OpenAI a déprécié ChatGPT Search en avril 2026 sans annonce officielle, juste un petit changelog technique. Le grand projet « le moteur de recherche tueur de Google » lancé fin 2024 est rebasculé en sous-fonction de l’agent Operator. C’est probablement le signal le plus important pour l’avenir du RAG en entreprise.
Pourquoi OpenAI tue son propre produit, et ce que ça change pour votre stack de recherche interne.
Le rêve qui s’effondre
Fin 2024, OpenAI vendait ChatGPT Search comme l’alternative naturelle à Google : « pose ta question, on synthétise les meilleures sources du web pour toi ». Le pitch a séduit. Les analystes ont prédit la chute de Google. La réalité économique a été plus dure : la qualité des résultats restait inférieure à Google sur 60 % des requêtes complexes, le coût d’inférence par recherche était 30-50x supérieur, et les éditeurs de contenu ont commencé à bloquer ou facturer l’accès à leurs données.
Conclusion d’OpenAI 18 mois plus tard : le grand RAG public à la demande, ça ne marche pas. Ni techniquement, ni économiquement, ni juridiquement.
Pourquoi c’est important pour votre entreprise
Si OpenAI, avec 100 milliards de valorisation et une équipe d’élite, n’arrive pas à faire marcher un RAG sur un corpus aussi structuré que le web public, qu’est-ce que ça dit du RAG sur votre corpus interne (potentiellement plus complexe, plus hétérogène, moins maintenu) ?
Le signal n’est pas que le RAG est mort. C’est que le RAG généraliste à la demande est mort. Le RAG spécialisé, encadré, sur corpus défini reste pertinent et même indispensable. Mais avec une discipline d’ingénierie que beaucoup d’entreprises sous-estiment encore.
Les 4 conditions pour qu’un RAG d’entreprise marche
1. Un corpus défini et maintenu. Vous savez exactement ce qui est dedans, comment c’est mis à jour, qui en est responsable. Pas de « on prend tout ce qui est sur Sharepoint ». Choisir 200 documents pertinents et bien curatés vaut mieux qu’avaler 10 000 documents bruts.
2. Un chunking adapté au contenu. Pas de stratégie unique « 500 tokens overlap 50 ». Les contrats se chunkent par clause, les rapports par section, le code par fonction. L’investissement en data engineering paye 5-10x.
3. Un système d’embeddings de qualité. Les modèles d’embeddings 2026 (text-embedding-3-large d’OpenAI, voyage-3 d’Anthropic, Mistral embed v3) ont fait un bond. Si vous tournez encore sur des embeddings 2023, vous perdez 20-30 % de qualité de retrieval.
4. Un re-ranker. Une étape de re-classement post-retrieval (Cohere Rerank 3, Voyage Rerank, ou un Haiku 4.5 en mode classificateur) améliore la précision finale de 15 à 30 %. Trop souvent négligée.
L’option qui monte : le contexte massif au lieu du RAG
Avec Gemini 3 Pro à 1,5 M de tokens de contexte, certains cas qui demandaient un RAG complet peuvent être traités en brute force : on envoie tout le corpus directement dans le contexte. Plus simple, plus fiable, plus auditable.
Avantages : pas de pipeline d’ingestion à maintenir, pas de problème de retrieval qui rate les passages clés, transparence totale sur ce que voit le modèle. Inconvénient : coût d’inférence multiplié par 5-10. Économique uniquement si vos cas d’usage sont rares mais à fort enjeu (audits trimestriels, due diligence, analyse exceptionnelle).
L’option hybride qui gagne
Le pattern le plus performant en 2026 combine les deux : un RAG retrieval pour récupérer 30-50 chunks pertinents (au lieu de 5-10 comme avant), puis envoi dans un modèle à grand contexte qui fait sa propre sélection finale.
Cette approche bénéficie à la fois de la précision du retrieval ciblé et de la latitude du contexte massif. Sur les audits qu’on a réalisés, elle améliore le rappel de 20-35 % par rapport au RAG classique, avec un surcoût acceptable.
Le piège du « RAG comme produit miracle »
Beaucoup d’éditeurs vendent encore en 2026 du « RAG enterprise turnkey » qui promet de répondre à toutes vos questions internes en plug-and-play. Méfiez-vous. La qualité d’un RAG dépend à 70 % de votre data engineering, pas à 30 % du logiciel choisi.
Si vous achetez un RAG packagé sans investir en parallèle dans la curation de votre corpus et la définition de votre stratégie de chunking, vous aurez 6-12 mois plus tard un système qui livre 60 % de réponses correctes. Acceptable nulle part en B2B sérieux.
Ce qu’il faut retenir de la dépréciation
ChatGPT Search a échoué pour des raisons structurelles : trop vaste, trop ouvert, économie cassée. Votre RAG interne peut éviter ces écueils en étant limité, curaté, maintenu. C’est plus de travail, mais c’est viable.
Si vous n’avez pas le budget ou l’équipe pour cette discipline, demandez-vous si vous avez besoin d’un RAG. Souvent, un agent qui interroge 3-4 SaaS bien identifiés (via MCP) répond à votre besoin sans la complexité d’un système RAG complet.
Le signal stratégique d’OpenAI
En tuant ChatGPT Search au profit d’Operator, OpenAI parie sur les agents avec accès web ciblé, pas sur le RAG universel. C’est probablement le bon pari : un agent qui sait quand chercher, quoi chercher, et comment évaluer la fiabilité des sources, c’est ce dont l’utilisateur a vraiment besoin.
Pour votre stratégie 2026 : investissez moins dans des stacks RAG monolithiques, plus dans des agents capables d’interroger vos sources avec discernement. Le RAG devient une primitive parmi d’autres dans l’outillage d’un agent, plus un produit en soi.
