Google a présenté deux nouveaux agents de recherche autonomes basés sur le modèle Gemini 3.1 Pro : Deep Research et Deep Research Max.
Disponibles dès maintenant en accès public pour les plans payants de la Gemini API, ces agents visent à automatiser des tâches de recherche complexes pour les développeurs. Grâce à un seul appel API, il est possible d’initier des workflows de recherche qui allient le web ouvert à des flux de données propriétaires, offrant ainsi des analyses entièrement basées sur des sources.
Deux variantes pour différents usages
La version standard, Deep Research, remplace la version préliminaire lancée en décembre et propose une qualité améliorée avec un temps de latence réduit et des coûts moindres. Elle est conçue pour des applications nécessitant une réponse rapide, comme dans le cadre d’une interface de chat.
À l’inverse, Deep Research Max se concentre sur une analyse approfondie. Cet agent utilise le calcul avancé en temps d’exécution pour aboutir à des conclusions iteratives, rechercher des informations, puis affiner le rapport final. Google la décrit comme idéale pour des workflows asynchrones, comme un job cron nocturne générant des rapports détaillés pour une équipe d’analystes.
Des tests réalisés par Google montrent que Deep Research Max affiche un net progrès dans les tâches de récupération et de raisonnement. Par rapport à la version précédente, l’agent consulte un plus grand nombre de sources et détecte des nuances critiques souvent négligées par l’ancienne version.
Le comparatif avec GPT-5.4 d’OpenAI n’apporte toutefois pas de conclusion claire. Bien que ce dernier offre une recherche internet autonome efficace, il n’est pas optimisé pour les recherches approfondies. OpenAI dispose d’un agent dédié qui repose sur la mise à jour de février, basé sur GPT-5.2 plutôt que sur GPT-5.4. Le modèle de recherche le plus performant d’OpenAI est le GPT-5.4 Pro, que Google ne semble pas avoir analysé. Selon OpenAI, ce modèle peut atteindre 89,3 % dans le benchmark de recherche agentiel BrowseComp, tandis que GPT-5.4 se situe à 82,7 %.
De plus, Anthropic a rapporté pour son modèle Opus 4.6 des résultats supérieurs à ceux fournis par Google, atteignant 84 %. Cette performance a été obtenue sans raisonnement, suggérant que le modèle excelle sans intensité de raisonnement. Les différences de résultats pourraient provenir des méthodes de mesure utilisées, soulevant des interrogations sur la transparence des comparaisons.
Le soutien au MCP ouvre l’accès aux données propriétaires
Une innovation clé est le soutien au Modèle Context Protocol (MCP). Les développeurs peuvent ainsi lier Deep Research à leurs propres sources de données et à des flux de données spécialisés, notamment des données financières ou de marché. Grâce aux définitions d’outils variés, l’agent évolue d’un simple chercheur web à un agent autonome capable d’explorer des bases de données spécialisées.
Pour la première fois dans la Gemini API, l’agent peut également générer des diagrammes et infographies directement dans les rapports, que ce soit en HTML ou au format “Nano Banana”. Cela facilite la visualisation de jeux de données complexes.
Parmi les nouvelles fonctionnalités, on trouve aussi la possibilité de réviser et d’affiner le plan de recherche généré par l’agent avant son exécution (“Collaborative Planning”), un input multimodal depuis des PDFs, CSV, images, audio et vidéo, ainsi qu’un streaming en temps réel des étapes intermédiaires. Les développeurs peuvent également désactiver complètement l’accès internet et faire travailler l’agent uniquement avec leurs propres données.
Les deux agents utilisent la même infrastructure qui alimente les fonctionnalités de recherche dans des produits destinés aux utilisateurs finaux comme l’application Gemini, NotebookLM, Google Search et Google Finance. Les développeurs peuvent commencer à créer leurs propres workflows de recherche via l’Interactions API, et les deux agents devraient bientôt être accessibles aux startups et entreprises par le biais de Google Cloud.
Points à retenir
- Deep Research et Deep Research Max permettent une automatisation avancée des recherches.
- Deep Research est optimisé pour des réponses rapides, tandis que Deep Research Max se concentre sur des analyses approfondies.
- La nouvelle fonctionnalité de génération de graphiques et d’infographies facilite la compréhension des données.
- Le Model Context Protocol (MCP) ouvre la porte à l’intégration de données spécifiques.
- La possibilité de réviser les plans de recherche privilégie une approche collaborative.
En somme, l’évolution de la recherche autonome par Google est fascinante et prometteuse. Chaque innovation amène son lot de questions sur comment nous allons interagir avec ces outils, mais aussi sur les opportunités qu’ils peuvent offrir. J’ai hâte de voir comment ces avancées transformeront nos méthodes de recherche et nos raisonnements, nous incitant à explorer encore plus profondément la manière dont nous collectons et analysons l’information. Les implications pour le futur sont immenses, mais cela soulève aussi des réflexions sur l’éthique et l’utilisation des données — un sujet qui mérite d’être largement débattu.