Une recherche web menée sur six statistiques, quatre États et six mois a été réalisée en moitié moins de temps avec GPT-6 Astra chez Parallel. L’entreprise affirme également avoir réduit d’environ 50 % le coût d’exécution, tout en conservant une qualité de recherche équivalente.
Cette performance repose moins sur une simple réponse plus rapide que sur une nouvelle organisation du travail : délégation à des sous-agents, réduction du nombre d’étapes et synthèse centralisée des résultats. Voici comment reprendre cette méthode pour construire des recherches plus efficaces, plus contrôlables et mieux adaptées aux tâches à grande échelle.
Parallel divise par deux le temps et le coût d’une recherche avec GPT-6 Astra
L’idée centrale de l’approche de Parallel est de confier à GPT-6 Astra plusieurs opérations de recherche spécialisées, puis de réunir leurs résultats dans une synthèse unique. Dans le test publié le 22 septembre 2026, Parallel indique que ses agents ont traité des données sur le marché du travail en moitié moins de temps qu’avec les modèles précédents, pour un coût de code réduit d’environ 50 %.
Le test portait sur six statistiques, réparties dans quatre États et étudiées sur une période de six mois. Parallel affirme que ce travail a été mené en deux fois moins de temps, avec une qualité de recherche équivalente à celle obtenue auparavant.
À retenir : le gain annoncé par Parallel ne vient pas uniquement de la vitesse de GPT-6 Astra. Il vient surtout d’une architecture qui distribue la recherche, limite les étapes intermédiaires et concentre la vérification sur les résultats utiles.
La méthode est particulièrement adaptée aux recherches comportant plusieurs dimensions indépendantes : territoires, périodes, indicateurs, entreprises ou catégories de documents. Une seule chaîne de raisonnement peut alors être remplacée par plusieurs recherches parallèles, chacune avec un objectif précis.
GPT-6 Astra apporte trois capacités utiles à la recherche web
GPT-6 Astra est présenté par OpenAI comme un modèle destiné notamment à la navigation web, à l’usage d’un ordinateur et au travail professionnel. Il est disponible dans l’API et dans plusieurs offres ChatGPT, notamment Plus, Pro, Business et Enterprise, selon le calendrier de déploiement annoncé par OpenAI en septembre 2026.
Trois caractéristiques intéressent directement les workflows de recherche.
- La capacité à naviguer sur des pages web et à enchaîner des actions dans un navigateur.
- La capacité à utiliser des outils et des connecteurs pour consulter, comparer et organiser des informations.
- Une fenêtre de contexte annoncée à 1 050 000 tokens, adaptée aux dossiers contenant un grand volume de documents.
Dans l’API, le tarif annoncé pour GPT-6 Astra est de 10 dollars par million de tokens en entrée et de 50 dollars par million de tokens en sortie. Le prix de l’entrée mise en cache est annoncé à 1 dollar par million de tokens, tandis que l’écriture du cache est indiquée à 12,50 dollars par million de tokens.
Ces tarifs rendent la conception du workflow déterminante. Une recherche qui transmet plusieurs fois les mêmes pages au modèle peut rapidement consommer davantage de tokens qu’une architecture qui conserve les données utiles et ne demande une synthèse qu’à la fin.
La navigation ne remplace pas la vérification
La capacité de navigation permet à un agent de consulter des pages, de suivre des liens et de recueillir des éléments dans différentes sources. Elle ne transforme toutefois pas automatiquement chaque page consultée en preuve fiable.
Une méthode solide sépare donc trois opérations : trouver, extraire et vérifier. Le premier agent peut localiser les sources pertinentes, le deuxième relever les chiffres et les dates, tandis qu’un agent de contrôle compare les affirmations avec les documents d’origine.
Cette séparation réduit le risque qu’une synthèse fluide masque une erreur de lecture, une date mal interprétée ou une statistique extraite d’un contexte incomplet.
La méthode 2023 reste utile pour structurer une recherche avec Astra
La mention « méthode 2023 » renvoie ici à une organisation de recherche fondée sur la décomposition de la tâche, la recherche par étapes et la vérification des informations. GPT-6 Astra peut accélérer cette organisation, mais il ne dispense pas de définir précisément la question initiale.
Une recherche efficace commence par une fiche de mission courte. Elle doit préciser le sujet, la période, le périmètre géographique, les types de sources acceptés et le format de sortie attendu.
Exemple de consigne de cadrage :
text Objectif : comparer l’évolution de six statistiques du marché du travail. Périmètre : quatre États, six mois, sources publiques et institutionnelles. Sortie : une ligne par statistique et par État, avec valeur, date, unité et source. Règle : ne rien déduire lorsqu’une valeur n’est pas explicitement publiée.
Cette étape empêche les agents de traiter une question vague avec des critères différents. Elle facilite aussi la comparaison des résultats, car chaque sous-agent doit remplir les mêmes champs.
Découper par dimension, pas par formulation
Le découpage le plus utile consiste à attribuer à chaque sous-agent une dimension mesurable de la recherche. Pour le cas étudié par Parallel, les dimensions naturelles sont les États, les statistiques et les périodes.
Un découpage possible est le suivant :
- quatre agents territoriaux, un par État étudié ;
- un agent chargé de contrôler la cohérence des périodes ;
- un agent chargé de vérifier les définitions et les unités ;
- un agent de synthèse chargé de réunir les résultats validés.
Cette organisation évite de demander à chaque agent de refaire l’intégralité de la recherche. Elle limite les recherches redondantes et permet de détecter plus vite les écarts entre les résultats.
Le nombre de sous-agents doit rester lié à la structure du problème. Créer un agent pour chaque opération minuscule peut ajouter de la coordination sans améliorer la qualité. La répartition doit donc suivre les blocs de travail réellement indépendants.
Un workflow en six étapes pour réduire les recherches inutiles
L’approche la plus robuste combine cadrage, exploration, extraction et contrôle. Chaque étape doit produire un résultat exploitable par la suivante.
1. Définir les critères de réussite
Avant toute navigation, indiquez les informations qui doivent apparaître dans la réponse finale. Pour une statistique, il peut s’agir de la valeur, de l’unité, de la période, du territoire, de la définition et du lien vers le document d’origine.
Les critères doivent aussi préciser ce qui invalide un résultat : date hors période, source secondaire sans chiffre vérifiable, unité différente ou définition incompatible.
2. Lancer une exploration courte
Un agent d’exploration peut identifier les pages institutionnelles, les bases de données, les rapports et les communiqués pertinents. Cette phase ne doit pas produire une longue synthèse : son rôle est de construire une liste de sources candidates.
Chaque source candidate doit être accompagnée d’un motif de pertinence. Une page peut être retenue parce qu’elle contient la série statistique complète, parce qu’elle définit l’indicateur ou parce qu’elle renvoie au document officiel.
3. Distribuer les vérifications
Les sous-agents reçoivent ensuite des missions étroites. L’un relève les valeurs, un autre vérifie les dates, un troisième compare la définition de l’indicateur avec celle demandée dans la fiche de mission.
Cette spécialisation permet de réduire les réponses approximatives. Elle oblige aussi chaque agent à distinguer le chiffre observé de l’interprétation qu’il pourrait en tirer.
4. Extraire dans un format commun
L’extraction doit suivre un schéma identique pour tous les agents. Un format structuré évite que la synthèse finale mélange des valeurs, des pourcentages et des variations calculées.
{ "territoire": "Nom de l'État", "statistique": "Nom de l'indicateur", "periode": "Mois et année", "valeur": "Valeur publiée", "unite": "Unité publiée", "source": "Document d'origine", "preuve": "Extrait ou emplacement précis" }
Le champ « preuve » est essentiel. Il permet à l’agent de synthèse de retrouver l’origine exacte d’un chiffre au lieu de s’appuyer uniquement sur une reformulation.
5. Contrôler les divergences
Lorsque deux agents rapportent des valeurs différentes, la synthèse ne doit pas choisir automatiquement la plus récente ou la plus élevée. Elle doit comparer les périodes, les unités, les révisions et les définitions.
Les divergences fréquentes proviennent de séries corrigées, de changements de périmètre ou de différences entre données brutes et données désaisonnalisées. Un agent de contrôle peut signaler ces écarts avant la rédaction finale.
6. Synthétiser uniquement les éléments validés
Le dernier agent reçoit les résultats structurés et les règles de sélection. Il ne doit pas relancer toute la recherche sans raison, mais vérifier les éléments présentant un conflit ou une preuve insuffisante.
Cette dernière étape est celle qui bénéficie directement de la réduction du nombre d’étapes décrite par Parallel. La synthèse intervient après la collecte ciblée, au lieu de demander au modèle de naviguer, interpréter et rédiger simultanément pour chaque sous-question.
Ce que le test de Parallel change pour les recherches à grande échelle
Le cas présenté par Parallel concerne une tâche composée de plusieurs statistiques, plusieurs États et une période de six mois. Sa portée pratique tient à cette combinaison : la recherche ne consiste pas à trouver une seule information, mais à couvrir plusieurs axes avec une méthode homogène.
Pour une équipe qui doit produire régulièrement des analyses, le principal avantage est la répétabilité. Un workflow distribué peut reprendre les mêmes règles de cadrage, les mêmes champs d’extraction et les mêmes contrôles à chaque nouvelle période.
Le gain de 50 % annoncé par Parallel sur le temps et le coût doit être compris comme un résultat rapporté sur son propre scénario de recherche, avec ses agents et ses modèles de comparaison. Il constitue un repère pour concevoir un workflow, pas une garantie automatique pour chaque sujet.
Les tâches qui bénéficient le plus de la délégation
La délégation est particulièrement adaptée aux recherches où les sous-tâches peuvent être menées sans dépendre en permanence les unes des autres.
- Comparer plusieurs territoires sur le même indicateur.
- Suivre plusieurs entreprises ou secteurs sur une période identique.
- Examiner plusieurs rapports contenant des tableaux et des séries temporelles.
- Rechercher des informations dans plusieurs catégories de documents.
- Contrôler plusieurs versions d’une même statistique.
À l’inverse, une question qui exige une lecture continue d’un seul document complexe peut bénéficier d’un agent spécialisé unique, avec une étape de vérification finale. La parallélisation n’est pas un objectif en soi : elle doit réduire l’attente et le travail redondant.
Comparatif : recherche séquentielle ou architecture multi-agents
Le choix de l’architecture dépend du degré de répétition, du nombre de sources et de la nécessité de comparer plusieurs dimensions.
| Critère | Recherche séquentielle | Architecture multi-agents avec GPT-6 Astra |
|---|---|---|
| Organisation | Un agent enchaîne toutes les étapes | Plusieurs agents traitent des sous-tâches spécialisées |
| Collecte | Souvent linéaire | Répartie entre plusieurs axes de recherche |
| Contrôle | Réalisé après la synthèse ou intégré au fil de l’eau | Confié à des agents dédiés avant la synthèse |
| Répétition | Variable selon la formulation | Standardisée par un schéma commun |
| Usage adapté | Question courte ou document unique | Recherche multi-territoires et multi-périodes |
| Coût annoncé dans le cas Parallel | Référence utilisée par l’entreprise | Réduction d’environ 50 % rapportée par Parallel |
La recherche séquentielle conserve un avantage lorsque le problème est simple. Elle demande moins de coordination et peut produire une réponse rapidement pour une question factuelle limitée.
L’architecture multi-agents devient plus intéressante lorsque chaque axe peut être isolé. Elle permet alors de comparer les résultats dans une structure commune et de réserver le raisonnement approfondi aux points réellement difficiles.
À retenir : la bonne question n’est pas « combien d’agents faut-il créer ? », mais « quelles parties de la recherche peuvent être vérifiées indépendamment avec les mêmes règles ? »
Mesurer l’efficacité au-delà du temps de réponse
Une recherche plus rapide n’est utile que si la qualité reste suffisante. Parallel indique que son test avec GPT-6 Astra a conservé la même qualité de recherche tout en réduisant le temps et le coût d’exécution.
Pour vérifier ce résultat dans un workflow interne, il faut suivre plusieurs indicateurs distincts. Le temps total mesure la durée entre le lancement et la livraison. Le coût mesure les tokens, les appels aux outils et les éventuels services associés. La qualité mesure la proportion de résultats correctement sourcés et conformes au périmètre.
Les indicateurs les plus utiles sont :
- le temps moyen par dossier terminé ;
- le nombre d’appels nécessaires pour obtenir une réponse exploitable ;
- la part de chiffres accompagnés d’une preuve vérifiable ;
- le nombre de corrections après contrôle humain ;
- le taux de résultats hors période, hors périmètre ou mal définis ;
- le coût moyen par statistique validée.
Une réduction du nombre d’étapes peut améliorer la vitesse, mais elle ne doit pas supprimer le contrôle des sources. Le meilleur résultat est un workflow qui réduit les recherches répétées tout en conservant une trace de chaque valeur utilisée.
Un test simple sur dix dossiers comparables
Pour mesurer l’apport réel de GPT-6 Astra, une équipe peut sélectionner dix recherches présentant la même structure. Elle réalise cinq dossiers avec le workflow existant et cinq avec la méthode multi-agents, en conservant les mêmes critères de qualité.
La comparaison doit porter sur le temps, le coût et les corrections nécessaires. Une recherche ne doit être considérée comme réussie que si la réponse respecte le périmètre, cite les documents adéquats et restitue correctement les unités et les périodes.
Ce protocole ne reproduit pas automatiquement le test de Parallel. Il permet toutefois de déterminer si la délégation apporte un bénéfice dans un environnement précis, avec ses sources, ses outils et ses contraintes.
Les limites à encadrer avant de déployer la méthode
L’usage d’un modèle capable de naviguer et d’utiliser un ordinateur ajoute des possibilités, mais aussi des points de contrôle. OpenAI présente GPT-6 Astra comme plus robuste aux prompt injections, des instructions malveillantes dissimulées dans des contenus consultés, que GPT-5.6 Sol.
Cette amélioration ne justifie pas l’abandon des protections. Les pages web peuvent contenir des instructions destinées au modèle plutôt qu’au lecteur. Les agents doivent donc traiter le contenu consulté comme une donnée à analyser, et non comme une nouvelle consigne prioritaire.
Les règles de sécurité utiles comprennent :
- limiter les actions d’écriture ou d’envoi à celles qui sont explicitement autorisées ;
- séparer les identifiants et secrets des contenus accessibles aux agents ;
- demander une validation avant toute action irréversible ;
- conserver les journaux de navigation et les résultats extraits ;
- vérifier les documents finaux avant leur diffusion.
La qualité éditoriale nécessite également une distinction nette entre données publiées et calculs. Une variation calculée peut être utile, mais elle doit être présentée comme un calcul à partir de valeurs identifiées, sans être confondue avec une statistique directement publiée.
La fenêtre de contexte ne remplace pas la sélection
Avec une fenêtre annoncée à 1 050 000 tokens, GPT-6 Astra peut traiter de très grands volumes de contenu. Cette capacité facilite l’analyse de dossiers longs, mais elle ne rend pas toutes les informations également pertinentes.
Un agent doit toujours filtrer les documents selon la question, la période et la définition recherchées. Accumuler des pages sans hiérarchie peut compliquer la synthèse et augmenter le coût, même lorsque le modèle est capable de les recevoir.
La meilleure stratégie consiste à conserver les sources candidates dans une première étape, puis à transmettre à la synthèse uniquement les extraits validés et les éléments de contexte nécessaires.
Notre avis : GPT-6 Astra mérite surtout un workflow conçu pour la délégation
GPT-6 Astra est particulièrement intéressant pour les équipes qui effectuent des recherches répétitives, multi-sources et structurées. Le résultat publié par Parallel, avec une réduction annoncée de 50 % du temps et du coût sur une recherche portant sur six statistiques, quatre États et six mois, montre l’intérêt concret d’une architecture multi-agents.
Le bénéfice ne vient pas d’un prompt plus long. Il vient d’un découpage plus précis : exploration séparée de l’extraction, contrôles dédiés, format de données commun et synthèse finale limitée aux résultats validés.
Pour une question ponctuelle, une recherche séquentielle peut rester suffisante. Pour une production régulière de tableaux, de suivis sectoriels ou d’analyses territoriales, GPT-6 Astra donne davantage de valeur lorsqu’il est utilisé comme coordinateur d’agents spécialisés plutôt que comme simple chatbot.
Dans les six prochains mois, l’enjeu sera moins de multiplier les modèles que de mesurer la fiabilité de ces architectures : quelles recherches sont réellement accélérées, combien d’erreurs sont évitées et quelle part du contrôle peut être automatisée sans affaiblir la vérification humaine ?