Rechercher et vérifier l'information avec l'IA : le mode deep research

En bref : le mode deep research, c'est quand l'IA ne répond pas immédiatement mais lance d'elle-même des dizaines de recherches, ouvre des pages et assemble un rapport sourcé en 5 à 30 minutes. Vous gagnez des heures, mais la vérification reste : le modèle peut toujours mal lire une source ou citer une page qui n'existe pas. Une seule règle : ouvrez les liens vous-même. Ce qui suit n'est pas de la théorie, mais un parcours de notre propre étude de marché — ce que nous avons trouvé, ce que nous avons recoupé et ce que, honnêtement, nous n'avons pas réussi à obtenir.

Ce qui le distingue d'un chat classique avec recherche

Un chat classique avec recherche web lance une ou deux requêtes et répond en quelques secondes. Le mode recherche fonctionne autrement : il découpe votre question en sous-questions, cherche pour chacune, lit ce qu'il trouve, repère les contradictions, comble les manques — et rédige seulement ensuite un rapport structuré avec des notes. C'est une boucle « chercher → lire → affiner », répétée de nombreuses fois sans vous.

D'où la différence de ressenti : une réponse ordinaire, c'est l'avis d'un interlocuteur cultivé ; un rapport de deep research, c'est le brouillon d'une note d'analyste. Avec une bibliographie que vous pouvez vérifier. Ou ne pas vérifier — et vous faire piéger.

Et voici l'essentiel, à saisir tout de suite. Ce mode change l'économie de la recherche, pas sa nature. Parcourir quarante pages vous coûtait une journée. Cela coûte désormais dix minutes d'attente. Mais décider quelles quarante pages méritaient d'être lues, et ce qui en découle, reste votre affaire. L'outil a rendu la collecte bon marché et n'a strictement rien fait pour la vérification. Celle-ci est restée exactement où elle était — c'est pourquoi la suite de cet article parle surtout de vérification.

Où le trouver

• ChatGPT — mode Deep Research, généralement sur les offres payantes, avec un quota mensuel d'exécutions.
• Gemini — Deep Research, intégré à l'interface, affiche son plan de recherche avant de démarrer.
• Claude — mode Research avec recherche web et travail sur plusieurs sources.
• Perplexity — conçu pour la recherche dès l'origine, avec un mode recherche dédié.

Les noms et les quotas changent presque tous les mois : retenez donc le principe plutôt que la marque. Si un outil affiche une liste de sources et met des minutes plutôt que des secondes, c'est bien ce mode. Les différences générales entre les modèles sont traitées dans ChatGPT vs Claude vs Gemini.

Comment le briefer pour que le rapport serve à quelque chose

L'erreur classique : lancer un sujet en une ligne (« le marché du véhicule électrique en Europe ») et attendre un miracle. Le mode s'exécutera et vous rendra du remplissage. Cadrez la tâche sur quatre axes : la question, les limites (période, région, types de sources), le format et le traitement de l'incertitude.

Plutôt qu'une description abstraite, regardez faire. Cliquez sur « Exécuter » et le modèle transformera sous vos yeux un sujet vague en véritable brief. Vous remplacerez ensuite le sujet par le vôtre.

Vous êtes rédacteur de briefs de recherche. Voici une demande telle
qu'un client l'a envoyée : « J'ai besoin d'un panorama du marché du
véhicule électrique en Europe. »

C'est un mauvais brief. Réécrivez-le en brief opérationnel, sur quatre
axes :

1. LA QUESTION. Découpez le sujet en 4 à 6 questions concrètes auxquelles
   on peut répondre par des faits et non par du raisonnement. Mauvaise
   question : « quelles sont les perspectives du marché ». Bonne question :
   « comment la part du véhicule électrique dans les immatriculations
   neuves a-t-elle évolué par pays sur les trois dernières années ».
2. LIMITES. Proposez une période, une région et un ordre de priorité des
   types de sources. Dites explicitement quelles sources font foi comme
   sources primaires sur ce sujet et lesquelles ne sont que des reprises.
3. FORMAT. Décrivez la structure du rapport et la règle de citation :
   ce qui doit figurer à côté de chaque chiffre.
4. INCERTITUDE. Rédigez la section que le chercheur est tenu de remplir :
   là où les sources divergent, ce qui n'a pas pu être trouvé, quelles
   affirmations reposent sur peu de choses.

Terminez par 5 « pièges de ce sujet » : les chiffres et affirmations
typiques qui circulent d'article en article dans ce domaine sans source
primaire. Expliquez pourquoi chacun mérite une contre-vérification.

Ce dernier axe, l'incertitude, est le plus précieux et presque personne ne le demande. Il transforme le rapport, d'un « texte assuré » en une carte du savoir où l'on voit où le sol est ferme et où commence le marécage. Les bases de la formulation des requêtes se trouvent dans qu'est-ce qu'un prompt, et les exemples travaillés dans notre bibliothèque de prompts.

Le piège principal : des sources qui n'existent pas

Les modèles de langage inventent des sources. Pas occasionnellement, et pas seulement les « mauvais modèles » : c'est systémique. Le modèle produit une suite plausible du texte, et une URL plausible avec un titre d'article plausible lui vient aussi facilement qu'une vraie. La mécanique est décortiquée dans hallucinations de l'IA : pourquoi les modèles inventent.

Le mode recherche réduit le risque, car il visite réellement les pages. Il ne le supprime pas. Trois façons dont l'invention se glisse dans un rapport terminé :

• Lien mort. La source a déménagé ou n'a jamais existé — dans le rapport, les deux paraissent tout aussi sérieuses.
• Le lien fonctionne, mais l'affirmation n'y est pas. Le cas le plus fréquent et le plus retors : la page s'ouvre, semble pertinente, mais le chiffre du rapport n'y figure tout simplement pas — le modèle a ajouté l'accent de son cru.
• Chaîne de reprises. Le rapport cite un blog, le blog cite une actualité, l'actualité cite « une étude » que personne n'a vue. Formellement, la note existe. En réalité, il n'y a pas de source primaire.

La conclusion est inconfortable mais honnête : une note de bas de page n'est pas une vérification, c'est la promesse d'une vérification. La vérification vous incombe.

Six cas tirés de notre propre recherche

Ce qui suit n'est pas un exemple d'école. Nous avons mené nous-mêmes une étude du marché des cours d'IA (données extraites le 17/07/2026) : nous avons récupéré les prix et les indicateurs des cours dans une API interne d'Udemy, rassemblé les statistiques d'inscription sur Coursera et lu ce qu'ont réellement écrit les apprenants mécontents. Ce matériau permet de montrer tous les pièges d'un coup, car nous sommes tombés dans chacun d'eux.

Cas 1. La source primaire contre le « tout le monde le sait »

La sagesse populaire affirme que les cours Udemy sont affichés à 200 dollars et soldés en permanence à −90 %. Demandez à n'importe quel modèle : il vous le répétera avec aplomb, puisque des milliers d'articles le disent. Nous sommes allés voir la réponse brute de l'API (point d'accès price_text) et voici ce que nous avons vu :

Vous êtes un analyste qui lit les réponses brutes d'API et ne croit
pas le marketing sur parole. Voici un fragment de la réponse d'API
pour la page d'un cours (récupéré par nos soins le 17/07/2026) :

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Vos tâches :
1. Dites ce que ce fragment prouve et ce qu'il ne prouve pas.
   Séparez strictement les deux.
2. L'affirmation courante est : « cette plateforme est soldée en
   permanence, un cours à 200 euros part à 20 ». Le fragment
   réfute-t-il cette affirmation ? Entièrement ou en partie ?
3. Donnez trois explications alternatives sous lesquelles le fragment
   et l'affirmation courante resteraient compatibles.
4. Nommez trois autres champs ou requêtes que vous exigeriez pour
   trancher définitivement. Pour chacun, dites quel doute précis
   il lève.
5. Formulez la conclusion telle qu'elle pourrait être imprimée :
   une phrase, sans exagération, avec une réserve explicite sur les
   limites des données.

Ce que nous avons trouvé : il n'y a pas de remise. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Le cours coûte 24,99 €, et 24,99 € est aussi son plein tarif. Sur les douze cours les plus vendus que nous avons capturés, onze sont à 19,99 € ; un seul (The Complete AI Guide) est à 24,99 €. Aucun « avant 199,99 € » nulle part.

Voilà toute la leçon sur les sources primaires en un paragraphe. Une croyance de masse existait, elle avait été publiée des milliers de fois et paraissait tout à fait plausible. Aucun deep research ne l'aurait renversée : le modèle aurait trouvé ces mêmes milliers d'articles et les aurait consciencieusement résumés. Seule une réponse serveur lisible par machine, que quelqu'un devait aller chercher, la réfute. Le deep research excelle à trouver le consensus et est quasi incapable de trouver ce que le consensus a manqué.

Avant de lancer une exécution, posez-vous donc une question désagréable : ma réponse a-t-elle des chances d'être écrite quelque part, ou vit-elle dans une base de données, un registre, une API, une grille tarifaire, un dossier judiciaire ? Si c'est le second cas, le rapport vous remettra un résumé magnifiquement sourcé de ce que tout le monde croit, et vous n'aurez rien appris.

Cas 2. Le chiffre que nous n'avons pas pu obtenir

Notre étude contient une ligne que je préfère à tous ses chiffres : le prix exact de ChatGPT Plus — non confirmé, tous les domaines OpenAI ont renvoyé 403. Nous connaissons ce prix à peu près, comme tout le monde. Mais la source primaire a refusé de nous le donner : dans notre fichier interne, il est donc marqué comme de seconde main et interdit d'usage en tant que fait.

Le prix du Personal Plan d'Udemy porte la même marque : 20,00 €/mois, 10,00 €/mois en promotion — relevé sur la page d'accueil, parce que udemy.com a renvoyé 403 à notre robot. Le chiffre figure dans le rapport, mais sa provenance est juste à côté.

C'est ce que les rapports de deep research font le plus mal. Le modèle déteste revenir les mains vides. Si la source primaire est inaccessible, il substituera discrètement un chiffre tiré d'une reprise sans en souffler mot. La distinction entre « nous avons vérifié » et « nous avons trouvé une mention » disparaît sans laisser de trace dans sa prose. Exigez explicitement une section « ce que je n'ai pas pu trouver » : elle n'apparaîtra jamais d'elle-même.

Et observez la forme de l'échec. Ce n'est pas une hallucination. Le chiffre est probablement juste. Ce qui manque, c'est l'étiquette. Un chiffre juste sans étiquette et un chiffre faux sans étiquette sont identiques sur la page : voilà pourquoi l'étiquette compte plus que le chiffre.

Cas 3. Une source faisant autorité avec une méthode défaillante

En préparant la localisation, nous sommes tombés sur l'EF English Proficiency Index — le classement du niveau d'anglais le plus cité au monde. Il place la Roumanie au 11e rang mondial. Tout rapport d'IA sur les langues le ramènera en premier : il est partout, il ressemble à de la statistique, les médias le citent.

Nous l'avons entièrement écarté. Voici pourquoi. Son échantillon est auto-sélectionné — EF l'écrit lui-même dans sa méthodologie : passent le test ceux qui ont décidé d'eux-mêmes de tester leur anglais sur le site d'une école de langues. L'âge moyen des candidats est de 26 ans. Comparez maintenant avec des sources à échantillon probabiliste : l'Eurobaromètre 540 (n = 26 523) et Eurostat AES 2022 s'accordent à dire que la Roumanie est dernière de l'UE : 51,2 % de la population ne parle aucune langue étrangère, et 25 % parlent anglais. Onzième mondiale et dernière de l'UE, ce n'est pas une dispersion d'estimations. Ce sont des affirmations incompatibles, et l'une des deux a été fabriquée par une méthode défaillante.

D'où une règle qui vaut plus que toutes les listes de contrôle : regardez comment un chiffre a été produit, pas qui l'a publié. Le deep research classe les sources par autorité et par visibilité — et c'est précisément une méthode défaillante qui rend une source visible, parce qu'elle produit des chiffres nets et citables. Une enquête sérieuse publie des fourchettes et des intervalles de confiance ; un quiz auto-sélectionné publie un palmarès. Devinez lequel gagne la course aux citations.

Cas 4. Une étude qui ne dit pas ce qu'elle semble dire

La seule expérience évaluée par les pairs que nous ayons trouvée sur notre sujet : Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6) : 2373–2396, 2024. Essai contrôlé randomisé, n = 2 263 étudiants suédois, un cours de programmation en ligne, affectation aléatoire à la version suédoise ou anglaise.

Le résultat : abandon de 57 % en suédois contre 71 % en anglais (φ = 0,2 ; p < 0,00001). Note moyenne parmi ceux qui sont restés : 16,9 contre 14,3, taille d'effet δ = 0,085 — négligeable.

Regardez maintenant ce qui s'est passé. Sur les notes, il n'y a pratiquement pas de différence. La tentation serait d'écrire « la langue n'influence pas les résultats » : le chiffre est là, la significativité non. Mais sur l'abandon, l'écart est énorme. L'anglais n'a pas dégradé la compréhension : il a fait partir les gens. Ce sont deux affirmations différentes, et la seconde ne se voit que si l'on regarde ce que l'étude a mesuré, et sur qui. L'aisance auto-évaluée, soit dit en passant, ne protégeait nullement de l'abandon.

Les rapports de deep research cassent exactement ici, et de façon systématique. Ils reprennent la conclusion du résumé, pas la construction de l'étude. Or un résumé est lui-même une reprise, simplement écrite par les auteurs. Si une affirmation vous importe, deux choses méritent lecture : la section méthode et le tableau. Tout le reste d'un article est de la prose.

Cas 5. Un chiffre qui ressemble à une réponse et n'en est pas une

En dimensionnant le marché par langue, nous sommes tombés sur les compteurs de cours d'Udemy : tant de cours en espagnol, zéro en suédois. Joli chiffre, diapositive toute faite. Sauf qu'il mesure l'offre, pas la demande. Zéro cours en suédois, c'est soit une niche vide où il faut se précipiter, soit la preuve qu'il n'y a pas de marché. Un seul chiffre, deux conclusions opposées, et aucune donnée pour trancher. C'est donc ce que nous avons noté : ambigu.

Une habitude utile : avant de placer un chiffre dans une conclusion, demandez-vous quelle décision inverse ce même chiffre étaierait tout aussi bien. S'il étaie les deux, ce n'est pas un argument : c'est de la décoration. Le deep research produit ce genre de décoration en série, car un chiffre accompagné d'une source passe tous les tests superficiels.

Cas 6. Taille d'effet contre taille du titre

L'industrie de la localisation promet une croissance « de +40 à 70 % ». Nous avons cherché une confirmation indépendante et trouvé exactement deux mesures. eBay, lors du déploiement de la traduction automatique : +10,9 % d'exportations (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019) — et l'effet diminuait à mesure que le prix de l'article augmentait. Un test A/B de Wikimedia : +3,64 %. La promesse des « +40 à 70 % » n'a rien d'indépendant derrière elle.

L'écart entre 3,64 % et 70 % n'est pas un désaccord sur un chiffre. C'est la différence entre une mesure et une publicité. Et notez le détail de l'effet qui décroît quand le prix monte : il n'existe que dans l'article et disparaît de toutes les reprises, parce qu'il gâche le titre. Les réserves meurent en premier — elles sont la première chose amputée dans une chaîne de reprises, bien avant que le chiffre lui-même ne soit déformé.

Vérifier un rapport en 5 minutes

1. Relevez les affirmations dont quelque chose dépend. Il y en a généralement 3 à 7 par rapport, pas quarante. Le reste est du contexte, où une erreur ne coûte rien.
2. Ouvrez le lien de chacune. La page se charge ? Alors Ctrl+F sur le chiffre ou le mot-clé. Rien ? L'affirmation n'est pas étayée. Point.
3. Remontez à la source primaire. Si la note mène à une actualité sur un rapport, trouvez le rapport. Les chiffres mutent en chemin et les réserves tombent.
4. Vérifiez la date. Un rapport « tout frais » s'assemble sans peine à partir d'articles vieux de cinq ans si vous n'avez pas borné la période.
5. Vérifiez la méthode, pas la marque. Comment le chiffre a-t-il été produit ? Qui a été interrogé, et comment ces gens ont-ils été choisis ? Notre cas EF porte exactement là-dessus.
6. Demandez le contraire. Lancez une seconde passe : « trouve des arguments contre la conclusion X et des données qui la contredisent ». Si rien ne sort du tout, la recherche a sans doute été superficielle.

Les cinq premières minutes sont rentables parce qu'elles vous évitent de citer une invention. La sixième étape est rentable parce qu'elle vous évite de citer une vérité qui ne signifie rien.

Voici un auditeur prêt à l'emploi pour les étapes 1 à 3. Le prompt est autonome : le rapport est intégré, lancez-le tel quel.

Vous êtes vérificateur de faits. On vous a remis le fragment d'un
rapport produit par une IA. Votre tâche n'est pas de vérifier les
faits (vous n'avez pas internet), mais de bâtir un plan de
vérification et de classer les affirmations par risque.

FRAGMENT DU RAPPORT :
« Le marché des cours d'IA en ligne est en plein essor. Selon les
estimations du secteur, il atteindra 47 milliards de dollars d'ici
2030 (source : le blog d'une agence de marketing, 2025). Les cours
se vendent avec une remise moyenne de 87 % — les plateformes les
donnent pratiquement. Le plus gros cours a attiré plus de 400 000
apprenants. Les experts s'accordent à dire que la vidéo reste le
format préféré de la plupart des apprenants. Une étude a montré que
la localisation des contenus augmente la conversion de 40 à 70 %. »

Faites quatre choses :

1. DÉCOMPOSITION. Écrivez chaque affirmation sur sa propre ligne.
   Étiquetez chacune : fait mesurable / prévision / estimation /
   opinion rapportée / cliché marketing.
2. RISQUE. Attribuez à chaque affirmation un risque d'être inventée
   ou déformée : élevé / moyen / faible. Justifiez en une formule.
   Soyez particulièrement attentif aux chiffres sans date ni méthode
   et aux tournures « les experts s'accordent » et « une étude a
   montré ».
3. PLAN. Pour les trois affirmations les plus risquées, indiquez
   quelle source primaire précise trancherait la question et quelle
   unique requête vous lui adresseriez.
4. RÉÉCRITURE. Réécrivez le fragment de sorte qu'il ne reste que ce
   dont on peut répondre, tout le reste étant explicitement signalé
   comme non vérifié. N'inventez rien : là où les données manquent,
   écrivez-le.

Quand les sources sont des personnes

La moitié de notre étude, ce ne sont pas des chiffres mais des avis. Nous avons recueilli mot pour mot 26 citations d'apprenants mécontents, avec auteur et date (plus deux issues de forums, que nous comptons à part, car un message de forum n'est pas un avis sur un cours). Sur les cours vidéo, par exemple :

« why read straight from the slide? I can do that. This was not a helpful course at all » — Janie I., 02.07.2026, 1★

« 50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website » — Shashank T., 13.04.2026, 1★

Ce qui compte, c'est ce que nous avons fait ensuite. Nous n'avons pas écrit « les apprenants sont massivement mécontents ». Nous avons calculé la part des avis négatifs (≤3,5★) : Generative AI for Beginners — 9,61 % ; The Complete AI Guide — 10,36 %. Soit environ un apprenant sur dix. Les citations sont frappantes, mais elles illustrent une minorité, et cela doit figurer juste à côté dans le texte.

Deuxième réserve honnête : sur Coursera, le filtrage des avis par étoiles se fait dans le navigateur — le HTML du serveur renvoie toujours la première page. Nos citations issues de ce site proviennent donc de la page par défaut que voit n'importe quel visiteur, et non d'un échantillon systématique. Cela affaiblit l'affirmation, nous l'avons donc écrit.

La règle : une citation prouve qu'une opinion existe, pas qu'elle est répandue. Un rapport de deep research cousu à partir d'avis se lit toujours comme un verdict — parce que les cris couvrent le silence et que les gens écrivent bien plus volontiers des avis négatifs que neutres. Exigez le dénominateur. Si le rapport vous donne cinq citations furieuses et aucun pourcentage, il ne vous a rien appris sur le monde : il vous a appris que les textes en colère sont faciles à trouver.

Distinguer un bon rapport d'un beau rapport

Les rapports de deep research paraissent presque toujours convaincants : titres, puces, notes, ton analytique égal. La beauté de la forme ne dit rien de la qualité du fond.

• Combien de sources distinctes soutiennent les affirmations clés. Si tout le rapport repose sur deux pages, ce n'est pas une recherche : c'est la reprise de deux pages.
• Si les types de sources varient. Un rapport bâti uniquement sur des blogs et des médias est faible. Un rapport avec du matériau primaire (réponses brutes d'API, statistiques, documentation, publications financières, articles scientifiques) est solide.
• Si les dates sont indiquées. Une affirmation sans date, sur un sujet qui bouge vite, ne sert presque à rien.
• Si la méthode est indiquée. Qui a été interrogé, combien de personnes, comment elles ont été choisies. Sans cela, « une enquête a montré » est une tournure, pas une preuve.
• Si l'incertitude est reconnue. Un bon rapport dit quelque part « les données divergent » ou « aucune confirmation trouvée ». Un rapport où tout est univoque est suspect : la réalité n'a pas cette tête-là.
• Si les faits sont séparés des conclusions. « Les ventes ont progressé de X % » et « le marché s'achemine vers un essor » sont des affirmations de classes différentes.

Mettez votre propre conclusion à l'épreuve avec ceci. Cela fonctionne sans internet : le prompt attaque la logique du texte, pas les faits.

Vous êtes l'avocat du diable. Votre travail est d'essayer de démolir
la conclusion ci-dessous. Ne soyez pas poli et ne cherchez pas
l'équilibre.

CONCLUSION : « La vidéo perd face au texte pour enseigner les
compétences numériques aux adultes, parce qu'on ne peut pas la
parcourir à son rythme, alors que le texte s'accompagne par
définition d'une transcription. »

LES PREUVES SUR LESQUELLES REPOSE LA CONCLUSION (avis réels sur les
cours vidéo les plus vendus, recueillis le 17/07/2026) :
- « It is too fast for a beginner... until you try to see and
  understand it the next screen pops up » — Amit A., 29.04.2026,
  2 étoiles, sur The Complete AI Guide
- « I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly »
  — Vince D., 16.03.2026, 1 étoile, cours non renseigné
- part des avis à 3,5 étoiles ou moins pour The Complete AI Guide :
  10,36 %

Faites cinq choses :
1. Nommez le point le plus faible de cette argumentation.
2. Expliquez ce que ces avis prouvent et ce qu'ils ne prouvent pas.
   À part : que fait le chiffre de 10,36 % à la force de la
   conclusion — la renforce-t-il ou l'affaiblit-il ?
3. Construisez le contre-argument le plus fort : dans quelles
   conditions la vidéo l'emporte-t-elle sur le texte, et pour qui
   précisément ?
4. Inventez les données qui réfuteraient la conclusion sans appel.
   Décrivez l'étude qui les produirait.
5. Réécrivez la conclusion pour qu'elle soit honnête vis-à-vis des
   preuves disponibles. Elle deviendra sans doute plus étroite et
   plus ennuyeuse. C'est normal.

Un mot à part sur la chaîne de reprises

L'erreur la plus silencieuse de toutes. Le lien est vivant, la page s'ouvre, le chiffre y figure — et il n'existe aucune source primaire, parce que tout le monde se cite en cercle. Le deep research est impuissant ici : formellement, chaque note est valide. Rien dans la structure du rapport ne peut vous dire que tout l'édifice repose sur un communiqué de presse qui ne citait rien.

Voici ces mêmes « +40 à 70 % », décomposés étape par étape. Le rapport d'IA affirme que « la localisation augmente la conversion de 40 à 70 % » et renvoie au blog d'une plateforme de traduction. Le blog, 2025 : « les études montrent une hausse de 40 à 70 % » — lien vers le communiqué d'une association professionnelle. Le communiqué, 2024 : « dans une enquête auprès des acteurs du marché, les entreprises déclarent une croissance allant jusqu'à 70 % » — sans aucun lien.

Regardez où cela a cassé. Entre le communiqué et le blog, « les entreprises déclarent une croissance allant jusqu'à 70 % » est devenu « les études montrent une croissance de 40 à 70 % ». La déclaration de parties intéressées s'est muée en « études », le « jusqu'à 70 % » est devenu une fourchette « 40–70 % », et la borne basse est sortie de nulle part. À la troisième reprise, cela se lit comme une mesure. Et pas un seul lien de cette chaîne n'est formellement faux — c'est précisément pour cela que la vérification automatique des notes ne vous sauve pas ici.

Pendant ce temps, la vraie mesure était juste à côté et n'est jamais entrée dans la chaîne : ces +10,9 % d'eBay, avec un effet qui décroît quand le prix monte. La source primaire a perdu contre la reprise parce qu'elle offrait un moins joli chiffre.

Quand le mode recherche est le mauvais outil

• Vous cherchez un seul fait. Un tarif, une date, une définition — la recherche classique est plus rapide.
• Le sujet a moins d'un jour. L'indexation et l'accès aux pages récentes sont irréguliers ; l'actualité chaude, lisez-la de vos propres yeux.
• Les données sont fermées. Bases payantes, documents internes, articles sous péage — le modèle n'y entrera pas et, pire, bâtira un panorama à partir de reprises de résumés. Nos 403 d'Udemy et d'OpenAI relèvent exactement de cette catégorie.
• Il vous faut ce que le consensus a manqué, pas le consensus. L'histoire de la remise Udemy marque la frontière du genre : ce qui n'est écrit nulle part, le mode ne peut pas le trouver, par définition.
• L'enjeu est médical ou juridique. Un rapport vaut comme carte du terrain et liste de sources, pas comme fondement d'une décision.

Comment l'intégrer à votre travail

Le schéma qui marche : le deep research cartographie le terrain (qui dit quoi, et où) → vous passez 5 minutes à vérifier les affirmations clés → vous demandez au modèle de réécrire le rapport en ne gardant que le confirmé et de lister à part ce qui a été retiré. En sortie : un texte court dont vous pouvez répondre ligne à ligne.

C'est exactement ainsi qu'est construit le fichier dont est tiré cet article. Il comporte une section « ce que nous n'avons pas » : le prix de ChatGPT Plus (403), le filtre d'avis de Coursera (côté client), Reddit (inaccessible à notre robot), et une note précisant que nos trois sources sur une question donnée sont des utilisateurs avancés et non les débutants qui nous intéressent — petit échantillon, et nous l'avons dit. Cette section est désagréable, car elle énumère publiquement nos trous. Elle est aussi la seule raison pour laquelle les autres chiffres méritent la moindre confiance : chez un auteur qui admet trois lacunes, la quatrième est plus facile à trouver que chez un auteur pour qui tout tombait juste.

Demandez la même chose à votre rapport. Pas « es-tu sûr ? » — le modèle dira oui. Demandez : quelles affirmations abandonnerais-tu ici s'il fallait parier de l'argent sur chacune ? Les réponses sont généralement précises, et généralement ce sont les trois mêmes affirmations sur lesquelles vous alliez fonder une décision.

Gardez aussi en tête l'hygiène de base : ne versez pas de données sensibles ou appartenant à autrui dans le mode recherche — la confidentialité dans le travail avec l'IA s'applique ici comme dans un chat ordinaire. Si vous découvrez encore le chat lui-même, commencez par le guide ChatGPT pour débutants. Et si votre rapport a déraillé sur le raisonnement plutôt que sur les faits, c'est une autre histoire : celle de l'accumulation des erreurs d'étape en étape.