Comprendre · Chercher ou répondre de mémoire

Quand ChatGPT cherche-t-il vraiment sur le web, et quand répond-il de mémoire ?

Un moteur de réponse ne consulte pas le web à chaque question. Il décide, question par question, s’il va chercher des pages ou s’il répond avec ce qu’il a retenu pendant son entraînement. Nous avons compté. Dans la nuit du 14 au 15 août 2026, sur les trente questions figées du diagnostic public d’un client, l’application ChatGPT n’a déclenché sa recherche que sur onze d’entre elles. Dix de ces onze étaient les questions d’achat.

Cette page explique ce qui se joue à cet instant, et ce qu’un dirigeant peut en faire. Chaque affirmation renvoie à une documentation d’éditeur, à un travail de recherche publié ou à un relevé daté dont les conditions sont publiques.

Sur quelles questions la machine va-t-elle chercher ?

La règle tient en une phrase : elle cherche quand la question porte sur quelque chose qui peut avoir changé, et elle répond de mémoire quand elle juge la question stable.

Nous avons mesuré ce partage au lieu de le supposer. Dans la nuit du 14 au 15 août 2026, nous avons posé une par une, dans l’application ChatGPT, les trente questions d’acheteur figées d’avance du diagnostic public d’un client. L’application n’a déclenché sa recherche web que sur onze d’entre elles : les dix questions d’achat, celles où un acheteur compare des offres, plus une question portant sur un examen de langue. Sur les dix-neuf questions de conseil général, elle a répondu sans citer la moindre source, et personne n’y figurait comme source, ni notre client ni ses concurrents. Le détail, les captures et les limites sont publiés dans notre étude de concordance.

Le périmètre reste attaché au chiffre : un site, trente questions, une nuit, un compte. Nous n’en tirons aucune loi générale sur ChatGPT, et personne ne devrait en tirer une à partir d’un relevé de cette taille. Nous en tirons une observation, que nous rejouerons au relevé suivant.

Cette observation a une conséquence commerciale directe. Dans ce relevé, les questions sur lesquelles la machine est allée chercher étaient précisément celles qui décident d’un achat : comparer des offres, choisir un prestataire, arbitrer entre deux solutions. Sur ces questions-là, la réponse se compose à partir des pages trouvées, et une entreprise absente de ces pages ne peut pas y figurer comme source. Autrement dit, votre présence dans les sources commande votre présence dans la réponse. L’inverse ne se déduit pas pour autant : figurer parmi les pages trouvées ne donne aucun droit à être repris. Rendre une entreprise lisible et vérifiable par ces machines est notre métier, et les règles que nous nous imposons pour le mesurer sont écrites dans notre charte de mesure.

Les documentations des éditeurs décrivent la même mécanique, du côté des outils qu’ils fournissent aux développeurs. OpenAI écrit que le modèle peut choisir de chercher sur le web ou non, selon le contenu de la question posée. Sa réponse comporte alors par défaut les liens des pages trouvées. Anthropic écrit que Claude décide de chercher à partir de la question. Il cherche quand la demande dépend d’informations actuelles, changeantes ou extérieures à ses données d’entraînement, et il répond directement quand elle relève de connaissances stables. Ces documents s’adressent aux développeurs et ne décrivent pas l’intérieur des applications grand public, qu’aucun éditeur ne publie : c’est une raison de plus de mesurer aussi l’application elle-même.

Qu’est-ce que la machine a sous les yeux quand elle vous répond ?

Tout ce que la machine a sous les yeux tient dans un seul espace de texte, ce que le métier appelle la fenêtre de contexte. Anthropic la définit comme l’ensemble du texte que le modèle peut consulter pour produire sa réponse, cette réponse comprise. L’éditeur précise qu’il s’agit d’une mémoire de travail, distincte du grand corpus sur lequel le modèle a été entraîné.

On y trouve votre conversation, et ce que les outils du modèle y déposent : les pages qu’une recherche a rapportées, le document que vous avez joint, le résultat d’un calcul. Tout cela se lit comme le reste de la conversation. Ce qui n’y figure pas n’existe pas pour la machine à l’instant où elle écrit.

Pourquoi tout est relu à chaque message ?

Un modèle ne garde aucune mémoire propre d’une requête à la suivante. OpenAI écrit que chaque requête de génération est indépendante et sans état, et qu’une conversation à plusieurs tours ne tient que parce que les messages précédents lui sont fournis de nouveau. Les éditeurs proposent bien des dispositifs qui évitent de tout renvoyer. OpenAI documente une conservation de l’échange côté serveur. Anthropic note que les interfaces de discussion comme claude.ai peuvent gérer la fenêtre de façon glissante, en écartant les messages les plus anciens. Ces dispositifs changent la plomberie, pas le principe. Ce que la machine traite pour écrire sa prochaine réponse, c’est le texte accumulé depuis le début de l’échange.

Deux conséquences en découlent, et un dirigeant les rencontre toutes les deux. La première est mécanique : plus la conversation est longue, plus il y a de texte à traiter à chaque tour, donc plus chaque réponse coûte de temps et de ressources. À contenu égal, un même message mobilise plus de calcul au bout d’une longue discussion que dans un fil neuf, et l’attente s’en ressent.

La seconde est plus gênante : l’attention se dilue. Anthropic écrit que la précision et la capacité de rappel du modèle se dégradent à mesure que le texte accumulé s’allonge, et nomme ce phénomène context rot, littéralement la dégradation du contexte. Ses ingénieurs parlent d’un budget d’attention que chaque nouvel ajout de texte entame.

Ce constat n’est pas une simple opinion d’éditeur. En 2023, Nelson F. Liu et ses collègues ont publié « Lost in the Middle: How Language Models Use Long Contexts ». Leur mesure établit que les performances sont les plus élevées quand l’information utile se trouve au début ou à la fin du texte fourni. Elles se dégradent nettement quand le modèle doit aller la chercher au milieu d’un long contexte. Ce travail porte sur les modèles disponibles en 2023, et il vaut aujourd’hui comme avertissement : le milieu d’une longue conversation est l’endroit où une consigne a le plus de chances de se perdre.

Pourquoi l’outil qui mesure n’est pas forcément ce que voit votre client ?

Une réponse d’application dépend du compte qui pose la question. Un instrument de mesure, lui, doit poser la question en session neuve, sans historique, pour qu’un tiers puisse rejouer le relevé et retrouver les mêmes comptes. Les deux surfaces peuvent donc diverger, et nous n’avons trouvé chez aucun éditeur de documentation publique décrivant le lien entre l’outil fourni aux développeurs et l’application grand public.

Nous avons mesuré cet écart plutôt que d’en débattre. Dans la même nuit du 14 au 15 août 2026, les trente questions ont été posées des deux côtés. Les deux surfaces ont rendu le même verdict de présence trente fois sur trente, en comparant le verdict majoritaire des trois passes de l’instrument à la passe de l’application. Elles s’accordent vingt-neuf fois sur trente sous la règle la plus sévère, celle où une seule passe suffit à compter une présence. La règle de comparaison, les captures et les limites sont publiées dans l’étude elle-même, que cette page ne refait pas.

Ce résultat ne clôt pas la question, et nous ne le présentons pas comme tel. En août 2026, la société parisienne H Company a publié une comparaison entre l’interface de programmation d’OpenAI et l’application web de ChatGPT, sur des requêtes d’achat. Elle conclut que les deux se comportent comme deux moteurs de recherche différents. Elle relève qu’environ 18 % des produits mis en avant par l’application se retrouvent dans les réponses de l’interface de programmation, et que le recouvrement des sources citées y est d’environ 2,5 %. Les deux résultats tiennent ensemble parce qu’ils ne portent pas sur le même objet, ce que notre étude détaille. Un dirigeant en retiendra ceci : un chiffre de visibilité ne signifie rien sans la surface interrogée et la date du relevé. C’est la règle que nous appliquons à nos propres chiffres, y compris quand ils valent zéro, comme le montre notre baromètre.

Que faire de tout cela dans votre entreprise ?

Trois habitudes suffisent à éviter les erreurs les plus fréquentes.

Ouvrez une conversation neuve pour un sujet neuf. Tout ce qui précède pèse encore sur la réponse, tant que la machine ne l’a pas écarté. Un fil court qui contient les bons documents vaut mieux qu’un fil interminable qui contient tout.
Fournissez les documents au lieu d’espérer qu’elle les connaisse. Ce que vous collez entre dans sa mémoire de travail. Ce que vous supposez qu’elle sait n’y est peut-être pas du tout, surtout s’il s’agit de vos chiffres, de vos tarifs ou de vos conditions.
Méfiez-vous d’une réponse qui arrive au bout d’une longue discussion. Une consigne donnée au début se retrouve là où l’attention se dégrade le plus, comme le montre le travail cité plus haut. Reposez la question dans un fil neuf, puis comparez les deux réponses.

Questions fréquentes

Comment savoir si la machine a cherché ou si elle a répondu de mémoire ?

Regardez les liens. Quand une recherche a eu lieu, les documentations d’OpenAI et d’Anthropic indiquent que la réponse affiche par défaut les sources trouvées. Une réponse sans le moindre lien a donc, selon toute vraisemblance, été composée à partir de ce que le modèle a retenu de son entraînement. Dans notre relevé, les dix-neuf réponses sans recherche ne citaient aucune source.

Est-ce que ChatGPT lit mon site en direct quand quelqu’un pose une question ?

Seulement s’il déclenche une recherche, et seulement si vos pages font partie de ce que cette recherche remonte. Quand il ne cherche pas, il répond avec ce qu’il a retenu de son entraînement, et aucune page n’est consultée ni citée. La question utile devient donc celle de l’accès : les robots des moteurs ont-ils le droit et la possibilité de lire votre site ?

Ce partage de onze questions sur trente vaut-il pour mon secteur ?

Rien ne permet de l’affirmer. Ce partage a été observé sur un site, trente questions et une nuit d’août 2026. La seule façon honnête de savoir ce qui se passe sur vos propres questions consiste à les figer, à les poser et à compter, à une date écrite.

Pourquoi une longue conversation finit-elle par oublier mes consignes du début ?

Parce que son attention se répartit sur un texte de plus en plus long, et parce que le début d’un échange finit par être écarté ou résumé. Le travail publié en 2023 et cité plus haut montre que l’information placée au milieu d’un long contexte est la moins bien exploitée. Répéter la consigne au moment où elle doit s’appliquer coûte moins cher qu’espérer qu’elle ait tenu.

Un modèle qui cherche se trompe-t-il encore ?

Oui, car chercher n’est pas vérifier. La recherche réduit le risque en obligeant la réponse à s’appuyer sur des pages réelles et en affichant les liens, ce qui vous permet de contrôler la source vous-même. Elle ne transforme pas la machine en autorité, et un lien affiché reste un lien à ouvrir.

Sources

Nous avons consulté et vérifié ces documentations d’éditeurs, ce travail de recherche et cette publication le 16 août 2026.

Nelson F. Liu, Kevin Lin, John Hewitt, Ashwin Paranjape, Michele Bevilacqua, Fabio Petroni et Percy Liang, « Lost in the Middle: How Language Models Use Long Contexts », arXiv:2307.03172, déposé le 6 juillet 2023, dernière révision le 20 novembre 2023 : https://arxiv.org/abs/2307.03172. Ce travail établit que les performances sont les meilleures quand l’information utile figure au début ou à la fin du contexte, et qu’elles se dégradent nettement au milieu d’un long contexte. Cette mesure a été conduite sur les modèles de langue disponibles en 2023.
Anthropic, « Context windows » : https://platform.claude.com/docs/en/build-with-claude/context-windows. Cette page définit la fenêtre de contexte comme une mémoire de travail distincte du corpus d’entraînement, réponse comprise. Elle décrit l’accumulation des tours, nomme la dégradation liée à la longueur, et note que les interfaces de discussion comme claude.ai peuvent gérer la fenêtre de façon glissante.
Anthropic, « Effective context engineering for AI agents », 29 septembre 2025 : https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents. Ce texte décrit le contexte comme une ressource finie et parle d’un budget d’attention que chaque ajout de texte entame.
Anthropic, « Web search tool » : https://platform.claude.com/docs/en/agents-and-tools/tool-use/web-search-tool. Cette page indique que Claude décide de chercher à partir de la question, qu’il cherche quand la demande dépend d’informations actuelles, changeantes ou extérieures à ses données d’entraînement, qu’il répond directement quand elle relève de connaissances stables, et que les citations sont toujours activées pour la recherche web.
OpenAI, guide « Web search » : https://developers.openai.com/api/docs/guides/tools-web-search. Ce guide indique que le modèle peut choisir de chercher sur le web ou non, selon le contenu de la question. Il précise que la réponse comporte par défaut les citations des adresses trouvées par la recherche.
OpenAI, guide « Conversation state » : https://developers.openai.com/api/docs/guides/conversation-state. Ce guide indique que chaque requête de génération est indépendante et sans état, et que les messages précédents doivent être fournis de nouveau pour tenir une conversation. Il décrit aussi une conservation de l’échange côté serveur, qui évite ce renvoi.
H Company, « Learning From the User », août 2026 : https://hcompany.ai/geo-using-computer-use-agents-vs-api-limitations. Cette étude compare l’interface de programmation d’OpenAI et l’application web de ChatGPT sur des requêtes d’achat. Elle relève qu’environ 18 % des produits mis en avant par l’application réapparaissent dans les réponses de l’interface de programmation et que le recouvrement des citations est d’environ 2,5 %, et conclut que les deux surfaces se comportent comme deux moteurs de recherche différents.

Voici nos propres pages, citées plus haut.

L’étude de concordance entre l’application ChatGPT et notre instrument, publiée sous le titre « Étude de corrélation », qui porte les chiffres de cette page, leurs conditions de mesure, leur règle de comparaison et leurs limites.
La charte de mesure honnête, qui fixe les règles que nous nous imposons quand nous mesurons.
Le baromètre HENUSSE, où nous publions les relevés de notre propre visibilité, zéros compris.

Les chiffres de la maison cités ici proviennent d’un relevé unique, daté de la nuit du 14 au 15 août 2026, portant sur un site et trente questions. Le prochain est prévu en novembre 2026, et ses écarts avec celui-ci seront publiés.

Cette page a été publiée le 16 août 2026. Les documentations citées peuvent évoluer ; leur date de consultation figure ci-dessus. Si l’une d’elles change de position, cette page sera corrigée, et la correction datée.