Les frameworks de recherche approfondie (Deep Research Frameworks, DRF) connaissent une forte montée en puissance, portés par des acteurs majeurs comme Salesforce, NVIDIA, OpenAI et d’autres. Ces systèmes représentent une évolution significative des agents intelligents vers des workflows agencés, où plusieurs modèles — grands et petits — sont orchestrés pour accomplir des tâches complexes. Contrairement aux interfaces conversationnelles traditionnelles, souvent sensibles aux délais, la recherche approfondie est moins sensible à la latence, car elle repose sur des processus multi-étapes comme l’analyse de marché, les audits comptables ou la détection d’anomalies. Ce caractère lent mais précis est une force : il permet de reproduire des délais humains, où la synthèse et la vérification dominent sur le calcul lui-même. NVIDIA a récemment lancé son Universal Deep Research (UDR), un cadre généraliste qui fonctionne comme une couche externe autour de tout modèle linguistique, sans nécessiter de fine-tuning. Il stocke les données intermédiaires en dehors des fenêtres contextuelles des modèles, permettant ainsi des workflows complexes même sur des architectures compactes. Salesforce, quant à lui, a présenté son Enterprise Deep Research (EDR), caractérisé par une interface riche et interactive, notamment grâce à un agent de visualisation capable de générer des graphiques automatiquement. Ces systèmes illustrent une tendance vers des pipelines modulaires : une étape de clarification initiale, suivie d’une optimisation de prompt, puis de recherches ciblées sur diverses sources (web, GitHub, LinkedIn), avant une synthèse finale. OpenAI met en œuvre une orchestration augmentée en coulisses : un agent de tri désambiguïse les requêtes, puis des agents spécialisés recherchent et analysent les données. Les résultats sont ensuite révisés pour identifier les lacunes, avant une sortie formatée selon les besoins de l’utilisateur. Cette modularité améliore la fiabilité, la traçabilité et la qualité des résultats. Les exemples concrets montrent que ces frameworks sont particulièrement efficaces pour les audits — comme la détection de factures en double ou d’anomalies comptables — grâce à leur capacité à traiter des contextes riches et complexes. Le code Python fourni dans un notebook Colab permet de construire un pipeline hybride utilisant Grok (xAI), GPT (OpenAI) et Claude (Anthropic), combinant désambiguïsation, planification de recherche, exploration web et synthèse. Ce pipeline a été testé avec la question : « Quelle entreprise est la meilleure à investir : Cybertaxi ou Waymo ? ». La réponse synthétise une analyse comparative entre Tesla (via son projet Robotaxi) et Waymo (filiale d’Alphabet), en tenant compte de la maturité technologique (LiDAR vs caméras), du statut opérationnel (Waymo déjà actif), du profil de risque (Tesla plus volatile), et des perspectives à long terme. Elle recommande une approche équilibrée : Alphabet pour une exposition au secteur avec protection financière, Tesla pour une conviction forte mais risquée, ou encore des ETF dédiés pour diversifier. En conclusion, les DRF marquent une étape clé dans l’évolution des IA vers des systèmes autonomes et fiables. Ils combinent orchestration, modularité et capacité à gérer des contextes complexes, tout en restant accessibles via des outils open-source et des frameworks modulaires. Leur impact s’étend des investissements aux audits, en passant par la recherche stratégique, et s’inscrit dans une tendance vers des applications agencées, plus robustes et plus humaines.