ChatGPT a construit son propre index de recherche

Labrador, une famille d’index plutôt qu’un simple raccourci vers Google

Entre le 21 mai et le 21 juillet 2026, un champ nommé result_source apparaissait directement dans les événements serveur (SSE) de ChatGPT, révélant l’origine exacte de chaque résultat. Ce champ ne prenait que quatre valeurs possibles : Labrador, Bright, Oxylabs et SERP. Trois de ces sources sont des prestataires de scraping externes. La première, Labrador, est l’index propriétaire d’OpenAI.

En réalité, Labrador n’est pas un index unique, mais plutôt un ensemble de sous-index spécialisés par catégorie :

• Web général
• PDF
• YouTube
• Actualité, avec des niveaux distincts pour le dernier jour, les sept derniers jours et le reste
• arXiv
• Wikipédia
• Local
• Finance, avec un sous-index dédié aux PDF financiers
• Juridique
• Médical
• Shopping
• Images

Cet index stocke des données similaires à celles d’un moteur de recherche classique comme Google : contenu complet des pages, date de crawl et date de publication. Cette architecture reproduit ce que Google a mis deux décennies à construire, à savoir un index web généraliste complété par des index verticaux spécialisés selon le type de contenu.

Des offres d’emploi qui confirment la construction d’un index propriétaire

Plusieurs offres d’emploi publiées par OpenAI apportent des indices concrets sur cette infrastructure.

• Une offre de poste “Software Engineer, Foundations Search” mentionne explicitement la conception et l’exploitation de systèmes d’indexation, de pipelines de récupération et de couches de service.
• Une offre pour un poste d'”Engineering Manager, Online Data Systems” va plus loin : l’équipe Online Data y est décrite comme responsable de la base de données en ligne centrale et des services d’indexation derrière les applications de production d’OpenAI, ChatGPT compris. Cette même offre évoque une infrastructure fonctionnant à l’échelle de l’exaoctet, répartie sur plusieurs régions et plusieurs clouds. Un exaoctet représente 10 puissance 18 octets, soit un 1 suivi de 18 zéros, une échelle qui ne se justifie pas pour un système qui se contenterait de relayer des requêtes vers l’index de quelqu’un d’autre.
• Une troisième offre, centrée sur la récupération par embeddings, demande explicitement la conception de nouveaux objectifs d’entraînement d’embeddings, d’architectures de vector store scalables et de méthodes d’indexation dynamique, avec un travail sur des représentations denses, éparses et hybrides. La représentation éparse renvoie au vocabulaire du TF-IDF et du BM25, les techniques de classement lexical sur lesquelles Google lui-même s’est construit. Associée aux embeddings denses, cette combinaison correspond exactement à ce qu’il faut pour faire fonctionner une fusion de rang réciproque (RRF), un mécanisme documenté par Metehan Yesilyurt, chercheur GEO chez Peec AI.

Un projet qui remonte au procès antitrust de Google, en 2024

La construction de cet index n’est pas récente. Elle démarre au début de l’année 2024, au moment où Google constatait de son côté que les systèmes RAG réduisaient les hallucinations des modèles de langage.

Pour bâtir son propre index, ChatGPT avait besoin d’un fournisseur de données de recherche sur lequel s’appuyer. Lors du procès antitrust de Google, Nick Turley, responsable de ChatGPT, a témoigné sous serment sur ce sujet précis. Il a expliqué qu’OpenAI rencontrait des problèmes de qualité importants avec les données de recherche fournies par des partenaires autres que Google, et que l’entreprise souhaitait à l’époque travailler avec Google. Une offre que Google a refusée.

Ce refus explique pourquoi OpenAI a dû se rabattre sur un plan B : construire son propre index en interne. Selon le témoignage de Turley, OpenAI a commencé à bâtir cet index dès 2023, avec pour objectif de répondre à 80 % des requêtes grâce à cet index avant la fin de cette même année, un calendrier extrêmement ambitieux pour un projet parti de zéro.

Le même témoignage livre un chiffre bien différent : même avec un accès complet aux données de l’index de Google, il faudrait à OpenAI au moins cinq ans pour simplement déterminer si répondre à 100 % des requêtes via son propre index est réalisable. Cet horizon, bien plus long que l’objectif initial de 80 % fin 2023, montre qu’une indépendance totale vis à vis des fournisseurs externes ne se décrète pas. Elle se construit progressivement, requête par requête, sans garantie d’y parvenir un jour. La stratégie semble être restée la même depuis le départ : s’appuyer sur des fournisseurs externes comme Google pour démarrer, puis augmenter chaque année la part de son propre index.

Le shopping, la vitrine la plus visible de cette bascule

Pour observer l’index d’OpenAI en action, le secteur du shopping offre l’exemple le plus parlant. En mi-août 2026, une expérience A/B nommée “prefer-index-over-serp-v3” affectait 8 % des conversations. OpenAI teste donc son index produit sur des tranches de trafic allant de quelques pourcents jusqu’à 20 %.

Les détails techniques d’implémentation n’ont pas pu être établis pour cette expérience précise, mais ils ont pu l’être pour une autre, nommée “shopping-reduced-topn-v4b”. La pile technique qui en ressort se décompose ainsi :

• Une composante lexicale BM25, qui réduit le champ à dix sources pour le classement.
• Un module rerank400, qui reclasse un pool de 400 candidats.
• Un pool d’entrée prod400, composé de 400 produits.
• Une recherche vectorielle par plus proches voisins approximatifs (ann4096), exécutée sur deux dimensions différentes, 12 288 et 4 096.

Au 2 septembre 2026, au moins cinq expériences liées au shopping tournaient encore en parallèle : prefer-index-over-serp-v3, chatgpt-shopping-noamazon, shopping-index-q2qb, shopping-hqi-v2 et shopping-hq-v1. Il n’est pas confirmé que “hqi” signifie “high quality index”, mais il est établi que prefer-index-over-serp-v3 et shopping-index-q2qb reposent toutes deux sur l’index propre de ChatGPT.

Cinq expériences actives simultanément sur du trafic shopping réel témoignent d’une équipe qui construit activement un index produit et valide sa fiabilité avant un déploiement complet.

Pourquoi ChatGPT met aussi en cache des pages entières

La récupération en direct est trop lente pour être utilisée à chaque requête. Selon le HTTP Archive Almanac, 58 % des pages web mettent plus de 0,8 seconde à se charger, un délai incompatible avec l’échelle à laquelle ChatGPT opère.

Cette contrainte a orienté vers l’hypothèse d’un cache, sur le modèle d’anciens brevets Google décrivant la conservation des pages les plus consultées dans un index séparé et plus rapide. Pour vérifier cette hypothèse, Metehan Yesilyurt a publié un site de test contenant un milliard de pages, dans le seul but d’observer le comportement de crawl de ChatGPT. Début septembre 2026, 6 millions de ces pages avaient déjà été explorées, à un rythme de 35 000 requêtes par heure, et le crawl se poursuivait.

Un crawl aussi intensif n’a de sens que si les pages récupérées sont conservées quelque part : les récupérer pour les jeter immédiatement n’aurait aucun intérêt. La mise en cache permet aussi à OpenAI d’anticiper les tâches coûteuses, comme le calcul des embeddings en amont et le filtrage des pages de faible qualité avant qu’elles n’entrent dans le pipeline, plutôt que de refaire ce travail à chaque requête.

Pour confirmer cette hypothèse, un test a été mené avec le mode verrouillé de ChatGPT, qui empêche la navigation en direct mais permet toujours de renvoyer des résultats hors ligne ou mis en cache. La même question, portant sur la dernière version de la page d’accueil, a été posée pour plusieurs éditeurs SEO majeurs, dont Search Engine Journal, Search Engine Land et Search Engine Roundtable. Dans chaque cas, ChatGPT ne récupérait pas les pages en direct mais les servait depuis son propre cache.

Google et Microsoft n’ont pas disparu du paysage

ChatGPT n’a pas remplacé les moteurs de recherche classiques. Il continue de s’appuyer sur plusieurs fournisseurs, dont Google et Microsoft.

Un test mené par Malte Landwehr, CPO chez Peec AI, illustre cette dépendance persistante à Google. Il a sélectionné un site sans trafic organique et a posé des questions le concernant uniquement à ChatGPT, sur des jours précis. Ces jours-là, Google Search Console affichait un pic de trafic pour ce site précis, une preuve directe que ChatGPT continue d’interroger Google pour étayer ses réponses.

Bing apparaît également, principalement dans les sessions de Deep Research. Les événements SSE diffusés pendant une session de Deep Research font clairement référence à Bing comme source de résultats, comme l’a signalé le chercheur GEO Peec AI David Konitzny sur LinkedIn.

La plateforme de grounding Web IQ de Microsoft, qui met en avant une latence P95 inférieure à 165 millisecondes et une récupération économe en tokens, cite directement ChatGPT parmi les produits qu’elle alimente déjà, aux côtés de Copilot et de clients entreprise comme Nasdaq.

En rassemblant tous les fournisseurs identifiés au fil de cette enquête, ChatGPT combine au moins huit sources externes en plus de son propre crawler :

• Son propre crawler, qui fonctionne indépendamment de tout moteur de recherche externe.
• Bright, très probablement Bright Data, qui scrape directement les résultats web de Google et, séparément, Google Maps pour les fiches locales.
• Oxylabs, qui scrape Google et alimente spécifiquement le sous-index actualité.
• Un troisième canal de scraping de résultats de recherche, identifié simplement sous “serp” dans les données, qui alimente également l’actualité ainsi qu’une version mixte de résultats locaux.
• Yelp.
• TripAdvisor.
• Deux canaux internes anonymes, nommés b1 et b3 : b1 remonte les sites d’entreprises et les pages Facebook, b3 redirige vers Google Maps.
• Web IQ, la plateforme de grounding de Microsoft, confirmée par Microsoft comme alimentant déjà ChatGPT aux côtés de Copilot et de Nasdaq.

Ce que cela change concrètement pour votre stratégie

Considérer que la visibilité sur Bing garantit la visibilité sur ChatGPT n’est plus une hypothèse fiable. Le rapport entre les deux est plus faible qu’on ne le pense, et ce qui ressemble à du Bing peut en réalité transiter par Web IQ de Microsoft, un produit différent conçu pour d’autres usages.

Si vous vendez des produits, il est indispensable de surveiller spécifiquement votre apparition dans les résultats shopping de ChatGPT. C’est aujourd’hui l’endroit où la bascule vers l’index propriétaire est la plus visible, et elle affecte directement la sélection des produits affichés.

Si les fiches locales comptent pour votre activité, soignez-les en priorité sur Yelp et TripAdvisor, traités comme des partenaires sous licence. Les données de Google Maps atteignent de toute façon ChatGPT, mais sans que vous ayez votre mot à dire sur la manière dont elles sont sourcées.

Enfin, le mode verrouillé de ChatGPT permet de vérifier concrètement si vos pages les plus importantes ont déjà été mises en cache, un test simple à reproduire pour évaluer votre propre visibilité dans ce système.

L’article “ChatGPT a construit son propre index de recherche” a été publié sur le site Abondance.