Combiner raisonnement et outils

Aller plus loin avec les outils avancés

Vous savez désormais combiner le raisonnement avec l’exécution de code et la recherche web. Cette leçon explore les combinaisons avancées : enchaîner les outils de façon stratégique, se servir du raisonnement pour les piloter et construire des workflows véritablement autonomes.

Le raisonnement comme pilote d’outils

La différence entre un modèle qui répond sans réfléchir et un modèle en raisonnement qui utilise des outils est fondamentale. À partir d’un niveau medium, que la documentation d’OpenAI recommande dès que la planification compte, le modèle peut planifier quels outils utiliser et dans quel ordre, évalue les résultats de chaque outil avant de continuer, adapte sa stratégie quand un outil ne retourne pas ce qu’il attendait, et combine les sorties en une conclusion cohérente. Concrètement, il ne se contente pas d’exécuter du code quand vous le demandez : il réfléchit au problème, décide que le code est le meilleur moyen de le résoudre, écrit le code approprié, analyse le résultat, puis décide s’il faut aller plus loin. La nuance paraît subtile ; elle change tout sur un workflow de quatre appels d’outils, où une mauvaise décision initiale se propage jusqu’au bout.

Côté API, deux mécanismes poussent cette logique. Avec l’appel de fonctions, OpenAI recommande de renvoyer au modèle les éléments de raisonnement (reasoning items) produits avec le dernier appel, en plus du résultat de la fonction : il garde ainsi le fil de ce qu’il avait prévu. Avec le Programmatic Tool Calling, le modèle écrit un programme JavaScript, exécuté dans un environnement isolé, qui orchestre les appels d’outils et filtre les résultats intermédiaires. Dans ChatGPT Work et Codex, enfin, Ultra répartit les tâches les plus lourdes entre des sous-agents, au prix d’une consommation nettement supérieure.

Trois patterns de combinaison

Le premier pattern — Recherche, puis Analyse, puis Code — convient aux analyses de marché et aux benchmarks, c’est-à-dire aux situations où les données n’existent pas encore chez vous.

« Cherche les parts de marché des 5 principaux cloud providers en Europe en 2025. Ensuite, à partir de ces données, crée un graphique en barres et calcule le taux de concentration du marché (indice HHI). Interprète le résultat. »

Le modèle enchaîne alors quatre temps distincts.

1. Chercher sur le web pour collecter les données
2. Raisonner sur la fiabilité des sources
3. Exécuter du code pour le graphique et le calcul
4. Raisonner sur l’interprétation économique

Le deuxième temps est celui qu’on oublie en écrivant le prompt, et c’est pourtant lui qui vous évite de bâtir un indice HHI sur des chiffres approximatifs.

Le deuxième pattern inverse le point de départ : il part de vos données pour les enrichir de l’extérieur — Données, Code, Recherche, Synthèse.

« Voici mon fichier de ventes par pays (CSV). Calcule le taux de croissance par pays, puis cherche le taux de croissance du PIB de chaque pays sur la même période. Identifie les pays où notre croissance dépasse celle du PIB (surperformance) et ceux où c’est l’inverse. »

Le troisième pattern, le code itératif avec raisonnement, exploite la capacité du modèle à écrire du code, analyser le résultat, repérer un problème et réécrire — le tout automatiquement. Vous pouvez même lui indiquer la méthode de repli.

« Voici un dataset de transactions (CSV). Détecte les anomalies statistiques. Si la première méthode (z-score) ne donne pas de résultats clairs, essaie la méthode de l’écart interquartile. Choisis la méthode la plus pertinente et explique pourquoi. »

Reprendre la main sur les outils

Laisser le modèle décider est confortable, mais parfois vous savez déjà quel outil convient — et le lui dire est plus efficace que de le laisser explorer. Vous pouvez donc restreindre : « Sans chercher sur le web, analyse uniquement les données du fichier joint et donne-moi tes conclusions basées exclusivement sur ces données », ou encore « N’exécute pas de code pour cette question. Raisonne uniquement à partir des informations que je te donne. »

Sur les workflows longs, insérez des points de contrôle plutôt que de tout lancer d’un bloc : « Étape 1 : calcule les métriques de base et montre-moi les résultats avant de continuer. Étape 2 (après ma validation) : enrichis avec les données web. Étape 3 : produis le rapport final. » Vous gardez ainsi la possibilité d’arrêter le processus avant qu’une erreur ne se propage aux étapes coûteuses.

Des visualisations qui demandent du jugement

La combinaison raisonnement plus exécution de code brille particulièrement quand la visualisation elle-même suppose des décisions : quel type de graphique, quels seuils, quelle mise en évidence.

« Voici mes données de performance (Excel). Crée un dashboard en une page avec : (1) le graphique le plus pertinent pour chaque métrique — choisis toi-même le type de graphique selon la nature des données, (2) une mise en évidence automatique des anomalies, (3) un code couleur vert/jaune/rouge basé sur des seuils que tu détermineras en fonction de la distribution des données. »

Le modèle raisonne sur le type de graphique optimal métrique par métrique, calcule des seuils statistiquement pertinents au lieu de les inventer, et produit le code correspondant. C’est exactement le travail qu’un analyste ferait avant d’ouvrir son éditeur.

À vous de jouer

Un workflow complet. Testez ce workflow à un niveau de réflexion élevé (High dans Chat, high dans l’API).

« Je vais te donner un fichier CSV de dépenses mensuelles par catégorie sur 24 mois. Je veux :

1. Identifie les 3 catégories avec la plus forte augmentation (calcul en Python)
2. Pour chacune, cherche si c’est une tendance nationale ou propre à mon cas (recherche web)
3. Produis un graphique comparatif : mes dépenses face à la tendance nationale (Python)
4. Rédige une synthèse avec recommandations (raisonnement pur) Présente le résultat de chaque étape. »

Pendant l’exercice, surveillez ce qui se passe quand l’exécution du code échoue. Le modèle peut réessayer de lui-même, ce qui est une bonne chose ; mais si le problème vient de vos données, aucune réécriture ne le résoudra : vérifiez alors le fichier plutôt que de relancer. Et si la demande s’alourdit, découpez-la en étapes validées une à une.

Sources officielles : Reasoning models (API OpenAI : niveaux d’effort, renvoi des éléments de raisonnement avec l’appel de fonctions) · Programmatic Tool Calling · Data analysis with ChatGPT (exécution de code dans ChatGPT) · Models (Ultra)

Points clés à retenir

• À un niveau d’effort suffisant, le raisonnement pilote les outils de façon stratégique, pas mécanique
• Trois patterns clés : recherche, analyse puis code ; données, code puis recherche ; code itératif
• Côté API, renvoyez les éléments de raisonnement avec les résultats de fonctions, et pensez au Programmatic Tool Calling
• Vous pouvez forcer ou restreindre l’utilisation des outils selon vos besoins
• Insérez des points de contrôle dans les workflows longs pour garder le contrôle