Contexte et enjeux

Les assistants conversationnels basés sur des grands modèles de langage (LLM) comme ChatGPT, Gemini ou Bing Chat sont intégrés à des moteurs de recherche pour fournir des réponses synthétisées. Leur popularité repose sur la capacité à reformuler des requêtes, à résumer des pages et à générer du texte en langage naturel. Cependant, ces systèmes conservent des limites inhérentes à leur architecture : entraînement sur des corpus figés, absence de mise à jour en temps réel et propension à « halluciner » des informations non vérifiées. L’article de WIRED recense les situations où ces atouts sont utiles et celles où ils peuvent compromettre la fiabilité des résultats.

Fonctionnement des modèles de recherche IA

Un LLM reçoit la requête de l’utilisateur, interroge un index de documents (souvent via un moteur de recherche traditionnel) puis génère une réponse en combinant les extraits pertinents. La plupart des services actuels utilisent un pipeline hybride : récupération (retrieval) → génération (generation). Par exemple, Bing Chat (2023) indique un délai moyen de 1,2 s pour la phase de récupération, suivi de 0,8 s de génération. Le modèle ne possède pas d’accès direct à l’internet après son entraînement ; il dépend donc d’un « retriever » qui fournit des passages à jour. Cette séparation explique pourquoi les réponses peuvent être à jour sur des sujets généraux mais erronées sur des événements post‑cut‑off (ex. : données après novembre 2023 pour GPT‑4).

Scénarios d’usage pertinents

Les cas où l’IA améliore la recherche sont ceux qui requièrent syntèse ou reformulation. Un professionnel qui doit comparer rapidement plusieurs études trouve un gain de temps lorsqu’un LLM résume les points clés. De même, les requêtes ouvertes (« Comment préparer un voyage au Japon ? ») bénéficient d’une réponse structurée, car le modèle peut agréger des informations provenant de multiples sources. Un autre usage efficace est la génération de requêtes de recherche plus précises : le LLM transforme une question vague en mots‑clés optimisés, augmentant le taux de clics sur les résultats pertinents.

Limites et risques

Lorsque la précision factuelle est primordiale, l’IA doit être évitée. Des études internes de Microsoft (2023) montrent un taux d’hallucination d’environ 30 % pour les réponses contenant des chiffres. De plus, les modèles ne respectent pas toujours les contraintes de confidentialité ; ils peuvent réutiliser des fragments de texte provenant de pages protégées. Les requêtes nécessitant des données en temps réel (cotes boursières, météo actuelle) échouent souvent, car le LLM ne peut pas interroger d’API externes sans intégration spécifique. Enfin, la dépendance à un fournisseur unique crée un verrou technologique : les algorithmes de ranking et de génération restent opaques, ce qui complique l’audit de biais.

curl -X POST https://api.bing.microsoft.com/v7.0/chat/completions \
  -H "Ocp-Apim-Subscription-Key: $KEY" \
  -H "Content-Type: application/json" \
  -d '{"messages":[{"role":"user","content":"Quel est le prix du Bitcoin aujourd\'hui?"}]}'