Pendant des années, la plupart des spécialistes du référencement ont supposé que ChatGPT fonctionnait de manière simple : il envoyait une requête à Bing, obtenait des résultats et générait une réponse à partir de là. Peec AI, une entreprise spécialisée dans l’analyse de la recherche géolocalisée et basée sur l’IA, vient de publier un rapport indiquant que cette hypothèse était déjà erronée. Il semblerait que ChatGPT ait discrètement développé en interne son propre index de recherche, baptisé Labrador, et ce, depuis plusieurs années.
Ces recherches, menées par Tomek Rudzki de Peec AI, ont permis de comprendre comment ChatGPT parvient à obtenir des informations grâce à une combinaison de données techniques divulguées, d'offres d'emploi d'OpenAI et de témoignages sous serment. Le résultat de cette enquête est bien plus complexe et ambitieux qu'on ne pourrait le penser.
Labrador n'est pas un seul indice, c'est une famille de Labradors.
Entre le 21 mai et le 21 juillet 2026, les événements côté serveur de ChatGPT contenaient le champ `result_source`, indiquant précisément la source des informations utilisées pour générer une réponse. Ce champ ne pouvait prendre que quatre valeurs : Labrador, Bright, Oxylabs et SERP. Labrador appartient à OpenAI, tandis que les trois autres sont des fournisseurs de web scraping tiers. Les chercheurs précisent que Labrador n'est pas un index unique. Il est divisé en différents types, à l'instar de l'infrastructure de recherche Google développée il y a plus de vingt ans, avec un index web principal auquel se sont ajoutés des index verticaux sous forme de couches distinctes. Les catégories identifiées étaient : web général, PDF, YouTube, actualités (divisées en actualités du dernier jour, des sept derniers jours et versions plus anciennes), arXiv, Wikipédia, finance locale (avec son propre index spécifique aux PDF), juridique, médical, shopping et images. Toutes ces catégories partagent le même type de données d'index, comme le texte des pages, les dates d'exploration du web et les dates de publication.
Les offres d'emploi laissent présager un investissement sérieux et à long terme.
Peec AI cite également plusieurs offres d'emploi d'OpenAI pour étayer les propos de ses chercheurs. Une offre pour un poste d'ingénieur logiciel travaillant sur Foundations Search précise que l'expérience du candidat en matière de conception et de maintenance de « systèmes d'indexation, de pipelines de recherche et de couches de diffusion » sera évaluée. Une autre offre, pour un poste de responsable d'ingénierie au sein de l'équipe Systèmes de données en ligne d'OpenAI, décrit les tâches liées à la construction et à la maintenance de la base de données principale et des services d'indexation qui prennent en charge les applications d'OpenAI, telles que ChatGPT, à une échelle de l'exaoctet. Un exaoctet équivaut à environ un milliard de gigaoctets, et une telle infrastructure ne peut être mise en place par une entreprise se contentant d'utiliser l'index d'un tiers pour y faire transiter des requêtes.
Une autre offre d'emploi, axée principalement sur la recherche d'embeddings, exige du candidat une expérience confirmée dans la création de nouveaux objectifs d'entraînement d'embeddings, d'architectures de stockage vectoriel et d'indexation dynamique, ainsi que dans les méthodes de représentation dense, parcimonieuse et hybride. La représentation parcimonieuse est en réalité une technique de classement lexical, comme TF-IDF et BM25, sur laquelle était basé le moteur de recherche original de Google. En combinant la recherche parcimonieuse avec des embeddings vectoriels denses, on obtient une méthode appelée Fusion de Rang Réciproque, qui combine les deux types de résultats, comme l'avait précédemment souligné Metehan Yesilyurt, chercheur en IA chez Peec, à propos des mécanismes de ChatGPT.
L'affaire remonte à une audience antitrust de 2024
Peec AI établit un lien entre cette affaire et le procès antitrust intenté contre Google, au cours duquel Nick Turley, dirigeant de ChatGPT, a témoigné sous serment que la stratégie de recherche d'OpenAI était l'un de leurs principaux arguments. Turley aurait déclaré qu'OpenAI rencontrait d'importants problèmes de qualité dans l'utilisation des données de recherche provenant de partenaires API autres que Google, et qu'OpenAI était disposée à collaborer directement avec Google, même lorsque ce dernier a malheureusement refusé la proposition.
Comme l'indiquent les éléments de preuve présentés aux médias lors du procès, le choix d'OpenAI d'utiliser son propre index a été en partie motivé par ce refus. Turley a précisé qu'OpenAI avait commencé à travailler sur son propre index de recherche en 2023 avec l'objectif ambitieux, dans un premier temps, de répondre à 80 % des requêtes clients via cet index d'ici la fin de l'année. Il a également souligné que même si OpenAI avait eu accès à l'intégralité des données de l'index Google, il lui faudrait au moins cinq ans pour déterminer s'il est possible de répondre à toutes les requêtes à partir de son propre index. En résumé, l'acquisition d'une totale indépendance vis-à-vis des sources de données est un processus long et progressif, qui consiste à tester chaque catégorie de requêtes une par une.
C’est dans le secteur des achats que l’indice est le plus visible actuellement.
Peec AI souligne que la démonstration la plus flagrante du fonctionnement naturel du système d'indexation de ChatGPT se trouve dans les résultats de recherche de produits. L'équipe de recherche a constaté, lors d'un test A/B mené mi-août 2026 et baptisé « prefer-index-over-serp-v3 », que ce système était opérationnel sur environ 8 % des conversations. Au 2 septembre 2026, au moins cinq expériences d'achat distinctes étaient encore en cours, chacune testant différentes combinaisons de données internes d'OpenAI par rapport à des recherches provenant de sources externes.
Une étude détaillée, accessible aux experts, intègre trois étapes majeures : une recherche lexicale utilisant l’algorithme BM25, réduisant l’ensemble des articles à dix sources ; un classement parmi 400 produits candidats ; et une recherche vectorielle approximative du plus proche voisin, menée sur deux dimensions distinctes. Un système de classement multi-étapes comme celui-ci, appliqué à des données d’achats en temps réel, implique que l’équipe d’OpenAI effectue régulièrement un processus de validation afin de s’assurer que l’index généré est prêt à être utilisé, au moins à un niveau de production pilote.
ChatGPT semble également mettre en cache les pages
La récupération en temps réel signifie que le système obtient la dernière version du site web à chaque fois que cela est nécessaire. À l'échelle de ChatGPT, récupérer chaque page web en temps réel est quasiment impossible, car le chargement de nombreuses pages prend plus d'une seconde. Peec AI, une entreprise spécialisée en intelligence artificielle, affirme que cela constitue un argument convaincant pour supposer que ChatGPT conserve un cache des pages web fréquemment consultées. Cette idée est très similaire à celle que Google a présentée dans ses brevets.
L'équipe de recherche de Peec AI a publié des données sous la forme d'un site web de test composé d'un milliard de pages, afin d'étudier le comportement du robot d'exploration de ChatGPT sur ces pages. En septembre 2026, ChatGPT en avait exploré environ 6 millions, une fraction relativement faible compte tenu de l'échelle du site. Cependant, le robot parcourt tout de même 1 35,000 pages par heure. Peec AI a également testé l'un des paramètres de ChatGPT, le « mode verrouillé », qui empêche la navigation en direct mais permet d'accéder aux résultats mis en cache ou hors ligne. À leur grande surprise, les chercheurs ont constaté que ChatGPT pouvait afficher le contenu de la page d'accueil de certains éditeurs SEO de premier plan, même en mode verrouillé. Cela indique que le contenu n'avait probablement pas été téléchargé récemment, mais qu'il provenait plutôt d'un cache.
Google et Microsoft jouent toujours un rôle.
Bien que ChatGPT construise son propre index, il ne s'est pas totalement détaché des moteurs de recherche externes. Par exemple, Malte Landwehr, directeur des produits chez Peec AI, a apparemment mené une expérience avec un site web ne générant aucun trafic organique. Pendant quelques jours, il a interrogé ChatGPT à ce sujet via ce site. Comme prévu, la Google Search Console a révélé une augmentation significative du trafic du site durant cette période. Peec AI considère donc cela comme une preuve irréfutable que ChatGPT interroge directement Google pour améliorer ses réponses.
Parallèlement, Bing apparaît également, et plus important encore, lors des sessions de recherche approfondie, Bing est même mentionné comme référence directe de la source de données de chatGPT lors de leurs événements côté serveur. De plus, Microsoft possède sa propre plateforme Web IQ qui, selon l'entreprise, offre une latence inférieure à 165 millisecondes. Il semblerait que ChatGPT soit déjà utilisé dans des produits comme Microsoft Copilot et par des clients de grande envergure tels que le Nasdaq.
Au total, Peec AI affirme qu'il existe au minimum huit fournisseurs de données supplémentaires, outre le robot d'exploration de ChatGPT, qui contribuent au contenu des résultats de ChatGPT. Parmi ceux-ci figurent Bright Data Oxylabs, un canal d'extraction de données SERP distinct, Yelp TripAdvisor, deux pipelines de données internes utilisés pour les listes d'entreprises et les données de Google Maps, ainsi que Web IQ de Microsoft.
Ce que cela signifie pour les propriétaires de sites web
L'étude a clairement démontré que l'utilisation de la visibilité de Bing comme indicateur de celle de ChatGPT n'est plus sûre, même si elle a jamais été totalement fiable. ChatGPT crée son propre robot d'exploration et son propre index en utilisant des signaux provenant de diverses sources externes ; l'entreprise teste ensuite différentes combinaisons avec du trafic réel et, au fil du temps, privilégie de plus en plus ses propres systèmes.
Pour les boutiques en ligne, où les clients peuvent consulter et comparer les prix, la différence la plus marquante de cette transition semble se manifester, car c'est là qu'OpenAI mène les expériences les plus poussées. Parallèlement, pour les commerces qui misent sur leur présence locale, leurs fiches sur les sites d'avis comme Yelp et TripAdvisor sont directement impactées et semblent primordiales, car ces avis sont considérés comme des licences de données, tandis que les données de Google Maps sont intégrées à ChatGPT, quel que soit le choix des entreprises. De plus, observer la présentation d'un site web via le mode restreint de ChatGPT peut donner une première indication de sa visibilité. Cependant, tout évolue très rapidement. Peec AI a elle-même constaté ces évolutions et apporte des modifications à certaines parties du système chaque semaine ; par conséquent, certaines informations présentées ici pourraient déjà être obsolètes au moment où vous lirez ce texte.
FAQ
Q1 : Qu'est-ce que le Labrador ?
Il s'agit du nom interne de l'index de recherche propre à ChatGPT, développé par OpenAI pour compléter ses capacités de recherche et servir d'alternative à l'utilisation de Google et Bing.
Q2 : ChatGPT dépend-il de Google et Bing ?
Oui, comme l'a révélé l'enquête de Peec AI, qui a découvert des preuves directes que ChatGPT accédait à Google et Bing, ce dernier étant utilisé intensivement lors des sessions de recherche approfondie.
Q3 : Quelles données Labrador indexe-t-il ?
Les catégories de données comprennent les pages web générales, les PDF, les vidéos YouTube, les actualités, arXiv, Wikipédia, les annonces locales, les données financières, juridiques, de santé, d'achat et les images.
Q 4 : À quelle date OpenAI a-t-il commencé à construire son propre index ?
Des documents judiciaires, qui contiennent le témoignage du directeur de ChatGPT, Nick Turley, confirment que le processus a débuté en 2023.
Q 5 : Pourquoi OpenAI a-t-il ressenti le besoin de construire son propre index de recherche ?
Le géant des chatbots était insatisfait de la qualité des résultats de recherche fournis par les plateformes tierces. Des témoignages ont révélé qu'il souhaitait établir un partenariat direct avec Google, qui a refusé sa proposition.
Q 6 : Où peut-on consulter l'index auto-hébergé de ChatGPT ?
Cela se voit dans les résultats d'achat, où de multiples tests A/B ont été menés pour comparer les résultats d'indices externes avec ceux générés par OpenAI.
Q 7 : Est-ce que ChatGPT met en cache les pages Web au lieu de les récupérer en direct ?
Les résultats de la recherche semblent le confirmer, d'après le comportement d'exploration observé sur un site web de test et les résultats obtenus en mode de verrouillage de ChatGPT.
Q 8 : Quels autres fournisseurs de données de recherche ChatGPT utilise-t-il ?
Outre Google et Bing, il existe au total huit fournisseurs de données différents, dont Bright Data, Oxylabs, Yelp, TripAdvisor et Web IQ de Microsoft.
