents généralistes. J'ai donné à Operator la mission suivante : lire mon dernier article Substack sur OneUsefulThing, puis se rendre sur Google ImageFX, concevoir une image appropriée, la télécharger et me la remettre pour publication. Au départ, Operator s'est très bien comporté : il a trouvé précisément mon site web, lu l'article, navigué jusqu'à ImageFX (avec une pause pour me permettre de saisir mes identifiants), puis créé une image avec succès. Cependant, des problèmes sont apparus par la suite, principalement pour deux raisons : d'une part, Operator a été bloqué par les restrictions de sécurité d'OpenAI empêchant le téléchargement de fichiers ; d'autre part, il a connu des difficultés durant l'exécution de la tâche. L'agent a tenté diverses solutions, comme copier dans le presse-papiers, générer un lien direct, ou même plonger dans le code source du site. Aucune de ces tentatives n'a abouti — certaines en raison des limitations imposées par le navigateur d'OpenAI, d'autres parce que l'agent a mal interprété la tâche. Observer cette tentative obstinée mais infructueuse révèle non seulement les limites actuelles du système, mais soulève également des questions sur la manière dont les agents réagiront face à des obstacles dans le monde réel.
Bien qu'Operator expose certaines faiblesses des agents généralistes, cela ne signifie pas qu'ils soient dénués de valeur. À l'heure actuelle, les agents spécialisés, axés sur des tâches spécifiques, ont déjà démontré une valeur économique significative. Appuyés sur les technologies actuelles des grands modèles linguistiques (LLM), ces agents peuvent réaliser des performances impressionnantes dans des domaines ciblés. Par exemple, le nouveau produit d'OpenAI, Deep Research, est un exemple emblématique d'agent spécialisé.
Deep Research (Recherche approfondie)
Deep Research d'OpenAI (attention à ne pas le confondre avec le Deep Research de Google, sujet abordé plus loin) est un agent spécialisé dans la recherche. Il repose sur le système de raisonnement o3 d'OpenAI (non encore publié) et dispose d'outils et fonctions dédiés. Il s'agit de l'une des applications d'IA les plus impressionnantes que j'aie vues récemment.
Pour illustrer ses capacités, je lui ai soumis un sujet : à quel moment, au cours du développement d'une startup, faut-il cesser l'exploration et entamer l'expansion ? Il s'agit d'une question technique et controversée dans mon domaine de recherche. J'ai demandé à Deep Research d'examiner les études académiques pertinentes, en mettant l'accent sur les articles de haute qualité et les essais contrôlés randomisés (RCT), de traiter d'éventuelles divergences terminologiques, ainsi que les contradictions entre bon sens et résultats de recherche. Enfin, il devait produire un document complet adapté à un débat de niveau master.
Au démarrage de la tâche, l'IA a posé plusieurs questions pertinentes, auxquelles j'ai affiné mes attentes. Puis le système de raisonnement o3 d'OpenAI s'est mis au travail. Tout au long du processus, on peut clairement observer ses progrès et son cheminement de « pensée ». Voici quelques extraits clés, dignes d'une attention minutieuse. Vous remarquerez que le comportement de ce système d'IA ressemble beaucoup à celui d'un chercheur : il explore activement ses découvertes, creuse les éléments qui « retiennent son intérêt », et tente de résoudre des problèmes (par exemple, trouver un moyen de contourner les murs payants). Le processus entier a duré environ cinq minutes.
J'ai finalement reçu un brouillon de treize pages, soit 3 778 mots, comprenant six citations principales et des références supplémentaires. La qualité globale est satisfaisante, même si le nombre de sources citées pourrait être amélioré. L'article réussit à intégrer harmonieusement des concepts complexes et contradictoires, et découvre même des liens nouveaux que je n'avais pas anticipés. Il cite exclusivement des sources académiques de haute qualité, avec des passages exactement reproduits. Bien que je ne puisse garantir l'exactitude absolue de chaque élément (je n'ai toutefois relevé aucune erreur flagrante), si ce texte avait été produit par un doctorant débutant, j'en serais pleinement satisfait. Voici quelques extraits qui expliquent pourquoi je suis si impressionné par ses performances (le résultat complet est consultable ici).
La qualité des citations fournit par cette IA marque un progrès significatif. Elles ne relèvent plus des classiques « hallucinations » d'IA ou de références erronées, mais proviennent de sources académiques légitimes et de haut niveau, incluant des travaux pionniers de mes collègues Saerom (Ronnie) Lee et Daniel Kim. Lorsque je clique sur les liens de citation, ceux-ci pointent non seulement vers les bons articles, mais redirigent souvent directement vers les passages précis mis en évidence. Malgré certaines limites persistantes — l'IA ne peut accéder qu'au contenu qu'elle trouve et lit en quelques minutes, et les articles derrière des murs payants restent inaccessibles — ce résultat constitue un bond fondamental dans la capacité de l'IA à traiter la littérature académique. Pour la première fois, une IA ne se contente pas de résumer des recherches, mais participe activement à la démarche scientifique, d'une manière proche de celle d'un chercheur humain.
Il convient de noter que Google a également lancé le mois dernier un produit portant le même nom, Deep Research (soupirs). Le système de Google propose davantage de citations, mais la qualité des sources est inégale, mêlant souvent des sites web variés (l'accès limité aux informations derrière murs payants et aux livres constitue un défi commun à tous les agents). Contrairement à l'agent de recherche d'OpenAI, le système de Google semble rassembler tous les documents en une seule fois, plutôt que de procéder par découverte progressive. De plus, comme le produit de Google repose actuellement sur l'ancien modèle Gemini 1.5 (dépourvu de capacités de raisonnement), ses synthèses sont plus superficielles, bien que globalement solides et sans erreurs manifestes. On pourrait dire que son rendu ressemble davantage à un excellent travail d'étudiant de licence.
Pour mieux comprendre la différence : les agents de recherche d'OpenAI et de Google accomplissent tous deux un travail qui prendrait habituellement plusieurs heures à un humain. La différence réside dans le fait que le système d'OpenAI atteint un niveau d'analyse proche de celui d'un chercheur docteur, tandis que celui de Google correspond davantage à un excellent étudiant de licence. Dans sa communication officielle, OpenAI formule des affirmations audacieuses, accompagnées d'un graphique indiquant que son agent peut traiter 15 % des projets de recherche à forte valeur économique et 9 % des projets à très haute valeur. Bien que la méthodologie exacte de ces chiffres ne soit pas publiée, justifiant une certaine prudence, mon expérience pratique tend à confirmer qu'ils ne sont pas entièrement exagérés. Deep Research est effectivement capable de réaliser en quelques minutes des analyses complexes et utiles, au lieu de plusieurs heures. Compte tenu de la vitesse du progrès technologique, je suis convaincu que Google ne laissera pas cet écart perdurer longtemps. Dans les prochains mois, nous assisterons probablement à une montée rapide des capacités des agents de recherche.
Convergence technologique
D'après les tendances actuelles, les technologies développées par les principaux laboratoires d'IA ne sont pas simplement juxtaposées, mais interagissent de manière synergique pour une efficacité accrue. Les systèmes de raisonnement (Reasoners) offrent une puissante capacité d'analyse logique, tandis que les agents leur confèrent la possibilité d'agir concrètement. Nous sommes actuellement à l'ère des agents spécialisés, comme Deep Research, concentrés sur des tâches spécifiques, car même les systèmes de raisonnement les plus avancés actuels ne remplissent pas encore les conditions requises pour une autonomie générale. Toutefois, « spécialisé » ne signifie pas « limité » : ces systèmes sont déjà capables d'accomplir des tâches complexes autrefois réservées à des équipes d'experts hautement rémunérés ou à des cabinets de conseil.
Naturellement, cela ne signifie pas que les experts ou les cabinets de conseil seront remplacés. Bien au contraire, leur jugement professionnel gagnera en importance à mesure qu'ils passeront d'une exécution directe du travail à une coordination et une validation des résultats produits par l'IA. Pourtant, les laboratoires d'IA visent bien au-delà. Grâce à des modèles toujours plus puissants, ils cherchent à résoudre le défi des agents généralistes, afin de dépasser les tâches spécialisées et créer une véritable main-d'œuvre numérique autonome. Ces agents pourraient non seulement naviguer sur internet de façon autonome, mais aussi traiter divers types de données (texte, images, audio) et accomplir des actions concrètes dans le monde réel. Bien que les performances d'Operator montrent que nous n'y sommes pas encore tout à fait, le succès de Deep Research prouve que nous avançons résolument dans cette direction.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
