L’index caché de ChatGPT : comment OpenAI trouve et conserve ses sources

Un index propriétaire, sans indépendance totale

OpenAI confirme l’existence de contenus web indexés et mis en cache dans sa documentation sur la recherche web hors ligne de ChatGPT. Dans les espaces de travail éligibles, cette configuration permet de rechercher parmi les contenus déjà disponibles sans recherche web en direct. L’éditeur prévient toutefois que la couverture et la fraîcheur varient selon les pages, les langues ou les régions.

L’enquête de Tomek Rudzki publiée par Peec AI le 4 septembre 2026 décrit Labrador comme une famille d’index spécialisés, couvrant notamment le web, les PDF, l’actualité et le shopping. L’auteur s’appuie sur les données échangées entre ChatGPT et le navigateur. Il y repère aussi des expérimentations comparant l’index shopping aux résultats externes.

Peec AI relève en parallèle le maintien de fournisseurs tiers, dont des circuits liés à Google et à Microsoft. Ces observations décrivent une infrastructure hybride en évolution. Elles ne permettent pas d’attribuer une part universelle des réponses à Labrador, encore moins de dater son lancement au jour de la publication de l’enquête.

Pour notre travail de consultant, j’en retiens une prudence : ne pas déduire la visibilité dans ChatGPT d’un contrôle d’indexation sur Bing ou Google. Il faut examiner ce que la plateforme récupère effectivement. Le rôle des résultats externes reste pertinent, comme je l’avais expliqué dans mon article sur le recours de ChatGPT aux résultats de Google.

Pourquoi séparer l’index du cache de lecture ?

L’étude de RESONEO sur les sources récupérées, affichées et citées par ChatGPT, publiée en juillet 2026 et enrichie en août, distingue un index de découverte et un cache de lecture. Elle documente aussi les travaux croisés avec Jérôme Salomon, chez Oncrawl. Les deux stocks ne contiennent pas nécessairement les mêmes pages.

Pour interpréter un test, je propose de partir de la question posée à chaque mécanisme :

Dans son analyse publiée le 17 août 2026 sur Search Engine Land, Olivier de Segonzac, cofondateur de RESONEO, décrit notamment des extraits Labrador d’environ 200 caractères, souvent ancrés sur le H1. Le modèle peut donc recevoir une représentation très courte d’une page avant toute lecture approfondie. Ce constat concerne les parcours observés, pas tous les formats de résultats ni toutes les versions de ChatGPT.

J’en tire une recommandation éditoriale : examiner le titre et le début du contenu avant d’ajouter des optimisations partout. Si l’extrait récupéré présente mal votre offre, le problème se situe déjà à ce niveau. Cela ne transforme pas les 200 premiers caractères en formule magique de citation.

Un résumé d’URL ne garantit pas son indexation

La documentation officielle des robots d’OpenAI distingue leurs usages. OAI-SearchBot concerne la recherche. ChatGPT-User intervient pour certaines actions demandées par un utilisateur. GPTBot sert à collecter des contenus susceptibles d’être utilisés pour l’entraînement. OpenAI précise que ChatGPT-User ne détermine pas si un contenu peut apparaître dans Search.

Le contrôle des robots de recherche et d’entraînement est indépendant. Vous pouvez autoriser OAI-SearchBot tout en refusant GPTBot. Pour la recherche, OpenAI recommande aussi de laisser passer les requêtes provenant de ses plages d’adresses IP publiées. Un réglage dans robots.txt mérite donc d’être confronté au comportement réel du pare-feu.

Dans la première version de cet article, je rapprochais trop vite une demande de résumé de l’entrée dans l’index. La formulation était excessive. Une URL récupérée, puis relue depuis une copie conservée, démontre un mécanisme de réutilisation. Pour établir qu’elle est découvrable sur un sujet, il faut un autre test.

La différence se voit dans les questions posées. « Résume cette URL » fournit directement l’adresse. « Quels outils permettent d’examiner les sources de ChatGPT ? » laisse au moteur le choix des documents. Obtenir un bon résumé dans le premier cas ne prédit pas la sélection de la page dans le second.

Je garde donc un intérêt pour les boutons « Résumer avec l’IA », notamment comme service rendu au lecteur. Mais je ne présenterais plus leur utilisation comme une procédure garantie d’indexation. Une éventuelle mise en cache doit elle-même être vérifiée. La citation auprès d’autres utilisateurs demande encore une mesure distincte.

Comment vérifier ce que ChatGPT conserve de votre page ?

J’ai développé un outil pour vérifier une URL dans l’index de ChatGPT et consulter sa copie en cache. Il propose une recherche sur une adresse précise ou sur un sujet, puis un contrôle séparé du cache de lecture. Cette séparation évite de déduire l’état d’un stock à partir de l’autre.

Il utilise votre propre clé API OpenAI. Les appels sont facturés sur votre compte. La documentation de l’API Web Search explique le paramètre external_web_access: false : avec l’outil web_search, la récupération se limite aux résultats indexés ou mis en cache. Un résumé produit sans appel de recherche ne suffit donc pas à valider le test. Il faut regarder les résultats effectivement renvoyés par l’outil.

Pour une page importante, je conseille de procéder dans cet ordre :

1. Examiner la recherche d’URL. Relever le titre, l’extrait et les dates disponibles. Un titre sans extrait reste une information à analyser.
2. Interroger séparément le cache de lecture. Comparer le contenu récupéré à la version actuelle du site, notamment sur l’offre ou les informations récemment corrigées.
3. Tester une recherche thématique sans fournir l’adresse. Observer si la page ressort, puis distinguer ce résultat de la citation dans une réponse destinée à un utilisateur.

Un résultat vide mérite un contrôle de la variante d’URL, puis une recherche plus large sur le domaine. L’outil ne fournit pas l’inventaire exhaustif de tous les documents détenus par OpenAI. L’absence dans un résultat donné ne suffit pas à certifier une absence générale.

Sa portée doit rester claire : il examine une surface accessible par API. Il ne reproduit pas exactement les réponses que vos prospects voient dans ChatGPT. C’est un instrument de diagnostic, à compléter par des tests dans les modes utilisés par votre audience. Conservez la date, la formulation du prompt et les résultats bruts pour pouvoir comparer les observations.

La fraîcheur mérite autant d’attention que la présence

Une copie disponible peut contenir une information dépassée. OpenAI le rappelle dans sa documentation sur la recherche hors ligne : les résultats peuvent être incomplets ou plus anciens que la page publique, sans garantie de délai de rafraîchissement pour une URL donnée.

J’ai déjà décrit des pages supprimées que ChatGPT continuait de citer. Ce phénomène mérite d’être étudié comme un problème de persistance et de provenance des sources. Il ne prouve pas que les informations ont été intégrées aux paramètres du modèle. Employer le mot « mémoire » pour tous ces mécanismes finit par brouiller l’enquête.

Pour une entreprise, je commencerais par contrôler les informations qui orientent une décision : une prestation abandonnée, une zone desservie qui a changé, une ancienne présentation de l’équipe. Une citation flatteuse reposant sur une offre périmée peut envoyer un prospect dans la mauvaise direction.

Une analyse des logs serveur aide à dater les visites réellement reçues. Elle doit être croisée avec le contenu retourné, sans transformer chaque passage de robot en preuve de citation. À l’inverse, une réponse obtenue sans nouvelle visite peut justifier l’examen d’une copie déjà disponible.

Ce que je changerais dans un audit GEO

Je réserverais désormais une place explicite à l’index et au cache dans un audit de visibilité dans les moteurs IA. Le compte rendu devrait séparer les preuves : un résultat de recherche retrouvé, une version de page récupérée, puis une citation observée sur une question utile à l’entreprise. Mélanger ces constats rend les recommandations difficiles à défendre.

Commencez par quelques pages qui comptent pour votre activité. Vérifiez leur représentation avec l’outil, comparez-la au contenu publié, puis testez les questions auxquelles ces pages sont censées répondre. Lorsque quelque chose manque, vous saurez au moins quel mécanisme examiner avant de réécrire tout le site.