Outils de recherche approfondie : OpenAI vs Perplexity vs Gemini

Le moment de la recherche approfondie

Pour la plupart des gens, en novembre 2026, Gemini Deep Research est le meilleur point de départ : il est accessible sur l'offre gratuite de Gemini à toute personne de 18 ans ou plus, AI Plus à 4,99 $ double les limites, et le meilleur agent de recherche de Google, le palier Max vendu via son API, affiche les scores de benchmark les plus élevés publiés par un éditeur pour un agent de ce type. Perplexity est le plus rapide pour obtenir une synthèse courte, même si son offre gratuite n'autorise qu'une requête de recherche par mois, tandis que ChatGPT et Claude, dont Research tourne désormais sur Opus 5.5, justifient un abonnement quand la question est ambiguë et ouverte. Les développeurs ont perdu une option clé en main le 27 septembre, lorsque Perplexity a cessé de prendre en charge sonar-deep-research : les solutions accessibles en un seul appel sont donc désormais les agents Deep Research de Google (toujours en préversion), l'Agent API de Perplexity et la Research API de You.com.

Le reste de ce guide montre comment ces verdicts tiennent face aux tarifs, aux benchmarks, aux API et aux tâches réelles.

La catégorie elle-même n'a pas encore deux ans. Le 2 février 2025, OpenAI annonçait Deep Research. C'était le premier agent que la plupart des gens avaient utilisé capable de prendre une consigne d'une phrase, de planifier une enquête de 30 minutes, de parcourir seul des dizaines de sources et de revenir avec un rapport sourcé.

La réaction du secteur est révélatrice. En six semaines, Perplexity lançait sa propre Deep Research (le 14 février) et ouvrait l'API Sonar Deep Research aux développeurs quelques semaines plus tard. Google, qui avait lancé Gemini Deep Research le 11 décembre 2024, a accéléré son déploiement et n'a cessé d'en renforcer le socle technique. Anthropic a lancé la fonctionnalité Research de Claude le 15 avril 2025 et a ouvert la recherche web aux développeurs via son API le 7 mai.

Quatre laboratoires, une catégorie de produit, deux trimestres. Cela n'arrive pas par hasard. 2024 a été l'année où les fenêtres de contexte ont atteint un million de tokens, où l'usage d'outils est devenu fiable et où les boucles agentiques ont cessé d'échouer silencieusement à mi-parcours. La recherche approfondie a été la première application grand public qui donnait envie de payer pour les trois à la fois. Elle est étroitement liée au basculement plus large vers les protocoles d'agents, que nous traitons dans Le web agentique : MCP, A2A et les guerres de protocoles.

Si vous écrivez, si vous étudiez, si vous analysez des marchés ou si vous évaluez des produits, vous êtes déjà désavantagé en n'en utilisant aucun. La question est de savoir lequel, et quand.

---

Ce que fait vraiment la « recherche approfondie »

Il est facile de confondre recherche approfondie et recherche conversationnelle. Vous tapez une question, vous obtenez une réponse avec des liens. Les mécanismes, eux, sont différents.

Une recherche conversationnelle (comme ChatGPT ordinaire avec navigation) lance une ou deux requêtes web et synthétise les meilleurs résultats en quelques secondes. Un agent de recherche approfondie fait quelque chose de plus proche du travail d'un analyste junior en un après-midi. Il découpe votre question en sous-questions, lance des dizaines voire des centaines de recherches, lit des pages entières, suit les citations, met à jour son plan à mesure qu'il apprend, et produit un rapport structuré avec des notes de bas de page.

Demandez à une recherche conversationnelle « quelles sont les principales critiques de la courbe de Phillips ? » et vous obtiendrez un résumé de trois paragraphes. Posez la même question à un agent de recherche approfondie et vous obtiendrez un rapport de 15 pages couvrant l'hypothèse du taux naturel de Friedman, la rupture stagflationniste des années 1970, les révisions par les anticipations rationnelles, les débats sur l'aplatissement post-2008 et des articles récents de 2023-2025, chacun accompagné d'une source cliquable.

Le compromis, c'est le temps. Les exécutions prennent de quelques minutes à une heure : Google indique qu'un rapport Gemini prend généralement 5 à 10 minutes et plafonne les exécutions de l'API à 60, tandis que Moonshot annonce 10 à 25 minutes pour Kimi. C'est précisément le principe. Vous en lancez une, vous travaillez sur autre chose, et vous revenez à un rapport dont la réalisation manuelle vous aurait pris une demi-journée. Pour aller plus loin sur la réorganisation des habitudes de recherche autour des agents IA, voir Comment construire un flux de recherche propulsé par l'IA en 2026.

---

Face-à-face : les 4 outils grand public comparés

Voici la matrice, avec le modèle sous-jacent et les tarifs relevés sur les pages des éditeurs eux-mêmes en novembre 2026. La colonne qui ne cesse de changer est celle du « modèle sous-jacent », et cette fois deux éditeurs la renseignent vraiment : Anthropic documente le modèle sur lequel tourne Research, et Google permet aux abonnés AI Pro et Ultra de confier leurs rapports à son modèle Pro.

C'est sur les durées d'exécution que les éditeurs restent les plus vagues. La page d'aide de Google indique qu'un rapport Gemini prend généralement environ 5 à 10 minutes, davantage pour les cas complexes. Le centre d'aide de Perplexity parvient à donner deux estimations dans la même phrase : la plupart des tâches de recherche se terminent en moins de 3 minutes, « ce qui signifie que cela peut prendre environ 4 à 5 minutes ». Le « 5 à 30 minutes » largement cité d'OpenAI provient de sa page de lancement de février 2025, et la page d'aide Research d'Anthropic ne donne aucun chiffre.

Les profils en un paragraphe :

OpenAI Deep Research reste le poids lourd des questions ambiguës et ouvertes. Les rapports sont longs et le raisonnement est visiblement plus profond quand la question n'a pas de réponse nette. Trois choses ont changé en 2026. La page tarifaire a cessé de donner des quotas d'exécutions et indique maintenant Limité, Étendu et Maximum, si bien que les chiffres « 5 gratuites, 25 sur Plus, 250 sur Pro » qui circulent encore proviennent d'une mise à jour de blog d'avril 2025 plutôt que de quotas actuellement publiés par OpenAI pour chaque formule. Pro s'est divisé en trois paliers : OpenAI a suspendu les nouvelles inscriptions à son offre à 200 $ le 10 septembre, les a rouvertes le 29 septembre et a ajouté un palier à 500 $ le même jour. Pro existe donc désormais à 100, 200 et 500 $ par mois. Enfin, la recherche approfondie peut interroger des sources connectées comme Google Drive ou SharePoint, selon votre formule et vos autorisations.

Perplexity Deep Research est celui dont le moteur ne cesse de changer sous le capot. Il a été lancé sur les modèles Sonar maison de Perplexity. En février 2026, le mode Advanced Deep Research est passé à Claude Opus, et le 11 juin 2026 Perplexity a déplacé Deep Research à l'intérieur de Perplexity Computer, qui répartit les sous-tâches sur plus de 20 modèles de pointe. La page produit de Perplexity indique que le score BrowseComp passe de 40,7 % pour l'ancienne Deep Research à 83,8 % pour Deep Research dans Computer, et celui de Humanity's Last Exam de 36,4 % à 50,5 %. Depuis le 5 octobre, Claude Opus 5.5 alimente le palier d'effort Standard de Computer pour les comptes payants éligibles, et Deep Research devient une compétence intégrée à Computer, déployée d'abord sur Pro et Max sur le web, toujours incluse dans Pro et assortie d'un usage gratuit sur toutes les formules. Si vous lisez un article qualifiant Perplexity Deep Research de produit « Sonar », c'est qu'il a été écrit avant février 2026. Sonar est désormais une gamme d'API retirée, pas l'agent grand public.

Gemini Deep Research affiche les meilleurs résultats publiés des quatre grands, et c'est désormais le plus facile à essayer. En avril 2026, Google a reconstruit l'agent sur Gemini 3.1 Pro et publié une version standard et une version Max via son API, d'où proviennent les meilleurs scores de benchmark. Dans l'application Gemini, toute personne de 18 ans ou plus peut utiliser Deep Research sur l'offre gratuite avec le modèle Thinking, et les abonnés AI Pro et Ultra peuvent confier leurs rapports au modèle Pro. Il exploite toujours vos contenus Gmail, Drive et Docs en complément du web, et il montre un plan de recherche que vous pouvez modifier avant l'exécution de l'agent. Les limites sont comptées par jour, avec un plafond sur le nombre de rapports exécutés simultanément, et la page d'aide n'en précise pas les chiffres.

Claude Research est le plus patient des quatre, doué pour tenir côte à côte des sources contradictoires au lieu de trancher trop tôt. Il est disponible sur toutes les formules payantes de Claude (Pro, Max, le palier à 200 $ désormais appelé Ultra, Team et Enterprise), et Anthropic précise maintenant le modèle utilisé : Claude Opus 5.5, avec repli sur Opus 4.8 si nécessaire, quel que soit le modèle choisi pour la conversation. Ce repli compte pour les grands corpus de sources, car sur les formules payantes, Opus 5.5 dispose d'une fenêtre de contexte d'un million de tokens et Opus 4.8 de 500 000. Le reste de la gamme a continué d'évoluer, tout récemment avec Claude Fable 5.2 le 9 novembre, mais Research s'en tient à ses deux modèles.

---

Alternatives à ChatGPT Deep Research : qui en propose une

« Alternative à ChatGPT deep research » est l'une des façons les plus courantes d'arriver sur ce sujet, et la comparaison à quatre ci-dessus n'y répond pas. Voici qui propose réellement un agent de recherche en novembre 2026, et qui se contente d'en avoir l'air.

xAI Grok est le plus difficile à cerner du groupe, et c'est celui auquel pensent les personnes qui demandent comment l'IA de Musk se compare à OpenAI ou Anthropic. « DeepSearch » et « DeeperSearch », les noms encore recherchés par les utilisateurs, n'apparaissent pas dans la documentation développeur de xAI. On y trouve en revanche un modèle multi-agent, grok-4.20-multi-agent, toujours étiqueté bêta, où reasoning.effort sélectionne 4 agents en low ou medium et 16 en high ou xhigh. Le dernier modèle généraliste de xAI, Grok 4.7, est arrivé le 21 septembre 2026, et la documentation ne dit pas si le point de terminaison multi-agent l'utilise. Les nouveaux abonnés achètent désormais Grok via The X Subscription, de 8 à 200 $ par mois, et ces formules sont définies par des multiplicateurs d'usage plutôt que par des allocations de recherche. Face à ChatGPT et Claude, la différence concrète tient à la documentation : OpenAI publie un palier de recherche pour chaque formule et Anthropic nomme le modèle derrière Research, tandis que xAI vous laisse le découvrir à l'usage.

Kimi, de Moonshot, est le challenger le mieux documenté et celui que la plupart des gens hors d'Asie n'ont jamais essayé. Son mode Deep Research tourne sur un modèle maison, Kimi-Researcher, et Moonshot publie une télémétrie par tâche que les laboratoires américains ne publient pas : en moyenne 23 étapes de raisonnement, 74 mots-clés de recherche planifiés et 206 URL trouvées par tâche, dont seuls les 3,2 % les mieux classés survivent jusqu'au rapport. Les exécutions prennent de 10 à 25 minutes. Le centre d'aide de Moonshot indique les tarifs en Chine, où les formules payantes commencent avec Go à 49 ¥ par mois, et ses modèles généralistes plus récents, la série K3.1 Pro d'octobre, n'ont pas remplacé le chercheur spécialisé. Moonshot propose des points de terminaison de recherche et de récupération que vous pouvez appeler, mais sa documentation n'expose pas l'agent Deep Research lui-même : le produit de recherche reste donc réservé au grand public.

Manus est le dossier technique le plus mince du groupe. Le 1er septembre 2026, il a annoncé avoir « officiellement repris ses activités de façon indépendante ». Quatre semaines plus tard, le 28 septembre, il lançait Manus 2.0, une nouvelle version de l'agent avec une infrastructure d'exécution et des outils remaniés. Son mode Wide Research exécute 20 sous-tâches en parallèle, même si vous ne pouvez pas le déclencher manuellement et qu'il est réservé aux utilisateurs payants.

You.com se présente désormais comme une entreprise d'API : sa page tarifaire répertorie des paliers d'API, sans formule grand public. La pièce maîtresse est une bonne Research API avec cinq niveaux d'effort de lite à frontier, facturés de 12 $ à 1 200 $ pour mille requêtes, et une latence publiée pour chaque palier, de moins de 10 secondes sur lite à une médiane de 300 secondes sur frontier. Un écart de 100x sur un seul point de terminaison est l'illustration la plus claire d'une chose vers laquelle toute cette catégorie a convergé, et que la section consacrée aux API reprend plus bas.

Mistral a déplacé son agent de recherche et renommé l'application autour de lui. Le Chat est devenu Vibe en mai 2026, et le 22 septembre, Mistral a réuni les modes Chat et Work de Vibe dans une expérience unique, déployée par étapes, où Deep Research est disponible comme compétence. Mistral Pro coûte 14,99 $ par mois. Pour les équipes européennes soumises à des exigences de résidence des données, c'est le premier choix évident, mais il n'est pas le seul : Langdock, un espace de travail allemand qui propose aussi un mode de recherche approfondie, héberge son application et la plupart de ses modèles dans l'UE. Vérifiez donc vers quels modèles votre configuration achemine réellement les requêtes.

DeepSeek est le résultat négatif utile. Malgré sa présence constante dans les listes des « meilleurs outils de recherche approfondie », DeepSeek ne propose aucun produit de recherche approfondie. Son application dispose d'une recherche web et d'un mode réflexion, et sa nouvelle Responses API prend désormais en charge l'appel de fonctions et la recherche web côté serveur sur deepseek-v4-pro : vous pouvez donc y construire une boucle de recherche. Ce qu'il ne vend pas, c'est la boucle elle-même.

Les options open source, et une mise en garde

Si vous voulez auto-héberger, la réponse honnête en 2026 est que la maintenance et la performance aux benchmarks vivent désormais dans des dépôts différents.

Activement maintenus, et par où commencer : GPT Researcher (Apache-2.0, environ 30 600 étoiles, avec la version v3.8.0 publiée le 9 novembre 2026) est celui que vous pouvez cloner et faire tourner aujourd'hui sans devoir d'abord remplacer un nom de modèle retiré dans sa configuration. DeerFlow, de ByteDance, est de loin le plus gros avec environ 85 000 étoiles et le moins cher à essayer, puisqu'il fonctionne sans aucune clé d'API de recherche, à l'aide de DuckDuckGo et d'un lecteur sans clé, même si sa réécriture 2.0 l'a repositionné en infrastructure d'exécution d'agents généralistes dont la recherche approfondie n'est qu'une compétence parmi d'autres. Tongyi DeepResearch, d'Alibaba, est l'option crédible à poids ouverts sous licence Apache-2.0, mais son dépôt est silencieux depuis février 2026. Le produit de recherche hébergé d'Alibaba est distinct : Alibaba Cloud documente une API qwen-deep-research que vous pouvez appeler sans rien héberger vous-même.

Passons à la mise en garde, car deux projets qui trônaient en tête de toutes les listes de recommandations de 2025 sont morts sans en avoir l'air. Le open_deep_research de LangChain a été archivé le 21 août 2026. GitHub affiche la bannière d'archivage, mais le README lui-même ne porte aucun avis, si bien que le projet paraît vivant à quiconque y arrive depuis un tutoriel. STORM, de Stanford, n'a reçu aucun commit sur sa branche par défaut depuis le 30 septembre 2025, et son exemple par défaut appelle toujours l'API Bing Search, retirée par Microsoft le 11 août 2025 : il vous faudrait donc passer à l'un de ses autres modules de récupération avant de pouvoir le faire fonctionner. Les articles sur STORM valent toujours la lecture. Le logiciel, lui, ne devrait pas être votre point de départ.

Parmi les projets les plus connus, le schéma est le suivant : les agents à poids ouverts qui affichaient des scores compétitifs se sont tus, tandis que ceux qui continuent de livrer du code ne publient presque aucun benchmark. Le dernier arrivé illustre l'autre versant de ce constat : l'article LongCat-DeepResearch de Meituan (septembre 2026) rapporte 51,35 sur DeepResearch Bench II et 79,83 sur ResearchRubrics, mais le logiciel publié est une infrastructure d'exécution qui nécessite votre propre modèle et vos propres services de recherche. Choisissez selon la maintenance, puis mesurez vous-même.

Si votre recherche se limite à des documents que vous possédez déjà plutôt qu'au web ouvert, il s'agit d'une autre catégorie d'outils avec d'autres gagnants, que nous traitons dans NotebookLM en 2026.

---

Les API de recherche approfondie : ce que vous pouvez réellement appeler

C'est la question que les articles comparatifs esquivent systématiquement, et celle que les développeurs cherchent sans relâche : quels agents de recherche approfondie pouvez-vous appeler depuis votre propre code, combien coûtent-ils, et quelle est la qualité des citations ? L'essentiel a changé au cours de 2026, et l'un des plus gros changements, la fin du modèle de recherche Sonar de Perplexity, est survenu le 27 septembre.

Quatre points ressortent.

Parmi OpenAI, Google et Anthropic, seul Google vend un agent de recherche clé en main, et il est encore en préversion. Pendant l'essentiel de la vie de cette catégorie, Gemini Deep Research était une fonctionnalité grand public que vous ne pouviez pas appeler par programmation. C'est aujourd'hui l'option la plus propre des quatre grands : vous appelez un agent de recherche approfondie sur l'Interactions API, avec background=true obligatoire plutôt qu'optionnel, et Google publie à la fois une fourchette de prix estimée par tâche et un vrai budget temps, la plupart des tâches étant terminées en moins de 20 minutes et aucune ne dépassant 60. Les deux identifiants d'agents portent toujours l'étiquette de préversion d'avril. Gemini 4 Argon est arrivé chez les développeurs le 13 octobre, mais les identifiants des agents de recherche n'ont pas changé depuis avril : ne supposez donc pas qu'ils ont bénéficié de cette mise à niveau. L'accès entreprise passe par la Gemini Enterprise Agent Platform, qui a remplacé Vertex AI comme nom de produit pour cela en 2026, et son guide autorise une exécution de 120 minutes au lieu de 60. L'API répond toujours sur l'ancien hôte aiplatform.googleapis.com : un exemple de code de l'époque Vertex n'est donc pas automatiquement erroné ; confrontez-le au guide actuel.

L'ancienne API de recherche de Perplexity a disparu, même si votre code ne l'a pas remarqué. sonar-deep-research a été pendant deux ans la réponse à « quelle API de recherche approfondie puis-je simplement appeler », et sa prise en charge, comme celle des autres modèles Sonar Chat Completions, a pris fin le 27 septembre 2026. L'arrêt n'est pas uniforme. Les requêtes Sonar synchrones et en streaming fonctionnent encore, car Perplexity les reformule en requêtes Agent API, modèle par modèle. Les requêtes Sonar asynchrones, le mode d'exécution habituel de la recherche approfondie, ne sont pas reformulées et ne sont plus prises en charge : elles doivent donc passer au mode arrière-plan de l'Agent API. Vous y faites POST /v1/agent et choisissez l'un des six niveaux effort, de fast à ultra, le plus récent, que le journal des modifications de Perplexity date du 5 novembre et décrit comme le niveau adapté aux recherches vastes où la couverture prime. L'ancien modèle de recherche approfondie correspond à high. Le cycle de vie a lui aussi changé de forme. L'ancien point de terminaison asynchrone utilisait des statuts en majuscules comme IN_PROGRESS, tandis que l'Agent API rapporte queued et in_progress avant l'un des quatre états finaux. Une exécution qui atteint une limite de tokens reste in_progress avec un objet paused joint : une boucle d'interrogation qui n'attend que completed peut donc patienter indéfiniment.

OpenAI a déplacé la recherche approfondie dans sa gamme de modèles, puis dans un agent managé. Les modèles dédiés o3-deep-research et o4-mini-deep-research ont été dépréciés en avril 2026 et fermés le 23 juillet 2026. Leur voie de remplacement est un modèle phare actuel sur la Responses API avec l'outil web_search en mode arrière-plan. Depuis le 10 septembre 2026, il existe aussi une Agents API managée, toujours en bêta publique, où OpenAI assure pour vous l'orchestration de session, le compactage du contexte et la reprise. Le 23 octobre, elle a reçu des automatisations planifiées : une tâche de recherche récurrente ne nécessite donc plus votre propre planificateur. Vous payez les tokens au tarif du modèle, plus les frais habituels des outils et des conteneurs hébergés ; OpenAI ne mentionne aucuns frais distincts pour l'orchestration elle-même. Si un ancien tutoriel vous dit encore d'appeler o3-deep-research, la page des dépréciations d'OpenAI fait autorité : les deux modèles de recherche y sont indiqués comme fermés.

Anthropic ne vous oblige plus à tout construire vous-même. L'ancien cadrage, qu'imprimait ce guide, voulait que Claude n'ait pas d'API de recherche et que vous assembliez votre propre boucle. C'est dépassé. Claude Managed Agents est en bêta publique depuis avril 2026 : sessions de longue durée, événements envoyés par le serveur, pilotage et interruption, déploiements planifiés par cron, et recherche web, récupération web et MCP intégrés, le tout facturé au coût des tokens plus 0,08 $ par heure de session. L'exemple chiffré d'Anthropic elle-même situe une session Opus d'une heure à bien moins d'un dollar, et la récupération web, contrairement à la recherche web, n'entraîne aucuns frais par appel, même si les pages lues sont facturées en tokens d'entrée. Il n'existe toujours pas de modèle appelé « deep research », mais l'infrastructure d'exécution, elle, existe.

Pour la question précise de la « meilleure API pour des rapports de recherche avec citations », trois approches fonctionnent. Google, Perplexity, la Research API de You.com et le point de terminaison Agent d'Exa renvoient d'emblée des rapports finis avec citations. Les points de terminaison de recherche d'Exa et de Tavily vous donnent des résultats attribués à leurs sources, que vous injectez dans votre propre modèle, un schéma courant pour les fonctionnalités de recherche en production, parce que vous y maîtrisez le coût et le formatage des citations. Et n'importe quel modèle doté d'un outil de recherche web peut citer au fil de l'eau si vous le lui demandez. Les équipes qui ont besoin de pistes d'audit préfèrent en général la voie du sur-mesure, parce que chaque affirmation remonte à une URL que vous avez vous-même récupérée plutôt qu'à la mémoire d'un modèle. Pour comprendre pourquoi l'ancrage et la qualité de la récupération comptent plus que la taille brute du contexte, voir Context Rot : pourquoi le RAG bat encore une fenêtre de contexte géante.

Deux précisions sur l'actionnariat pour ceux qui choisissent un fournisseur dont ils dépendront. Tavily appartient désormais au fournisseur de cloud IA Nebius : le cadrage « API de recherche indépendante » mérite donc un astérisque. Et Exa a supprimé son point de terminaison /research le 1er avril 2026, en l'intégrant à /search avec un type deep-reasoning, ce qui veut dire que tout tutoriel vous disant d'appeler exa-research est cassé. Ce type est lui-même désormais un mode hérité : depuis le 19 octobre, Exa recommande les recherches lite, auto ou deep et renvoie les tâches plus longues vers Exa Agent.

---

Comment automatiser la recherche approfondie avec une API

Appeler l'une de ces API n'a rien à voir avec un appel de complétion de chat. Les exécutions peuvent durer de quelques minutes à une heure : presque chaque fournisseur vous impose donc de gérer l'asynchronie, et tous le font différemment. Si vous branchez un agent de recherche dans un produit ou un pipeline, c'est la partie qui vous coûtera une journée.

Partez du principe d'une exécution en arrière-plan, pas d'un appel bloquant. Google l'exige purement et simplement : les modèles de recherche approfondie ne fonctionnent qu'avec background=true, et vous interrogez l'interaction ou reprenez un flux. OpenAI prend en charge le mode arrière-plan sur la Responses API, avec interrogation, flux reprenable et webhooks conformes à la spécification Standard Webhooks. L'Agent API de Perplexity documente des exécutions en arrière-plan que vous interrogez. You.com prend la direction opposée : tous les paliers inférieurs à frontier peuvent répondre à une seule requête synchrone, et seul frontier exige le mode arrière-plan. xAI fait figure d'exception. background apparaît dans son schéma mais y est décrit comme inutilisé : la vraie voie asynchrone est donc l'API batch, où la plupart des requêtes se terminent sous 24 heures sans garantie ferme, plutôt qu'en quelques minutes.

Budgétez par tâche, pas par token, et regardez ce que coûte la recherche. Une facture d'API de recherche comporte deux parties : les tokens, y compris les tokens de raisonnement que vous ne voyez jamais, et les frais de recherche facturés à l'appel plutôt qu'au token. OpenAI facture 10 $ pour 1 000 appels de recherche web et ajoute le contenu des recherches facturé en tokens, Anthropic 10 $ pour 1 000 recherches, l'Agent API de Perplexity 2,50 $ pour 1 000 recherches standard, soit la moitié des 5 $ pour 1 000 que facturait sonar-deep-research, et xAI 5 $ pour 1 000 appels de recherche web. Google offre aux projets sur palier payant 5 000 recherches d'ancrage gratuites par mois, partagées entre Gemini 3 et les modèles plus récents, puis facture 14 $ pour 1 000. Il estime qu'une tâche Deep Research typique nécessite environ 80 recherches, et jusqu'à environ 160 pour Max : l'allocation gratuite couvre donc à peu près 60 tâches standard ou 30 tâches Max. L'estimation de Google montre où passe le volume : une tâche standard typique lit environ 250 000 tokens d'entrée et produit environ 60 000 tokens de sortie, si bien que le rapport que vous lisez finalement ne représente qu'une petite fraction des tokens payés.

Attendez-vous à des paliers d'effort, car ils ont remplacé les identifiants de modèles. C'est le basculement structurel qui se cache derrière chacun des changements individuels évoqués plus haut. OpenAI a retiré ses modèles de recherche au profit d'un modèle phare plus un effort de raisonnement. Perplexity a retiré Sonar au profit de six préréglages de l'Agent API. Google livre des variantes standard et Max. xAI vous fait choisir 4 ou 16 agents via reasoning.effort. Exa, You.com et Tavily proposent tous une même échelle tarifaire, d'un prix d'entrée faible à un plafond par requête. Si vous développez avec ces API, prévoyez un niveau d'effort réglable à chaque requête plutôt qu'un nom de modèle codé en dur.

L'étape de clarification reste en grande partie à votre charge. Les applications grand public vous posent des questions de suivi avant de démarrer ; la plupart des API, non. Le guide d'OpenAI consacré à ses modèles de recherche retirés le disait explicitement, en demandant aux développeurs d'envoyer une consigne entièrement formée dès le départ. Le correctif courant, que démontrait le cookbook d'OpenAI, est un petit modèle bon marché qui trie la demande et la réécrit en instruction de recherche avant que l'agent coûteux ne se lance. Google fait exception : activez collaborative_planning et son agent Deep Research renvoie un plan proposé que vous pouvez modifier ou approuver sur plusieurs tours avant le début des recherches, même si cette option est elle-même encore en préversion.

Pour la vérification des faits en particulier, la vérification est une étape de pipeline plutôt qu'une consigne. Le cookbook d'Anthropic de juillet 2026 expose le schéma : décomposer la sortie en affirmations autonomes, vérifier chaque affirmation dans son propre contexte vierge, puis soumettre les verdicts à un examen critique distinct. Il en donne la raison sans détour, en notant que « revérifiez vos conclusions » n'est jamais qu'une instruction de plus, et que sous pression de contexte elle passe à la trappe. Si vous construisez le vérificateur de faits en temps réel que tout le monde cherche, cette décomposition est l'architecture, et l'API de recherche qui la sous-tend compte moins que la structure bâtie autour d'elle.

---

Benchmarks de recherche approfondie : ce que montrent les classements

Trois chiffres sont les plus cités : Humanity's Last Exam, BrowseComp et SimpleQA. Ils sont utiles, ils sont massivement mal cités, et ils portent deux problèmes structurels que presque personne ne mentionne.

Commençons par le premier. Nous n'avons trouvé aucun classement indépendant HLE ou BrowseComp comparant entre eux les agents de recherche réellement commercialisés, outils compris. Les chiffres des éditeurs sont auto-déclarés, et le seul dispositif d'évaluation tiers sérieux évalue des configurations modèle plus recherche que vous ne pouvez pas acheter, plutôt que des produits que vous pouvez acheter. Quand vous voyez l'agent ou le modèle d'un éditeur obtenir un score dans les cinquante, soixante, ou désormais soixante-dix pour cent « avec outils », vous voyez un résultat qui dépend du dispositif d'évaluation, du budget de recherche et du juge de cet éditeur. Cela ne rend pas les chiffres faux. Cela les rend incomparables. (Les benchmarks de qualité des rapports présentés plus bas testent bien des agents commercialisés.)

Le second problème est l'étiquetage des paliers. Ce guide imprimait auparavant 54,6 % à HLE et 85,9 % à BrowseComp sous le nom « Gemini Deep Research ». Les deux chiffres appartiennent à Deep Research Max, le palier à effort supérieur de Google, contre 50,4 % et 61,9 % pour le palier standard. Cela fait 24 points d'écart sur BrowseComp entre deux produits vendus sous un même nom, et les articles comparatifs les confondent en permanence. Bon à savoir : Google a publié ces chiffres dans un graphique de son annonce d'avril 2026 plutôt qu'en texte citable, ce qui explique en partie qu'ils soient déformés en aval.

Les lignes désignées comme des modèles ont été évaluées dans les environnements d'évaluation de leurs éditeurs, et non comme des produits de recherche que vous pouvez acheter. Claude Research tourne bien sur Opus 5.5, mais Anthropic a mesuré ces 67,7 % dans sa propre configuration, sans passer par le bouton Research.

C'est cette dernière ligne qui mérite qu'on s'y arrête. Elle provient du dispositif d'évaluation d'OpenRouter, qui interroge des points de terminaison en production plutôt que de collecter les déclarations des éditeurs, et publie coût et latence à côté de la justesse : 0,46 $ par question, 83 secondes, sur un échantillon de 84 questions. Ce n'est pas un produit que vous pouvez acheter. C'est un modèle plus un fournisseur de recherche plus un budget de tours, assemblés par un tiers, et son chiffre dépasse celui auto-déclaré de tous les agents commercialisés, mais avec un dispositif d'évaluation différent et un échantillon plus petit. Une réserve sur l'identité du mesureur : OpenRouter revend la plupart des modèles et des moteurs de recherche qu'il évalue.

La trouvaille la plus utile de toute la catégorie vient de ce même dispositif d'évaluation. Sur BrowseComp, une même configuration a obtenu 35,8 % avec une limite d'un tour de recherche et 89,0 % avec une limite de 25 tours, dans la même série d'exécutions. Même modèle, même benchmark. Le dispositif qui l'entoure, notamment le nombre de recherches autorisées, a fait varier le score de 53 points. « Quel modèle est le plus intelligent » n'est donc que la moitié de la question ; l'autre moitié est le nombre de recherches que vous lui permettez de faire. Le moteur qui exécute ces recherches compte moins : l'analyse d'OpenRouter a conclu que le modèle pesait davantage que le fournisseur de recherche. Budgétez les tours de recherche aussi bien que le modèle.

La courbe des coûts est elle aussi plus plate que ne le laisse entendre le marketing. Dans le même classement, la meilleure configuration BrowseComp coûtait 0,99 $ par question, tandis qu'un modèle bon marché associé au même fournisseur de recherche atteignait 77,0 % à 0,076 $, soit environ 13 fois moins cher pour 12 points de justesse en moins, même si les deux lignes ont été évaluées sur des nombres de questions différents. Pour l'essentiel du travail réel, c'est un compromis qui vaut la peine.

Les benchmarks conçus pour les agents de recherche

HLE et BrowseComp mesurent si un agent sait trouver un fait difficile. Ils ne mesurent pas si le rapport est bon. Trois benchmarks plus récents le font, et ils sont bien moins flatteurs.

ResearchQA, un effort académique indépendant couvrant 21 000 requêtes et 160 000 items de grille sur 75 disciplines, validé par 31 annotateurs docteurs dans huit d'entre elles, a constaté qu'aucun des modèles de langage simples ni des systèmes à récupération testés n'atteignait 70 % de couverture de la grille. Seuls les agents de recherche approfondie conçus pour cela ont fait mieux, et le meilleur d'entre eux s'est arrêté à 75,3 %. Plus révélateur encore : ce système de tête traitait pleinement moins de 11 % des items de grille relatifs aux citations, et environ la moitié de ceux relatifs aux limites et aux comparaisons. Les agents trouvent des sources. Ils sont bien plus mauvais pour dire ce que les sources n'établissent pas.

ResearchRubrics, bâti sur plus de 2 800 heures de travail d'experts, place aussi bien Gemini Deep Research qu'OpenAI Deep Research sous 68 % de conformité moyenne à la grille. DeepResearch Bench II, avec 9 430 critères binaires tirés d'articles d'investigation d'experts, rapportait en janvier 2026 que même les modèles les plus solides en satisfaisaient moins de la moitié. Ses responsables sont depuis passés à un juge GPT-5.5 pour les nouvelles soumissions et ont écarté les tâches défectueuses : le classement actuel, où les meilleurs scores se situent un peu au-dessus de 60 pour les 130 tâches restantes, ne peut donc pas être comparé directement au chiffre de janvier.

Deux mises en garde supplémentaires avant d'utiliser l'un de ces chiffres pour choisir un outil. Les scores dépendent du modèle qui note : tout tableau mélangeant les juges vous renseigne donc sur les juges autant que sur les agents. Et les agents qui naviguent sur le web en direct peuvent récupérer les réponses du benchmark lui-même : une étude de 2026 a mesuré jusqu'à 4 % d'inflation de ce fait.

SimpleQA mérite désormais une note de bas de page plutôt qu'un titre. Les 93,9 % de Perplexity sont authentiques, mais ils datent de février 2025 et décrivent un produit fondé sur Sonar qui, comme vu plus haut, n'existe plus sous cette forme.

La conclusion indépendante la plus durable est aussi la plus ancienne. Le Tow Center de la Columbia Journalism Review a testé huit moteurs de recherche IA sur 1 600 requêtes et a constaté qu'ils échouaient à récupérer l'information correcte plus de 60 % du temps, avec des taux d'erreur allant de 37 % à 94 % selon le moteur. Cette étude date de mars 2025, et nous n'avons trouvé aucune réplique du Tow Center à cette échelle, ce qui en dit long sur la minceur persistante de l'évaluation indépendante.

En toute honnêteté : les benchmarks classent les outils de façon fiable pour les tâches les plus difficiles, mais mal pour les tâches moins complexes. Passez la même consigne réelle dans deux outils sur leur palier gratuit ou le moins cher, puis comparez. Les benchmarks sont indicatifs. Votre propre test est décisif. Pour un argumentaire plus long sur la façon dont l'obsession des benchmarks induit en erreur, voir Le piège de la pensée IA.

---

Le point sur la réalité des offres gratuites

Les pages marketing mettent toutes en avant un accès gratuit. Voici ce que « gratuit » veut réellement dire en novembre 2026, et pour une fois les nouvelles sont bonnes : trois des quatre vous permettent désormais de lancer une recherche approfondie sans payer.

OpenAI offre toujours une allocation gratuite, et refuse toujours d'en préciser la taille. Les chiffres « 5 gratuites par mois, 25 sur Plus, 250 sur Pro » qui circulent encore proviennent d'une mise à jour de blog d'avril 2025. La page tarifaire actuelle indique Limité sur Free et sur le palier Go à 8 $ par mois, Étendu sur Plus, et Maximum sur Pro, et le centre d'aide décrit un compteur intégré au produit qui se réinitialise tous les 30 jours, sans dire à combien il démarre. Les seuls chiffres publiés actuels figurent sur la grille tarifaire entreprise et éducation : une tâche de recherche approfondie coûte 50 crédits, et Edu inclut 5 requêtes par période glissante de 24 heures. S'il vous faut un quota personnel prévisible, c'est l'éditeur le moins prévisible.

Perplexity a remis Deep Research dans l'offre gratuite. Son centre d'aide indique désormais que toutes les formules incluent un usage gratuit de Deep Research, et le comparatif des formules fixe l'allocation Free à une requête de recherche par mois, face aux limites mensuelles de Pro et Max. Dans Computer, chaque consigne utilise d'abord votre allocation gratuite, puis puise dans les crédits. La mise à jour de septembre de ce guide indiquait que Deep Research était réservé à Pro et Max, et ce n'est plus vrai.

Le palier gratuit de Gemini est désormais bien réel, et son palier bon marché reste son atout tarifaire. La page des formules de Google inclut Deep Research dans l'offre gratuite, et sa page d'aide précise que toute personne de 18 ans ou plus peut l'utiliser avec le modèle Thinking, tandis qu'AI Pro et Ultra ajoutent des rapports rédigés par le modèle Pro. Les limites de recherche sont comptées par jour, et AI Plus, à 4,99 $ par mois, double l'usage de l'offre gratuite, toujours à un prix bien inférieur au prix d'entrée de tous les autres.

Claude est désormais le seul des quatre sans Research gratuit. Research est indisponible sur la formule gratuite et disponible sur toutes les formules payantes : Pro à 20 $, Max à 100 $, Ultra à 200 $, plus Team et Enterprise.

Concrètement : vous pouvez désormais vraiment essayer la recherche approfondie gratuitement sur Gemini, et y goûter sur Perplexity et ChatGPT, même si une requête par mois sur Perplexity Free permet de se faire une idée, pas d'en faire une méthode de travail. Si vous ne payez que pour un seul, AI Plus de Gemini à 4,99 $ est la voie la moins chère pour faire davantage de recherches. Si vous voulez la sortie la plus fouillée sur des questions ambiguës, ChatGPT Plus à 20 $ vous donne OpenAI Deep Research plus tout le reste du paquet. Claude Pro a surtout du sens si vous utilisez déjà Claude pour lire et écrire et que vous voulez un seul abonnement.

---

Quel outil pour quelle tâche

Les éléments présentés plus haut et la documentation de chaque éditeur permettent de trancher les choix d'API et de tarifs ; les appréciations sur la qualité rédactionnelle qui suivent sont les miennes, pas des mesures. Voici comment j'orienterais le travail aujourd'hui.

Revue de littérature académique. Claude Research. Le contexte d'un million de tokens d'Opus 5.5, le modèle sur lequel tourne Research, compte quand l'agent doit garder plus de 20 articles à la fois dans son contexte, et Claude distingue nettement mieux des affirmations superficiellement semblables. Les exécutions durent plus longtemps, mais une revue de littérature n'est pas urgente.

Dimensionnement de marché et intelligence concurrentielle. OpenAI Deep Research. La profondeur du raisonnement sur les questions stratégiques ambiguës se voit clairement ici. C'est celui auquel je fais le plus confiance pour les consignes du type « aidez-moi à comprendre ce secteur ».

Récupération factuelle la plus difficile. Gemini Deep Research Max, via l'API de Google. Si les leaders des benchmarks vous apprennent une chose, c'est que le palier à effort élevé de Google est l'agent commercialisé le plus fort pour dénicher des faits peu connus qui exigent plusieurs étapes de recherche. Utilisez le palier Max délibérément, puisque le palier standard est un produit sensiblement différent, et Google ne précise pas si les rapports du modèle Pro dans l'application lui correspondent.

Briefings rapides avant une réunion. Perplexity. Les rapports sont plus courts et plus encyclopédiques, ce qui est exactement ce qu'on veut quand on cherche à s'orienter plutôt qu'à lire une dissertation.

Recherche portant sur vos propres documents. Gemini Deep Research. L'intégration à Workspace reste son avantage décisif : si la moitié de votre matériau source est dans Drive, Gmail et de vieilles notes de réunion, c'est le choix le plus naturel, même si la recherche approfondie de ChatGPT peut désormais elle aussi interroger un Google Drive ou un SharePoint connecté.

Intégrations développeur et exécutions en masse. La Deep Research API de Google si vous voulez l'agent qui affiche les meilleurs scores publiés, l'Agent API de Perplexity maintenant que Sonar a disparu, ou la Research API de You.com si vous voulez une latence publiée pour chaque palier. Si vous voulez la main sur le formatage des citations et sur le coût, construisez la boucle vous-même sur les services de recherche d'Exa ou de Tavily.

Recherche bon marché et à gros volume au sein d'un produit. Un modèle de milieu de gamme associé à un bon fournisseur de recherche et à un budget de tours généreux. Les données de benchmark ci-dessus disent que cela vous donne l'essentiel de la justesse pour une fraction du coût, et c'est la configuration que la plupart des fonctionnalités en production livrent réellement.

Synthèse de preuves contradictoires. Claude. Quand les sources divergent, Claude est le plus disposé à faire apparaître le désaccord plutôt qu'à choisir un camp prématurément.

Un schéma qui pourrait surprendre : aucun outil unique ne domine. Pour le travail à fort enjeu, passez la même consigne dans deux agents. Deux formules à 20 $ coûtent environ 40 $ par mois, l'offre gratuite de Gemini rend le second avis encore moins cher, et c'est précisément là où les deux rapports divergent que vous devez vérifier. Si vous vous demandez plus largement quelle place l'IA doit prendre dans vos études ou votre travail, les modes d'étude IA comparés traitent la question voisine.

---

La pièce manquante : transformer les rapports de recherche en savoir exploitable

Voici ce que presque aucun article comparatif ne mentionne. Le rapport produit par l'agent est une matière première, et la recherche n'est pas terminée tant que vous ne l'avez pas lu correctement.

Une longue sortie de Claude Research ou un rapport d'OpenAI Deep Research est le début du travail, pas la fin. Lisez-le une fois, survolez la conclusion, fermez l'onglet, et vous aurez payé un agent pour résumer quelque chose que vous n'avez pas réellement appris. Une étude du MIT Media Lab de 2025 (suivie dans notre analyse de l'impact de l'IA sur l'apprentissage) a mesuré l'activité EEG de personnes rédigeant des dissertations avec et sans ChatGPT, et a constaté un engagement cognitif nettement plus faible dans le groupe assisté. C'était une petite prépublication portant sur l'écriture plutôt que sur la lecture, mais la direction qu'elle indique est celle que reconnaît tout gros utilisateur d'IA.

Le remède est ce que les chercheurs font depuis des siècles : annoter. Surlignez les affirmations qui comptent. Signalez les sources que vous voulez vérifier. Reliez les idées d'un rapport à l'autre.

C'est là que le surligneur web de Glasp s'insère dans le flux de travail. Lancez votre recherche sur OpenAI, Perplexity, Gemini ou Claude. Collez le rapport dans une page lisible. Surlignez directement dans le navigateur à mesure que vous lisez. Vos surlignages se synchronisent avec votre bibliothèque Glasp, consultable et organisée, aux côtés de tout ce que vous avez lu ce mois-ci.

Quelques flux de travail précis qui fonctionnent :

Surlignez, puis relancez la requête. Lisez le rapport, surlignez les 10 à 15 affirmations les plus importantes. Recollez ces surlignages dans le même agent avec « creusez davantage ces points précis ». Itératif plutôt qu'en une seule passe.

Empilez les rapports par sujet. Quand vous étudiez le même sujet avec deux outils (disons OpenAI et Claude), surligner les deux rapports dans Glasp vous laisse voir où ils convergent et où ils divergent. Les désaccords sont souvent les passages les plus intéressants.

Utilisez YouTube à côté du texte. Quand les meilleures sources sont des podcasts ou des conférences, YouTube Summary vous donne des résumés au niveau de la transcription, horodatés. Associer un rapport de recherche approfondie en texte à 3 ou 4 conférences YouTube annotées couvre un sujet plus complètement que l'un ou l'autre pris seul.

Discutez avec vos surlignages. Le chat IA de Glasp peut répondre à vos questions en s'appuyant sur vos annotations comme source. C'est toute la différence entre « qu'a dit l'agent à propos de X ? » et « qu'ai-je moi-même conclu à propos de X ? ».

Publiez ce que vous avez appris. La communauté de Glasp regorge de gens qui étudient des sujets voisins. Partager des rapports surlignés est un moyen de se forcer à terminer une recherche, au lieu d'en empiler toujours plus. Pour un guide pas à pas, voir Comment annoter des articles correctement.

Un rapport lu une seule fois est un reçu, pas du savoir. L'étape « surligner et annoter » est ce qui convertit la sortie d'un agent en quelque chose que vous savez vraiment.

---

Foire aux questions

Quel outil de recherche approfondie est le plus précis ?

Parmi les agents de recherche des quatre grands, Gemini Deep Research Max de Google affiche le meilleur score publié, avec 54,6 % à Humanity's Last Exam (Google, avril 2026). Attention au nom : le palier Deep Research standard a obtenu 50,4 % au même test, et la plupart des articles comparatifs citent le chiffre de Max sous le nom de produit simple. Les modèles sont depuis montés plus haut dans les tests de leurs propres éditeurs : 67,7 % pour Claude Opus 5.5, sur lequel tourne Claude Research, 70,0 % pour Kimi K3.1 Pro de Moonshot et 74,2 % pour Claude Fable 5.2. Ce sont toutes des déclarations d'éditeurs, et le chiffre tiers le plus élevé, 77,4 %, provient d'une configuration modèle plus recherche que personne ne vend, évaluée dans un environnement d'évaluation différent sur un échantillon de 84 questions. À l'usage, les écarts de précision entre les meilleurs outils sont plus faibles que ne le suggèrent les classements.

Gemini Deep Research est-il meilleur que Perplexity ?

Les benchmarks seuls ne permettent pas de le dire. Les meilleurs chiffres de Google, 54,6 % à Humanity's Last Exam et 85,9 % à BrowseComp, sont ceux de Deep Research Max, que Google vend via son API. La page de Perplexity attribue à sa Deep Research actuelle 50,5 % et 83,8 % sur ces tests, soit autant ou plus que le palier standard de Google à 50,4 % et 61,9 %, et chaque éditeur a utilisé son propre environnement d'évaluation. Les différences pratiques sont plus nettes. Gemini propose Deep Research sur son offre gratuite pour les adultes et lit vos Gmail et Drive, tandis que Perplexity indique que la plupart de ses tâches de recherche se terminent en moins de 3 minutes, contre 5 à 10 habituellement chez Gemini, même si sa formule Free n'autorise qu'une requête de recherche par mois. Choisissez Gemini pour l'usage gratuit et les sources Google Workspace, et Perplexity pour les synthèses rapides.

Quelle est la meilleure alternative à ChatGPT Deep Research ?

Pour la plupart des gens, les meilleures alternatives sont Gemini Deep Research ou Perplexity. Gemini est accessible sur l'offre gratuite pour les adultes, permet de doubler les limites pour 4,99 $ par mois et affiche les meilleurs résultats de benchmarks publiés via le palier Max de son API. Perplexity couvre un champ plus large et répond plus vite. Si vous voulez sortir des quatre grands : Kimi de Moonshot possède un mode Deep Research bien documenté, celui de Mistral se trouve dans son application Vibe à 14,99 $ par mois, et Grok de xAI propose un mode multi-agent. Si vous voulez auto-héberger, GPT Researcher et DeerFlow de ByteDance sont les options open source activement maintenues. Évitez open_deep_research de LangChain, archivé en août 2026, et STORM de Stanford, qui n'a reçu aucun commit depuis septembre 2025.

Que vaut Grok face à ChatGPT et Claude pour la recherche approfondie ?

En matière de documentation, Grok est en retrait par rapport aux deux. Pour les développeurs, l'option de recherche de xAI est un modèle multi-agent, grok-4.20-multi-agent, toujours en bêta, qui exécute 16 agents à effort élevé au lieu de 4, et les nouveaux abonnés achètent Grok via The X Subscription, de 8 à 200 $ par mois, avec un tarif fondé sur l'usage plutôt que sur une allocation de recherche. OpenAI documente la recherche approfondie sur toutes les formules ChatGPT, de Limité sur Free à Maximum sur Pro, et Anthropic précise que Claude Research tourne sur Opus 5.5 sur toutes les formules payantes. Aucun benchmark actuel ne compare directement les trois produits de recherche : passez donc la même question réelle dans les deux que vous envisagez et comparez les sources trouvées par chacun.

Quelle est la meilleure API de recherche approfondie ?

Les agents Deep Research de Google sur l'Interactions API, pour la plupart des équipes. C'est la seule API spécifiquement consacrée à la recherche parmi celles d'OpenAI, de Google et d'Anthropic. Google publie une estimation de prix par tâche d'environ 1 à 3 $ (ou 3 à 7 $ pour Max) et documente un vrai budget temps, même si les deux agents sont encore en préversion. L'Agent API de Perplexity est le point de chute naturel si vous utilisiez Sonar, dont la prise en charge a pris fin le 27 septembre 2026, et la Research API de You.com est celle à essayer si vous voulez un prix et une latence publiés pour chaque palier. Si vous voulez la main sur le formatage des citations et sur le coût, construisez la boucle vous-même sur les services de recherche d'Exa ou de Tavily plutôt que d'acheter un rapport fini.

Quelle est l'API de recherche approfondie la plus rapide ?

Aucun éditeur ne publie de test comparatif de vitesse, mais la Research API de You.com publie une latence pour chaque palier : moins de 10 secondes sur lite, environ 10 à 30 secondes sur standard, moins de 2 minutes sur deep, moins de 5 minutes sur exhaustive, et une médiane de 300 secondes sur frontier, qui ne fonctionne qu'en arrière-plan. Google documente un budget plutôt qu'une vitesse, avec la plupart des tâches Deep Research terminées en moins de 20 minutes et un plafond de 60 minutes. S'il vous faut de la vitesse, le levier est l'effort, pas le fournisseur : ces API exposent un curseur de palier, et le préréglage fast de Perplexity, conçu pour les faits isolés et les résumés courts, ainsi que lite de You.com se situent du côté rapide. Pour obtenir des résultats sourcés bruts en quelques secondes à injecter dans votre propre modèle, les services de recherche d'Exa et de Tavily sont la voie rapide.

Combien de temps durent les exécutions de recherche approfondie ?

En s'en tenant aux chiffres publiés par les éditeurs : la page d'aide de Google indique qu'un rapport Gemini prend généralement environ 5 à 10 minutes, et son API termine la plupart des tâches en moins de 20 minutes, avec un plafond de 60 minutes. Perplexity annonce que la plupart des recherches se terminent en moins de 3 minutes, mais peuvent prendre environ 4 à 5 minutes. Moonshot annonce de 10 à 25 minutes pour Kimi. La page de lancement d'OpenAI indique toujours 5 à 30 minutes, un chiffre de février 2025, et la page d'aide Research d'Anthropic n'en donne aucun. Traitez le chiffre d'OpenAI comme historique, car le produit a été reconstruit depuis.

Puis-je utiliser les outils de recherche approfondie via une API ?

Oui, et les options ont substantiellement changé en 2026. Les agents Deep Research de Google sur l'Interactions API sont la seule option clé en main parmi celles d'OpenAI, de Google et d'Anthropic, facturés environ 1 à 3 $ par tâche et 3 à 7 $ pour le palier Max. Le sonar-deep-research de Perplexity était le favori des développeurs jusqu'à la fin de sa prise en charge le 27 septembre 2026, et il est remplacé par les six préréglages d'effort de l'Agent API. OpenAI a retiré ses modèles dédiés o3-deep-research et o4-mini-deep-research le 23 juillet 2026 : vous exécutez donc désormais un modèle phare sur la Responses API avec l'outil de recherche web, ou vous utilisez son Agents API, en bêta publique depuis septembre 2026. Anthropic n'a aucune API estampillée recherche mais propose bien Claude Managed Agents en bêta, facturé aux tokens plus 0,08 $ par heure de session. La Research API de You.com et l'Agent d'Exa renvoient eux aussi des rapports finis, et les services de recherche d'Exa et de Tavily sont les options populaires pour construire votre propre solution.

Quelle API de recherche approfondie propose une tarification à l'usage ?

Toutes facturent l'usage, selon des unités différentes. Google, OpenAI, Anthropic et Perplexity facturent les tokens du modèle plus des frais par recherche, Google estimant une tâche Deep Research standard à 1 à 3 $ et une tâche Max à 3 à 7 $. You.com facture par requête selon le palier d'effort, de 12 $ à 1 200 $ pour 1 000. Tavily vend des crédits à 0,008 $ l'unité, et l'Agent d'Exa coûte de 0,012 à 1,00 $ par exécution à effort fixe, ses paliers Auto et Ultra étant facturés à l'usage. Si vous avez besoin d'une facture prévisible, une tarification par requête est plus facile à anticiper que les tokens.

Quelle API de recherche approfondie offre les meilleures citations ?

Google, Perplexity, la Research API de You.com et l'Agent d'Exa renvoient d'emblée des rapports sourcés. Pour les systèmes en production qui doivent relier chaque affirmation à une URL, les équipes s'appuient souvent sur les services de recherche d'Exa ou de Tavily, qui renvoient des résultats attribués à leurs sources et que vous injectez dans votre propre modèle : vous maîtrisez ainsi le formatage et pouvez afficher une piste d'audit. N'importe quel modèle doté d'un outil de recherche web peut insérer des citations dans le texte si vous le lui demandez. Gardez en tête ce que dit la recherche indépendante sur le sujet : le meilleur système évalué traitait pleinement moins de 11 % des items de grille relatifs aux citations, et la présence de citations ne garantit donc pas qu'elles soient suffisantes.

Existe-t-il un outil de recherche approfondie gratuit ?

Oui, et ils sont plus nombreux qu'en septembre. L'offre gratuite de Gemini inclut Deep Research pour toute personne de 18 ans ou plus, avec le modèle Thinking. Perplexity accorde un usage gratuit à toutes les formules, même si Free est plafonné à une requête de recherche par mois, et ChatGPT Free conserve une allocation « limitée » sans quota publié. Claude fait exception, avec Research réservé aux formules payantes. Si vous préférez les faire tourner vous-même, les agents open source évoqués plus haut se téléchargent gratuitement, mais vous payez toujours les services de modèles et de recherche qu'ils appellent (DeerFlow peut au moins effectuer des recherches via DuckDuckGo sans clé d'API).

Comment éviter les hallucinations dans les rapports de recherche approfondie ?

Trois tactiques pratiques. Premièrement, cliquez au moins sur les trois à cinq premières sources citées et confirmez que l'affirmation s'y trouve réellement, car une vraie source citée pour quelque chose qu'elle ne dit pas passe bien plus facilement inaperçue qu'un lien inexistant. Deuxièmement, passez la même consigne dans un second outil ; les désaccords sont en général l'endroit où l'un des deux s'est trompé. Troisièmement, si vous intégrez cela dans un logiciel, faites de la vérification une étape de pipeline distincte plutôt qu'une ligne dans votre consigne : extrayez chaque affirmation, vérifiez-la dans un contexte vierge, puis soumettez les verdicts à un examen critique. C'est le schéma qu'expose le cookbook d'Anthropic de juillet 2026.

Les outils de recherche approfondie peuvent-ils lire mes documents privés ?

Oui, avec votre autorisation, et l'écart s'est réduit. Gemini Deep Research offre l'intégration la plus profonde, avec un accès natif à vos Gmail, Drive et Docs. La recherche approfondie de ChatGPT peut interroger des sources connectées comme Google Drive ou SharePoint, selon votre formule, et Claude Research peut utiliser vos outils connectés dans les applications web et de bureau, même si, sur mobile, il ne recherche que sur le web. Computer de Perplexity peut exploiter vos fichiers et vos applications en parallèle du web. Si votre matériau source réside en grande partie dans Google Workspace, Gemini reste le choix évident.

Quelle est la meilleure façon de sauvegarder et de réutiliser les rapports de recherche approfondie ?

Exportez le rapport en PDF ou en Markdown, ouvrez-le dans une vue lisible, et surlignez-le comme vous le feriez de n'importe quel long article. Glasp est conçu exactement pour ce flux de travail : les surlignages sont synchronisés dans une bibliothèque consultable, où vous pouvez les relier à d'autres surlignages et les retrouver plus tard. Sans étape de surlignage, la plupart des rapports de recherche approfondie sont lus une fois puis oubliés. Rédiger une courte note avec vos propres mots à côté d'un surlignage aide aussi : dans les expériences de Slamecka et Graf sur l'effet de génération en 1978, les participants retenaient mieux les mots qu'ils avaient produits eux-mêmes que ceux qu'ils avaient seulement lus.

---

Conclusion : la pile de recherche, pas l'outil de recherche

Vingt et un mois après le lancement d'OpenAI, la catégorie s'est clarifiée, puis réorganisée. Les agents de recherche approfondie ne forment pas un marché où le vainqueur rafle tout. C'est un assemblage où la bonne réponse dépend de ce que vous étudiez, du temps dont vous disposez, de l'endroit où vit votre matériau source, et du fait que vous cliquiez sur un bouton ou appeliez une API.

S'il fallait n'en retenir qu'un pour la plupart des travailleurs du savoir aujourd'hui, ce serait toujours Gemini : une offre gratuite qui inclut Deep Research, la montée en gamme payante la moins chère à 4,99 $, les meilleurs résultats de benchmarks publiés (ceux du palier Max de son API), et la seule API spécifiquement consacrée à la recherche parmi celles d'OpenAI, de Google et d'Anthropic. Pour du travail plus lourd ou plus ambigu, associez-le à OpenAI Deep Research ou à Claude Research. Les développeurs qui envoient encore des appels Sonar asynchrones devraient les migrer dès maintenant vers l'Agent API de Perplexity, car Perplexity a cessé de les prendre en charge le 27 septembre.

Le changement de fond est structurel. Le modèle de recherche approfondie dédié est en voie de disparition dans les grands laboratoires : OpenAI a retiré ses modèles de recherche, Perplexity a retiré Sonar, Google livre un agent plutôt qu'un modèle, Anthropic livre une infrastructure d'exécution gérée, et xAI vous fait choisir un nombre d'agents. Le point de terminaison qwen-deep-research d'Alibaba est l'exception notable. Ce qui les a remplacés, c'est un curseur d'effort. Bonne nouvelle pour qui construit, car l'effort est un paramètre réglable à chaque requête, et c'est pourquoi la trouvaille de benchmark la plus utile de 2026 a été qu'augmenter un budget de recherche déplaçait la justesse de 53 points à modèle constant.

Mais le choix de l'outil compte moins que ce que vous faites de sa sortie. La plus grosse erreur que je vois commettre est de traiter un rapport de recherche approfondie comme un travail fini. Il ne l'est pas. C'est une matière première. Le vrai savoir se construit quand vous surlignez les affirmations qui comptent, que vous les reliez à d'autres choses que vous avez lues, et que vous y revenez plus tard, quand le sujet ressurgit.

C'est le flux de travail pour lequel Glasp est conçu. Surlignez n'importe quel rapport, n'importe quel article, n'importe quelle transcription YouTube. Construisez une bibliothèque consultable de ce que vous avez jugé important. Discutez avec vos surlignages plus tard, quand vous avez besoin de retrouver un point précis. Partagez votre travail avec d'autres personnes qui mènent la même recherche.

Les agents de recherche approfondie continueront de s'améliorer, et les API de se multiplier. Ceux qui ne sont pas complétés par une étape de surlignage continueront de produire des rapports lus une fois puis oubliés. Ne construisez pas votre flux de recherche autour d'un seul outil. Construisez-le autour d'une pile, et assurez-vous que le dernier maillon de cette pile est celui où votre propre compréhension se trouve consignée.

Commencez cette semaine par passer une vraie question de recherche dans deux des quatre outils. Surlignez les deux rapports. Comparez ce que vous avez appris. Voilà le flux de travail. Tout le reste n'est qu'une liste de fonctionnalités.