Raisonnement, exécution de code et recherche web : des workflows automatisés

Quand le raisonnement rencontre les outils

Combiner un niveau de réflexion élevé avec l’exécution de code et la recherche web transforme un modèle de langage en agent capable de calculer, de chercher et de recomposer les résultats en une conclusion unique. Cette leçon vous montre comment exploiter cette synergie. Un mot de vocabulaire d’abord : dans ChatGPT, l’exécution de code s’appelle l’analyse de données et la recherche, Search ; dans l’API, ce sont les outils Code Interpreter et Web search. La génération précédente réservait ce rôle à des modèles de raisonnement dédiés comme o3 ; c’est aujourd’hui un réglage de chaque modèle.

Trois rôles complémentaires

Le premier pilier est le modèle lui-même. À un niveau de réflexion élevé, il joue le cerveau : il raisonne, planifie, décide quelles actions entreprendre et orchestre l’ensemble du processus.

L’exécution de code tient le rôle des mains. Elle fait tourner du Python dans un environnement isolé, ce qui lui permet de manipuler vos fichiers Excel, CSV ou JSON, d’effectuer des calculs complexes, de créer graphiques et visualisations, et de nettoyer ou transformer des données avant analyse. La recherche web tient celui des yeux : il donne accès à l’information en temps réel, qu’il s’agisse de rechercher des données actualisées, de vérifier un fait, de collecter des informations issues de sources multiples ou d’accéder à des sites et bases de données publiques.

Comment le modèle décide d’utiliser un outil

Vous n’avez en général pas besoin de nommer l’outil : le modèle détecte qu’un calcul ou une information récente est nécessaire et appelle l’outil au bon moment. Si vous tenez à un outil précis, dites-le : « fais le calcul en Python », « cherche sur le web ». Côté API, la Responses API va plus loin avec le Programmatic Tool Calling : le modèle écrit un programme JavaScript, exécuté dans un environnement isolé, qui appelle les outils, au besoin en parallèle, et filtre les résultats intermédiaires, au lieu de les appeler un par un.

Une demande d’analyse financière complète illustre bien cet enchaînement.

« Voici mes données de ventes des 12 derniers mois (Excel). Analyse les tendances, calcule le taux de croissance mensuel moyen, projette les ventes pour les 3 prochains mois, et cherche sur le web les prévisions sectorielles pour comparer. Produis un rapport avec graphiques. »

Le modèle peut alors dérouler une séquence comme celle-ci, sans que vous ayez à la découper ; l’ordre exact varie d’une demande à l’autre.

1. Raisonner : comprendre la structure du problème
2. Exécuter du code : charger l’Excel, calculer les tendances, faire les projections
3. Chercher sur le web : trouver les prévisions sectorielles
4. Raisonner : comparer les résultats et tirer des conclusions
5. Exécuter du code : générer les graphiques
6. Raisonner : rédiger le rapport final

Notez l’alternance : le raisonnement n’intervient pas seulement au début, il revient entre chaque appel d’outil pour décider de la suite. C’est cette respiration qui distingue un agent d’un exécutant.

Ce que la combinaison rend possible

Le benchmarking automatisé en est l’usage le plus immédiat, puisqu’il suppose de confronter vos chiffres à des données extérieures.

« Voici les performances financières de mon entreprise (fichier Excel). Cherche sur le web les ratios financiers moyens de notre secteur (SaaS B2B en Europe) et compare-les aux nôtres. Produis un tableau de benchmarking avec un code couleur : vert si on est au-dessus de la moyenne, rouge si en dessous. »

La veille prend une autre dimension quand elle est adossée à vos propres données : au lieu de collectionner des annonces, vous mesurez leur effet.

« Cherche les dernières annonces de nos 3 concurrents (Competitor A, Competitor B, Competitor C) sur les 30 derniers jours. Croise avec nos données de trafic web (fichier CSV joint) pour identifier si leurs annonces ont eu un impact sur notre trafic. »

Le troisième usage type est le rapport chiffré avec visualisations, où l’exécution de code fait l’essentiel du travail sur vos données internes.

« Voici nos données RH (fichier Excel). Calcule le taux de turnover par département, le coût moyen d’un remplacement (hypothèse : 6 mois de salaire), et projette l’impact budgétaire. Génère un graphique par département et un tableau de synthèse. »

Activer et piloter les outils

Dans ChatGPT, l’analyse de données intervient dès qu’un fichier ou un calcul l’exige ; dans un espace de travail d’entreprise, vérifiez qu’elle n’est pas désactivée par l’administrateur. La recherche web se déclenche quand le modèle détecte le besoin d’une information récente, et vous pouvez la forcer avec le bouton +, puis Search. Côté API, les deux outils se déclarent dans la requête. Pour le niveau de réflexion, OpenAI range l’usage d’outils et la recherche dès low quand la vitesse prime, et recommande medium dès que la planification et le jugement comptent, ce qui est le cas d’un workflow à plusieurs outils.

Ces outils ont des frontières nettes qu’il faut connaître. L’environnement Python de l’analyse de données n’accède pas à internet : il travaille uniquement sur les fichiers que vous fournissez, et les données extérieures doivent passer par la recherche ou par vos imports. Le temps de réponse augmente significativement quand les trois sont combinés, et les quotas se consomment plus vite, surtout à niveau de raisonnement élevé.

À vous de jouer

Les trois briques ensemble. Testez la combinaison complète sur un cas où raisonnement, code et recherche sont indispensables.

« Voici un fichier CSV de mes dépenses mensuelles sur 12 mois. (1) Analyse les tendances en Python et génère un graphique. (2) Cherche sur le web le taux d’inflation en France pour chaque mois correspondant. (3) Calcule mes dépenses ajustées de l’inflation. (4) Produis un rapport comparant dépenses nominales et réelles. »

Si vous n’avez pas de fichier CSV sous la main, demandez d’abord au modèle d’en générer un réaliste. Gardez trois réflexes pendant l’exercice. Vérifiez les calculs : une formule fausse exécutée proprement reste une formule fausse. Croisez les sources de la recherche, dont les résultats peuvent être obsolètes ou inexacts. Et récupérez les fichiers générés — graphiques, tableaux — avant de fermer la conversation. Un dernier conseil vaut pour l’ensemble : même quand le modèle gère seul ses outils, les workflows complexes donnent de meilleurs résultats découpés en étapes qu’écrasés dans un unique prompt géant.

Sources officielles : Data analysis with ChatGPT (centre d’aide OpenAI : Python isolé, sans accès au web) · Searching the web with ChatGPT · Code Interpreter et Web search (outils de l’API) · Programmatic Tool Calling · Reasoning models (niveaux d’effort et outils)

Points clés à retenir

• Un niveau de réflexion élevé combine réflexion, exécution de code et recherche web de façon autonome
• Le modèle décide automatiquement quand utiliser chaque outil ; côté API, le Programmatic Tool Calling lui permet d’orchestrer les outils par programme
• L’exécution de code (analyse de données, Code Interpreter) manipule les fichiers et trace les graphiques, sans accès au web ; la recherche apporte l’information récente
• Pour un workflow à plusieurs outils, partez de medium, le niveau qu’OpenAI recommande quand la planification compte
• Vérifiez toujours les résultats — les outils amplifient la puissance mais aussi les risques d’erreur