Deep Research et Deep Research Max : Google déploie des agents de recherche autonomes sur Gemini 3.1 Pro

Le 21 avril 2026, Google a rendu publics deux agents de recherche autonomes — Deep Research et Deep Research Max — accessibles directement via l’API Gemini. Construits sur Gemini 3.1 Pro, ces agents franchissent une limite que les outils de synthèse documentaire n’avaient pas encore franchie : fusionner en une seule requête la recherche sur le web ouvert et l’accès aux données internes de l’entreprise, puis restituer un rapport structuré assorti de visualisations générées automatiquement. Pour les organisations qui gèrent des volumes importants d’analyses récurrentes — due diligence, veille concurrentielle, rapports sectoriels — la rupture est notable. (Source : Blog Google)

Ces agents ne s’adressent pas aux utilisateurs grand public de l’application Gemini, mais aux équipes techniques et aux décideurs qui cherchent à industrialiser leurs processus de recherche. L’enjeu est de transformer une activité chronophage et artisanale — collecter, croiser, synthétiser des sources disparates — en un flux automatisé, auditable et intégrable à des systèmes existants.

Deux agents pour deux régimes de travail

Google distingue nettement les deux configurations selon le contexte d’usage :

• Deep Research est optimisé pour la réactivité et l’interaction. Latence réduite, coût estimé entre 1 et 3 dollars par tâche, il convient aux interfaces où un analyste attend une réponse en temps quasi réel — enrichissement d’un dossier en cours de réunion, exploration rapide d’un sujet émergent.
• Deep Research Max est conçu pour des workflows asynchrones. Il mobilise davantage de calcul en raisonnement itératif étendu (extended test-time compute), consultait lors des tests un nombre de sources sensiblement plus large, et livre des analyses exhaustives au terme d’un traitement qui peut atteindre vingt à soixante minutes. Son profil cible : les due diligences overnight, les rapports de veille périodiques, les audits de marché. Coût estimé : 3 à 7 dollars par tâche.

Sur le benchmark DeepSearchQA, Deep Research Max affiche 93,3 % de réussite contre 66,1 % en décembre 2024. Sur Humanity’s Last Exam — un test de raisonnement de niveau expert — il atteint 54,6 % contre 46,4 % précédemment. Ces scores donnent une mesure de la progression des capacités de raisonnement en contexte long, même si les benchmarks ne constituent pas à eux seuls une garantie de fiabilité opérationnelle. (Source : Blog Google)

MCP : le pont entre données publiques et données internes

La capacité technique la plus structurante est l’intégration native du Model Context Protocol (MCP). Ce protocole ouvert permet à l’agent de se connecter à des sources de données tierces — bases documentaires internes, systèmes de gestion des connaissances, entrepôts de données sectoriels — sans déplacer les données ni exposer les contenus sensibles à des transferts non maîtrisés.

En pratique, cela signifie qu’un agent Deep Research peut, dans une même requête, interroger le web public pour le contexte macro-économique d’un secteur, consulter les fiches produits internes d’une entreprise via un serveur MCP configuré, et croiser ces sources pour produire une analyse synthétique. L’accès web peut également être désactivé pour des workflows entièrement cloisonnés sur des données privées. (Source : Google AI for Developers)

Google a confirmé des collaborations avec trois fournisseurs de données financières pour la conception de serveurs MCP dédiés :

• FactSet : accès à des données de marché, estimations de consensus et dépôts SEC ;
• S&P Global : indices, notations de crédit et analyses ESG ;
• PitchBook : base de données private equity, venture capital et M&A.

Ces intégrations illustrent la cible prioritaire : les équipes financières et les fonds qui traitent des volumes importants de recherche structurée. Mais le mécanisme MCP est générique — tout serveur conforme au protocole peut être raccordé, qu’il expose des données RH, juridiques, techniques ou commerciales.

Contexte étendu et transparence du raisonnement

Les agents disposent d’une fenêtre de contexte d’un million de tokens. À titre de comparaison, une requête standard génère environ 250 000 tokens d’entrée (dont 50 à 70 % mis en cache) et 60 000 tokens de sortie, avec approximativement 80 requêtes Google émises en parallèle. Le contexte étendu permet de maintenir la cohérence sur des corpus documentaires volumineux et de réduire mécaniquement le risque d’hallucination par manque d’ancrage dans les sources.

L’agent diffuse en temps réel les thought summaries — des résumés intermédiaires de ses étapes de raisonnement. Cette transparence permet aux opérateurs de suivre la progression d’une analyse longue et, le cas échéant, d’interrompre un traitement qui s’éloignerait du périmètre attendu. La fonctionnalité de planification collaborative (collaborative planning) permet également à un utilisateur de valider le plan de recherche avant son exécution effective — un garde-fou utile pour les requêtes sensibles ou coûteuses.

Visualisations natives et livrables prêts à l'emploi

Les deux agents génèrent des graphiques et infographies directement intégrés aux rapports, en HTML ou au format Nano Banana. Cette capacité de visualisation automatique est activée par défaut (paramètre visualization: "auto"). Elle transforme le rapport de recherche en un document immédiatement exploitable, sans étape supplémentaire de mise en forme.

Le support multimodal couvre les PDFs, fichiers CSV, images, audio et vidéo. L’agent peut exécuter du code pour traiter des données structurées, lire des fichiers uploadés et contextualiser des URLs. Ces capacités élargissent le périmètre des sources mobilisables au-delà des documents textuels.

Ce que cela change pour les entreprises

Plusieurs implications méritent d’être distinguées selon les fonctions concernées :

• Veille et intelligence économique. Les agents permettent d’automatiser les cycles de veille récurrents — rapports hebdomadaires sectoriels, suivi concurrentiel, synthèses réglementaires — en les faisant tourner en mode asynchrone pendant les heures creuses. Le coût par rapport (3 à 7 dollars pour Deep Research Max) est compétitif face au temps analytique mobilisé manuellement.
• Architecture RAG et knowledge management. L’intégration via MCP offre un chemin d’accès standardisé aux bases de connaissances internes sans construire de pipeline RAG spécifique. Pour les organisations qui cherchent à valoriser leurs corpus documentaires internes (notes de réunion, contrats, bases de données produits), c’est une alternative moins coûteuse à développer que des architectures sur mesure.
• Gouvernance et traçabilité. La diffusion des étapes de raisonnement et la planification collaborative constituent deux points de contrôle intégrés. Ils facilitent l’audit des outputs et la vérification des sources — deux exigences croissantes dans les contextes réglementés (finance, santé, droit).
• FinOps IA. La tarification à la tâche (et non au token fixe) implique de modéliser les coûts selon le volume de requêtes envisagées. Une organisation qui envisage plusieurs dizaines de rapports hebdomadaires doit estimer l’enveloppe avant déploiement à grande échelle. Les tiers payants de l’API Gemini conditionnent l’accès — un point à vérifier dans les budgets cloud existants.

Mise à jour Méthode Virtuose

Dans notre cadre méthodologique, ces agents s’inscrivent directement dans les workflows de veille structurée. La fusion données publiques/données privées via MCP correspond précisément à l’architecture que nous recommandons pour les organisations qui disposent de bases documentaires internes à valoriser sans les exposer. La planification collaborative — valider le plan avant l’exécution — est cohérente avec notre principe de contrôle humain sur les agents autonomes : l’IA prépare, l’humain valide, l’IA exécute. Pour les équipes qui traitent aujourd’hui leur veille manuellement, Deep Research Max constitue un candidat sérieux pour automatiser les productions périodiques à fort volume de sources.

La véritable ligne de rupture n’est pas la puissance du modèle sous-jacent — c’est la capacité à connecter en standard des sources internes et externes dans un même flux de travail : Google vient de poser une infrastructure qui rend cette connexion opérationnelle pour les équipes techniques, et accessible à moyen terme pour des profils non-développeurs via les intégrations Google Cloud à venir. (Source : Google AI for Developers — Deep Research Max)