Quand une IA répond en citant des sources récentes, beaucoup imaginent qu'elle « consulte Internet » comme on consulterait une bibliothèque. Ce n'est pas ce qui arrive. Elle formule des requêtes vers un moteur de recherche, reçoit quelques extraits de pages, et rédige à partir de ces extraits. Chaque maillon de cette chaîne peut échouer, et comprendre lesquels explique la plupart des erreurs que vous rencontrerez.
Cette capacité est devenue centrale, et son fonctionnement reste largement opaque pour les utilisateurs. Voici la chaîne, étape par étape.
Étape 1 : décider de chercher
Le modèle doit d'abord déterminer si votre question nécessite une recherche. Une question sur une définition ne l'exige pas ; une question sur un événement récent, si.
C'est une décision, et elle peut être mauvaise dans les deux sens. Un modèle qui ne cherche pas alors qu'il le faudrait répondra à partir de connaissances périmées, avec l'aplomb habituel. Un modèle qui cherche systématiquement ralentit et coûte plus cher.
Étape 2 : formuler la requête
Le modèle traduit votre question en requêtes de recherche. Cette traduction n'est pas neutre : les termes choisis déterminent ce qui sera trouvé.
Si votre question porte sur un sujet où le vocabulaire compte — un terme technique, un nom propre ambigu, une formulation controversée — une requête mal calibrée ramènera des résultats à côté du sujet, et le modèle rédigera consciencieusement à partir de ceux-là.
Étape 3 : recevoir des extraits
Voici le maillon le plus mal compris. Le modèle ne reçoit généralement pas les pages entières : il reçoit des extraits, quelques phrases par résultat.
Ces extraits sont sélectionnés par le moteur de recherche selon ses propres critères. Le modèle hérite donc de tout ce qui structure ce moteur : son classement, son optimisation, ses biais commerciaux.
Conséquence importante : sur les sujets fortement optimisés pour le référencement — recommandations de produits, santé, finance personnelle — la qualité des extraits disponibles est souvent médiocre, et la réponse s'en ressent.
Le modèle produit ensuite une réponse à partir de ces extraits, en y attachant des liens. Le piège est là : un lien affiché ne garantit pas que la phrase vient de cette page. Le modèle a lu plusieurs extraits, synthétisé, puis attribué. Cette attribution est elle-même une génération, donc faillible. Il arrive qu'une affirmation correcte soit rattachée à la mauvaise source, ou qu'une nuance présente dans l'extrait ait disparu dans la synthèse.
Ce que ça implique pratiquement
Ouvrez les liens qui comptent. Pas tous, mais ceux qui portent un chiffre, une date, une citation ou une affirmation sur laquelle vous allez vous appuyer. C'est la vérification la plus rentable, et elle prend trente secondes.
Méfiez-vous des sujets sur-optimisés. Si la question porte sur un produit à acheter, un traitement ou un placement, la matière première disponible est de qualité inégale.
Reformulez si les sources semblent faibles. Vous pouvez demander explicitement de chercher sur une source précise, ou de privilégier des documents primaires. Cela change réellement le résultat.
La date compte. Une recherche ramène ce qui est bien classé, pas ce qui est le plus récent. Sur un sujet qui bouge, précisez la période.
Pourquoi c'est quand même un progrès considérable
Malgré ces limites, cette capacité corrige le défaut le plus gênant de ces systèmes : la date de coupure des connaissances. Un modèle qui peut chercher n'est plus figé au moment de son entraînement.
Et elle rend les réponses vérifiables, ce qui est une amélioration majeure par rapport à une affirmation sortie de nulle part. Un lien qu'on peut ouvrir vaut infiniment mieux qu'une assurance sans source, même si le lien est parfois mal attribué.
Ce qu'il faut retenir
Une IA qui cherche sur le web n'est pas une IA qui sait. C'est une IA qui lit rapidement quelques extraits sélectionnés par un moteur de recherche et qui vous en fait une synthèse.
C'est extrêmement utile, et cela ne remplace pas la lecture d'une source quand l'enjeu est réel. La bonne façon de s'en servir est de la considérer comme un assistant documentaire rapide : il vous amène aux bonnes pages beaucoup plus vite que vous ne les auriez trouvées, et c'est à vous de les lire.