Nous nous demandions récemment si les modèles d’intelligence artificielle étaient en train de devenir une commodité. La baisse des coûts, la multiplication des modèles et la convergence progressive de certaines performances déplacent une partie de la valeur vers d’autres couches de la chaîne : les données, le routage, l’intégration, la distribution et, désormais, la recherche.
Labrador apporte une pièce supplémentaire à ce puzzle. Depuis quelques mois, des chercheurs spécialisés dans la visibilité sur les moteurs d’IA décortiquent les échanges techniques entre ChatGPT et ses serveurs. Leur conclusion est qu’OpenAI ne se contente plus d’interroger des moteurs de recherche externes. L’entreprise disposerait de sa propre famille d’index, utilisée dans une partie des recherches effectuées par ChatGPT, et dont le nom interne serait « Labrador ».
Un index que personne n’a officiellement annoncé
La prudence reste nécessaire. OpenAI n’a publié ni billet de blog ni documentation présentant un produit baptisé Labrador. Le nom provient principalement d’un travail de reverse engineering mené par Tomek Rudzki et l’équipe de Peec AI.
Entre le 21 mai et le 21 juillet 2026, Peec affirme avoir observé dans les événements transmis par les serveurs de ChatGPT un champ result_source. Quatre valeurs revenaient : Labrador, Bright, Oxylabs et SERP. Le champ a ensuite disparu des données accessibles au navigateur.
L’enquête va plus loin et décrit Labrador non comme un index unique, mais comme une famille spécialisée : Web général, PDF, YouTube, actualités, arXiv, Wikipédia, recherche locale, finance, juridique, médical, shopping et images. Peec affirme également avoir observé des mécanismes associant recherche lexicale, recherche vectorielle et reclassement de centaines de candidats.
Ces éléments restent des observations externes et ne décrivent pas nécessairement toute l’architecture de ChatGPT. OpenAI ne les a pas confirmés dans ce niveau de détail. L’existence d’une infrastructure propriétaire de recherche repose, en revanche, sur des bases beaucoup plus solides.
OpenAI ne cache plus son ambition dans la recherche
Les offres d’emploi publiées par OpenAI sont explicites. L’équipe Foundations Search travaille sur une architecture associant « serving, indexing, retrieval » et construit des systèmes capables de transformer et d’indexer de vastes corpus. L’entreprise recherche notamment des ingénieurs pour ses infrastructures d’indexation, ses pipelines de retrieval et ses approches combinant recherche dense, sparse et hybride.
Nick Turley, alors responsable de ChatGPT, a également décrit devant la justice américaine l’ambition d’OpenAI dans le cadre du procès antitrust visant Google. L’objectif évoqué consiste à parvenir à traiter environ 80 % de l’espace des requêtes avec la technologie d’indexation d’OpenAI, tout en reconnaissant que les 20 % restants prendraient « des années ». D’autres documents de la procédure rapportent qu’il faudrait à OpenAI au moins cinq ans, même avec un accès complet aux données de Google, pour déterminer si un système totalement autonome vis-à-vis des fournisseurs de recherche tiers serait envisageable.
Labrador n’annonce donc pas la disparition prochaine de Google. Il raconte plutôt la construction progressive d’une indépendance, avec une logique hybride dans laquelle OpenAI cherche à augmenter la part des recherches qu’il maîtrise directement sans renoncer, pour l’instant, aux infrastructures externes dont il dépend encore.
ChatGPT ne cherche déjà plus dans un Web unique
L’image d’un ChatGPT envoyant simplement une requête à Bing ou Google avant de reformuler leurs résultats paraît désormais beaucoup trop sommaire.
Les travaux de RESONEO montrent une architecture hybride dont le comportement varie selon le mode utilisé. Dans son échantillon d’août 2026, Free Think récupérait en moyenne 35,3 URL par conversation, dont 74,7 % provenaient de Labrador. Le mode Thinking payant récupérait un volume presque identique, mais 75,3 % des résultats provenaient alors de résultats Google récupérés par d’autres pipelines.
Ces proportions décrivent un échantillon donné, à une période donnée. Elles ne constituent ni une règle permanente ni une garantie sur le fonctionnement actuel de chaque compte ChatGPT. Leur enseignement reste néanmoins majeur : deux utilisateurs posant la même question peuvent recevoir des réponses construites à partir de corpus très différents, selon le mode utilisé et les sources mobilisées en arrière-plan.
Dans un cas, être très bien positionné sur Google constituera un avantage. Dans l’autre, cette première place ne garantira même pas l’entrée du document dans l’ensemble des sources examinées. La notion de « position dans ChatGPT » devient alors beaucoup plus fragile qu’un classement traditionnel, puisqu’elle dépend non seulement de la qualité du contenu, mais aussi du corpus sélectionné avant même que la réponse soit générée.
Avant la réponse, une série de filtres invisibles
Le changement de logique dépasse largement le référencement. Dans un moteur traditionnel, l’utilisateur formule une requête, reçoit des résultats puis choisit les pages qu’il souhaite consulter. Avec un assistant conversationnel, plusieurs décisions ont déjà été prises lorsqu’apparaît la réponse : une page doit être accessible, indexée, présente dans le bon corpus, récupérée lors du retrieval, suffisamment bien classée lors du reranking, éventuellement ouverte, puis retenue comme matière utile avant d’être finalement citée.
On peut résumer cette chaîne de façon simple : crawl ≠ indexation ≠ sélection ≠ lecture ≠ citation. Une page peut ainsi être connue de ChatGPT sans jamais parvenir jusqu’au modèle chargé de produire la réponse, simplement parce qu’elle a été éliminée à une étape intermédiaire.
OpenAI confirme officiellement une partie de cette mécanique en distinguant OAI-SearchBot, utilisé pour rendre les contenus découvrables dans ChatGPT Search, de GPTBot, associé aux contenus susceptibles de contribuer à l’entraînement. Autoriser OAI-SearchBot rend une page éligible à la recherche ; OpenAI précise toutefois qu’aucun classement n’est garanti.
Voir passer OAI-SearchBot dans ses logs ne signifie donc pas avoir gagné sa place dans les réponses. Cela indique seulement que la page entre dans une chaîne de traitement dont les étapes suivantes restent largement invisibles.
Le GEO vient de perdre l’un de ses repères
La conséquence pour le SEO et le GEO est immédiate. Mesurer uniquement une position Google ou Bing ne suffit plus, mais mesurer quelques réponses ChatGPT et transformer leur fréquence de citation en « score de visibilité IA » devient tout aussi discutable.
Modèle utilisé, mode Instant ou Thinking, abonnement, date, localisation, recherche déclenchée ou non, corpus mobilisé : chacune de ces variables peut modifier le chemin suivi avant la génération. Labrador ne rend donc pas le SEO inutile ; il ajoute un système de sélection supplémentaire, avec ses propres règles et ses propres zones d’opacité.
OpenAI conseille toujours aux éditeurs de rendre leurs contenus accessibles à OAI-SearchBot et indique utiliser plusieurs facteurs de pertinence et de fiabilité pour classer les résultats. Rien ne démontre, à ce stade, l’existence d’une recette garantissant la citation.
Pour les médias, les marques et les entreprises, la question évolue pourtant de manière assez nette. Il ne s’agit plus seulement de savoir sur quelle position apparaît une page, mais si elle entre dans le corpus que l’IA examine lorsqu’un utilisateur pose une question donnée. La nuance paraît technique ; elle est en réalité stratégique.
Shopping montre où OpenAI veut aller
Le cas du commerce électronique rend cette ambition particulièrement lisible.
Peec AI a repéré en août une expérience interne baptisée prefer-index-over-serp-v3. Selon ses observations, OpenAI comparait ainsi l’utilisation de son propre index Shopping à des résultats provenant de moteurs externes. D’autres expériences faisaient apparaître un pool de 400 produits, du reranking, une composante lexicale BM25 et de la recherche vectorielle.
Il serait excessif d’en déduire l’algorithme complet de ChatGPT Shopping, et Peec lui-même indique ne pas connaître l’implémentation précise de prefer-index-over-serp-v3. Le nom de l’expérience donne néanmoins une indication stratégique précieuse : OpenAI teste activement jusqu’où son index interne peut se substituer à une SERP externe.
Dans le shopping, l’enjeu économique apparaît immédiatement. Celui qui compose le pool initial de produits exerce une influence bien avant la recommandation finale du modèle. Un produit absent de cet ensemble ne perd pas simplement quelques positions ; il ne participe même pas à la compétition.
La même logique vaut potentiellement pour l’actualité, le local, la finance ou les contenus scientifiques si les index spécialisés observés par Peec correspondent bien à l’architecture réellement déployée.
Après le modèle, l’infrastructure qui nourrit le modèle
La bataille prend également une dimension réglementaire inattendue.
Le 16 juillet 2026, la Commission européenne a arrêté les modalités d’application du Digital Markets Act concernant le partage de certaines données de Google Search. Parmi les bénéficiaires éligibles figurent explicitement les chatbots d’intelligence artificielle offrant des fonctions de recherche. L’objectif consiste à réduire l’avantage accumulé par Google grâce aux données issues de décennies de requêtes et d’interactions des utilisateurs.
Le paradoxe mérite attention. Une réglementation conçue pour ouvrir l’infrastructure informationnelle de Google pourrait aussi aider de nouveaux acteurs à construire leurs propres couches de recherche. OpenAI figure parmi ceux qui en ont le plus besoin, puisque Nick Turley reconnaît lui-même combien les derniers kilomètres vers un index réellement généraliste restent difficiles à parcourir.
Labrador ne constitue donc probablement ni un « Google killer », ni une simple fonctionnalité supplémentaire de ChatGPT. Il révèle quelque chose de plus structurant : OpenAI cherche à contrôler davantage la chaîne située entre le Web et son modèle.
La bataille de l’intelligence artificielle s’est longtemps concentrée sur le nombre de paramètres, les benchmarks et la qualité des modèles. À mesure que ceux-ci deviennent plus nombreux, moins chers et plus interchangeables, une autre compétition prend de l’importance : celle des infrastructures capables de leur apporter la bonne information au bon moment.
Les modèles produisent la réponse, mais ils ne choisissent pas seuls le monde documentaire qui leur est présenté. L’index, le retrieval et le reranking interviennent bien avant la génération. Avec Labrador, OpenAI montre qu’il ne cherche plus seulement à fabriquer l’intelligence qui répond : il veut aussi maîtriser une part croissante des informations à partir desquelles cette réponse sera construite.
Antoine GARCIA
