Perplexity, l'un des moteurs de recherche basés sur l'IA qui connaît la croissance la plus rapide au monde, a récemment publié un manifeste technique qui dépasse largement une simple annonce produit. Sa thèse : la façon dont les agents IA recherchent de l'information aujourd'hui est fondamentalement mal conçue. Pas légèrement sous-optimale, mais structurellement défaillante. Et la solution proposée par l'entreprise redéfinit ce que signifie réellement la recherche dans le contexte de l'IA.
Il ne s'agit pas principalement d'une histoire sur Perplexity. Il s'agit d'une histoire sur la façon dont l'architecture des systèmes d'IA déterminera les choix stratégiques des organisations dans les années à venir.
Ce qui se passe
Lorsqu'un agent IA a besoin d'information aujourd'hui, il fait en substance ce qu'un humain ferait : il tape une requête de recherche, attend les résultats, lit ce qui lui parvient, puis traite ces éléments. Cela semble logique. Le problème est que ce schéma, conçu pour des chercheurs humains, entre en conflit avec la façon dont les agents IA fonctionnent réellement.
Un chercheur humain lit une page et retient ce qui est pertinent. Un agent IA charge l'intégralité du résultat de recherche dans sa mémoire de travail, ce qu'on appelle la fenêtre de contexte. Cette fenêtre de contexte n'est pas infinie. À chaque requête supplémentaire, davantage d'informations s'accumulent, dont la majeure partie n'est pas pertinente. Par ailleurs, l'agent ne peut pas affiner sa recherche pendant qu'il cherche : il lance la question par-dessus le mur, attend une réponse, et ne commence à filtrer qu'ensuite.
Le résultat : des résultats lents et parasités par le bruit, qui consomment la capacité de l'agent avant même que la tâche réelle n'ait commencé.
La logique de Search as Code
La proposition de Perplexity s'appelle Search as Code, ou SaC. L'idée de base est simple : au lieu qu'un agent IA appelle un service de recherche comme une boîte noire, l'agent écrit lui-même du code pour construire précisément la requête de recherche que la tâche exige.
Une analogie rend cela concret. Imaginez que vous demandiez à un collaborateur de rechercher les chiffres trimestriels de mille fournisseurs. Dans l'ancien modèle, cette personne se rend à la bibliothèque, prend une revue pour chaque fournisseur, la lit intégralement, note le chiffre pertinent, repose la revue, et recommence. Fastidieux, sujet aux erreurs, et après quelques heures, le carnet de notes regorge d'informations superflues.
Dans le modèle SaC, le collaborateur rédige d'abord un ensemble d'instructions : "recherche simultanément tous ces mille fournisseurs, extrait uniquement les paragraphes contenant les chiffres de bénéfices de 2025, trie par secteur, ne me retourne que les chiffres". Cet ensemble d'instructions est ensuite exécuté dans un environnement sécurisé, et le collaborateur reçoit une liste claire et structurée. Pas de pages superflues, pas d'attente par fournisseur, pas de carnet débordant.
L'architecture derrière SaC comprend trois couches. Le modèle IA décide ce qu'il faut rechercher et écrit le code correspondant. Un environnement informatique sécurisé, une sandbox, exécute immédiatement ce code. Et une boîte à outils de recherche, un SDK, fournit des briques de base : récupération, classement, filtrage, dédoublonnage, synthèse. L'agent combine ces briques selon ses besoins, pour chaque tâche différemment.
La recherche devient ainsi non plus un service fixe mais une capacité variable. Non plus un bouton que l'agent appuie, mais un instrument que l'agent peut accorder lui-même.
Ce que cela signifie pour votre organisation
Les détails techniques importent pour ceux qui construisent des systèmes d'IA. Mais les implications stratégiques s'appliquent à toute organisation qui déploie ou envisage de déployer l'IA. Cinq points méritent attention.
La qualité des résultats de l'IA dépend de l'architecture, pas seulement du modèle. De nombreuses organisations investissent dans de meilleurs modèles, de meilleures instructions, de meilleures données d'entraînement. Mais la façon dont un système IA récupère et traite l'information conditionne également la qualité du résultat. SaC illustre que la tuyauterie d'un agent IA, sa façon de rechercher et de filtrer, est aussi critique que le modèle lui-même. Ceux qui veulent déployer l'IA de façon stratégique doivent réfléchir au système qui entoure le modèle, pas seulement au modèle.
Les agents IA autonomes exigent une approche différente de la gestion des connaissances. Lorsqu'un agent IA écrit et exécute son propre code pour récupérer de l'information, le rôle de l'organisation évolue. Il ne suffit plus de construire une base de connaissances et d'espérer que l'IA en distille les éléments pertinents. Les organisations doivent réfléchir aux sources d'information disponibles, à leur degré de structuration et aux droits d'accès applicables. La gestion des connaissances est devenue une infrastructure pour les agents IA, pas seulement un outil RH.
Vitesse et précision sont les deux faces d'une même pièce. L'exemple SaC d'une analyse de mille entreprises en une minute est frappant. Non pas parce que la vitesse est intéressante en soi, mais parce qu'elle change la nature de la tâche. Des analyses trop chronophages pour être menées systématiquement aujourd'hui deviennent réalisables. Veille concurrentielle, analyse fournisseurs, segmentation client : des tâches qui se font aujourd'hui manuellement ou par sondage peuvent, avec une infrastructure suffisamment prête pour l'IA, être exécutées automatiquement et exhaustivement. Le seuil de ce que signifie une "recherche approfondie" est en train d'être relevé.
Les dépendances envers les fournisseurs de recherche ne disparaissent pas, elles se déplacent. SaC transfère le contrôle au modèle IA, mais la capacité de recherche sous-jacente reste dépendante de fournisseurs comme Perplexity, Google ou des systèmes de connaissance internes. Ceux qui construisent des systèmes IA aujourd'hui auraient intérêt à réfléchir aux capacités de recherche qui sont stratégiquement critiques et à la gérabilité de ces dépendances. L'indépendance vis-à-vis des fournisseurs dans l'IA va au-delà du modèle : les sources de données et l'infrastructure de recherche comptent également.
En même temps, SaC pose une question plus profonde à l'ensemble du secteur de la recherche. Google et Bing dominent aujourd'hui l'infrastructure de recherche pour les utilisateurs humains, mais leur architecture a été conçue autour de ce postulat : un utilisateur saisit une requête, reçoit une page de liens. Une interface SaC est fondamentalement différente — un SDK de briques de base qui permet à un agent IA de composer précisément la recherche dont il a besoin pour une tâche donnée. Si les agents IA migrent massivement leurs besoins en information vers des fournisseurs offrant ce type d'interface, cela va à l'encontre de la façon dont Google et Bing sont construits. Le parallèle avec la transition du bureau vers le mobile s'impose : ceux qui n'ont pas adapté leur plateforme au nouveau mode d'usage ont perdu des parts de marché au profit de ceux qui l'ont fait. Que l'approche SaC de Perplexity fixe une nouvelle norme que Google et Bing ne pourront ignorer est encore incertain. Mais la question est posée, et elle mérite une réponse.
La frontière entre recherche et raisonnement s'estompe. Dans le modèle classique, une IA recherche, puis raisonne. Dans le modèle SaC, recherche et raisonnement sont imbriqués : l'agent raisonne déjà pendant qu'il construit la requête de recherche, et affine ce raisonnement en fonction de ce qu'il reçoit. Cela rend les agents IA fondamentalement différents des chatbots de première génération. Les organisations qui déploient des agents IA pour des tâches complexes ne travaillent plus avec une question et une réponse, mais avec un processus de réflexion alimenté par l'information.
La vraie leçon
Search as Code est techniquement intéressant. Mais le message plus profond est que les systèmes d'IA arrivent à maturité d'une façon que la plupart des organisations n'ont pas encore pleinement saisie.
Les agents IA des années à venir ne sont pas de meilleurs moteurs de recherche. Ce sont des systèmes qui construisent leurs propres outils pour chaque tâche. Qui écrivent leur propre code pour récupérer précisément l'information dont ils ont besoin. Qui adaptent leur approche à la mission, et non aux contraintes d'une plateforme fixe.
Cela demande quelque chose de différent aux organisations par rapport à ce qui était requis jusqu'à présent. Pas seulement investir dans des outils IA, mais réfléchir à l'infrastructure sur laquelle ces outils fonctionnent. Pas seulement évaluer les résultats, mais comprendre quels choix architecturaux les déterminent. Pas seulement accompagner les personnes dans leur travail avec l'IA, mais aussi concevoir les systèmes qui permettent aux agents IA de bien faire leur travail.
La question n'est pas de savoir si votre organisation utilise l'IA. La question est de savoir si l'infrastructure sur laquelle vous le faites est prête pour des agents IA qui se dotent d'outils de plus en plus puissants.