Deep Research arrive dans l’API d’OpenAI pour automatiser les recherches complexes

Les assistants conversationnels savent répondre en quelques secondes à une question isolée. Mais une étude de marché, une veille réglementaire ou l’analyse d’un dossier technique réclament souvent une succession d’étapes : préciser le problème, trouver les documents utiles, comparer les informations, puis en tirer une synthèse exploitable. C’est ce travail plus long qu’OpenAI entend rendre programmable avec l’arrivée de Deep Research dans son API, annoncée le 26 juin 2025.

La nouveauté vise avant tout les développeurs et les organisations qui souhaitent intégrer un agent de recherche à leurs propres outils. Plutôt que de demander manuellement un rapport à ChatGPT, ils peuvent déclencher une recherche depuis une application métier, attendre son achèvement et exploiter sa réponse dans un processus plus large. Cette évolution ne dispense pas de vérifier les résultats, mais elle ouvre une voie concrète pour automatiser une partie des recherches documentaires complexes.

Deep Research, un agent de recherche désormais accessible par API

Deep Research n’est pas une simple fonction de recherche par mots-clés. L’outil est conçu comme un agent autonome : face à une demande vaste, il peut la découper en plusieurs questions pertinentes, explorer des informations disponibles, les analyser et construire une réponse finale structurée.

La fonctionnalité était déjà disponible dans les versions payantes de ChatGPT depuis février 2025. Son arrivée dans l’API permet désormais de l’intégrer directement à un produit, à un outil interne ou à un service destiné à des clients. L’accès passe par l’endpoint Responses, l’interface d’OpenAI prévue pour construire des applications utilisant des modèles et des outils.

L’ambition est de réduire le temps consacré aux recherches répétitives ou aux premières synthèses. Selon la complexité de la demande, Deep Research peut parcourir et confronter des informations issues de centaines de sources, voire explorer un grand nombre de documents. Le bénéfice attendu n’est donc pas seulement la vitesse : c’est aussi la capacité à structurer une investigation qui, réalisée manuellement, demanderait plusieurs heures.

Comment fonctionne une recherche approfondie avec l’API ?

Le principe est celui d’une mission confiée à un agent. Un développeur formule une requête, par exemple une comparaison entre plusieurs évolutions réglementaires, l’analyse d’un secteur ou l’examen d’une documentation technique. Le modèle ne se limite pas nécessairement à répondre immédiatement : il peut identifier les sous-problèmes à résoudre avant de parvenir à une conclusion.

Pour cela, Deep Research peut s’appuyer sur différents outils, notamment la recherche web et l’exécution de code. Ces capacités sont utiles dans des contextes très différents : trouver des informations récentes, examiner des données, effectuer des calculs ou organiser des résultats. L’agent peut également explorer le contenu d’un dépôt GitHub, une possibilité particulièrement intéressante pour les équipes techniques souhaitant interroger une base de code ou une documentation de projet.

Cette autonomie ne doit pas être confondue avec une garantie absolue de justesse. Un agent peut mal interpréter une demande, s’appuyer sur une information incomplète ou ne pas détecter qu’une source est discutable. Plus l’enjeu est élevé, plus la consigne doit être précise et la restitution contrôlée par un spécialiste.

Quels modèles alimentent Deep Research ?

OpenAI associe cette capacité à deux modèles spécialement nommés pour cet usage : o3-deep-research et o4-mini-deep-research. Ils sont destinés à des travaux de recherche approfondie, par opposition à une réponse brève attendue dans une interaction conversationnelle ordinaire.

Le choix entre les deux dépendra des besoins de l’application : volume de recherches à traiter, niveau de détail souhaité, contraintes de coût et temps d’attente acceptable. L’essentiel, pour une équipe qui intègre l’outil, est de penser le parcours complet : la demande initiale, le temps potentiellement nécessaire à la recherche, la réception du résultat et la validation humaine lorsque celle-ci est indispensable.

Il faut aussi distinguer une fonction de recherche approfondie d’un modèle de chat généraliste. Un assistant généraliste peut être pertinent pour rédiger, reformuler ou répondre à une question précise. Deep Research est pensé pour les cas où l’outil doit conduire une investigation en plusieurs étapes et produire une synthèse issue d’un ensemble de documents.

Pourquoi l’API change l’usage de Deep Research

Dans ChatGPT, Deep Research est utilisé depuis une interface prête à l’emploi. Dans une API, ce sont les développeurs qui décident de son intégration : une plateforme peut proposer un formulaire de recherche, déclencher un rapport depuis un dossier client, puis envoyer le résultat à un outil de validation ou d’archivage.

Cette approche est particulièrement adaptée aux tâches récurrentes. Une entreprise peut, par exemple, définir des requêtes cohérentes pour sa veille, organiser les réponses dans son environnement de travail ou les soumettre à l’examen d’analystes. L’API offre ainsi une manière de relier la recherche assistée par IA à des processus existants, plutôt que d’en faire un usage isolé dans une fenêtre de conversation.

Des usages déjà envisagés dans la finance, le droit et la veille

Plusieurs organisations ont déjà intégré ou expérimenté la recherche approfondie dans leurs processus, parmi lesquelles BNY, Thomson Reuters, Carlyle et Rogo. Les cas d’usage mentionnés illustrent le type de travail auquel se prête l’outil : synthèse de mémoires juridiques, due diligences dans le capital-investissement, suivi de tendances macroéconomiques et veille sur les évolutions réglementaires.

Une due diligence consiste à examiner en détail les informations liées à une entreprise, à un actif ou à une opération avant une décision d’investissement. C’est un travail qui nécessite de nombreuses sources, des documents spécialisés et un jugement professionnel. Dans ce cadre, un agent de recherche peut accélérer la collecte et la préparation d’une synthèse. Il ne peut toutefois pas se substituer à l’expertise juridique, financière ou sectorielle requise pour prendre une décision.

Dans le domaine juridique, la valeur potentielle se situe également dans le premier tri documentaire. Résumer un mémoire, repérer les thèmes récurrents ou produire une vue d’ensemble peut libérer du temps pour l’analyse de fond. De même, pour la veille économique, l’intérêt est de transformer un flux d’informations éparses en une matière plus organisée, à condition de conserver une lecture critique des conclusions.

Webhooks et recherche web : les deux autres changements importants

OpenAI accompagne cette ouverture de Deep Research par l’arrivée des webhooks. Un webhook est un mécanisme de notification : plutôt que de demander continuellement à l’API si une opération est terminée, une application peut recevoir automatiquement un signal lors d’un événement précis.

Cette fonction est particulièrement utile pour les tâches longues, comme une recherche approfondie. Une application peut lancer une demande, poursuivre d’autres opérations, puis être avertie quand la réponse est achevée. OpenAI prévoit aussi ces notifications pour d’autres événements, notamment l’achèvement d’une réponse ou d’un fine-tuning, c’est-à-dire l’adaptation d’un modèle à des exemples fournis par une organisation.

L’entreprise a par ailleurs révisé les tarifs de la recherche web dans son API. Les montants annoncés concernent les appels à cet outil de recherche et doivent être distingués de l’ensemble des coûts potentiels d’utilisation des modèles, qui dépendront aussi du volume et de la nature des requêtes.

Cette grille rend la recherche web moins coûteuse pour les développeurs qui utilisent les modèles o3, o3-pro et o4-mini. Pour une entreprise, le coût réel ne se résume toutefois pas à ce prix : il faut également prendre en compte le nombre de recherches, la fréquence d’usage, la longueur des demandes et le travail de contrôle des résultats.

Les limites à connaître avant d’automatiser une recherche

Un rapport bien présenté peut donner une impression de certitude qu’il ne mérite pas toujours. Les systèmes de recherche assistée par IA sont capables de gagner du temps, mais ils restent dépendants de la qualité des informations accessibles, de la manière dont la question a été formulée et de leur capacité à interpréter correctement les documents.

Trois précautions sont particulièrement importantes :

• définir clairement le périmètre de la recherche, les critères et la période concernée ;
• vérifier les affirmations déterminantes avant de les utiliser dans une décision ;
• prévoir une revue humaine pour les sujets juridiques, financiers, réglementaires ou stratégiques.

Les organisations devront aussi choisir avec soin les informations qu’elles soumettent à une application connectée à une IA. Lorsqu’un processus porte sur des documents internes ou des données sensibles, les règles de sécurité, de confidentialité et de conformité doivent être examinées avant tout déploiement.

Ce qu’il faudra surveiller après ce lancement

L’arrivée de Deep Research dans l’API marque une étape dans l’évolution des assistants IA : ils ne sont plus seulement sollicités pour rédiger une réponse, mais pour mener une série d’actions de recherche au sein d’un logiciel. La différence est importante pour les équipes qui souhaitent transformer des tâches documentaires en processus partiellement automatisés.

À partir du 28 juin 2025, les points à observer seront la fiabilité des synthèses obtenues sur des sujets spécialisés, le coût réel des recherches à grande échelle et la façon dont les entreprises organiseront la validation humaine. Le succès de cette approche dépendra moins de la seule capacité du modèle à chercher que de sa bonne intégration dans des méthodes de travail rigoureuses.