Le trafic de recherche recule et le web se reconstruit autour des agents

Le 29 septembre, la rubrique Computing d'IEEE Spectrum a publié un poème de Ralph Earle, ancien ingénieur logiciel senior chez IBM, sur la traduction d'un « code sec et implacable » en interface utilisateur. C'est un petit artefact d'un basculement plus vaste. L'interface est désormais l'endroit où circule l'argent, et de plus en plus, elle répond au lieu de renvoyer ailleurs.

Les chiffres qui sous-tendent ce basculement sont arrivés la même semaine. Un document de travail du National Bureau of Economic Research publié en septembre 2026 estime qu'entre novembre 2022 et décembre 2025, l'IA a augmenté la valeur actuelle anticipée par le marché de la productivité du génie logiciel à hauteur d'un gain permanent de 32,6 %, avec un effet correspondant sur le PIB de 3,6 % dans le scénario de référence et de 6,5 % lorsque la hausse de la productivité du génie logiciel stimule aussi celle de la R&D. Les auteurs, Alex Blumenfeld, Jonathon Hazell, Chen Lian et Andreas Schaab, ajoutent qu'à la mi-2026, dans un contexte de progrès rapides des agents de programmation, l'effet avait plus que doublé par rapport à la fin de 2025. C'est un chiffre macroéconomique, pas un chiffre de presse. Il décrit pourtant le capital qui afflue vers les systèmes désormais placés entre les utilisateurs et les contenus.

La recherche plein texte fonctionne encore, mais ne termine plus le travail

Manticore Search a publié un long billet sur son blog pour expliquer pourquoi la recherche par mots-clés n'a pas cassé, et pourquoi cela ne suffit pas. L'entreprise cite la propre divulgation de Google en mai 2026 selon laquelle AI Mode a dépassé un milliard d'utilisateurs mensuels. Elle soutient que des requêtes comme « I need black waterproof running shoes for daily runs on wet pavement » contiennent plusieurs tâches : extraire des contraintes, comprendre l'intention, vérifier le prix et la disponibilité, puis expliquer la différence entre les options. La réponse de Manticore est hybride : recherche plein texte et recherche vectorielle combinées par un classement des résultats, avec un modèle de langage qui génère une réponse par-dessus. L'entreprise l'a testée sur ConvApparel, un jeu de données conversationnel qui contenait après nettoyage 82 524 produits répartis entre chaussures, pantalons, hauts et vêtements d'extérieur, et a construit une démo appelée Manticore Apparel Shop. Le billet est explicite sur le risque : si le système affirme qu'un modèle convient à la pluie, l'utilisateur doit pouvoir ouvrir le produit et vérifier la source de cette affirmation. Cette dernière phrase, c'est le problème de l'éditeur énoncé par un fournisseur d'infrastructure.

Comment l'agent d'achat de Meta décide ce qu'il montre

Le 28 septembre, un chercheur écrivant sous le nom de Kalan a publié sur caeliai.com une étude de rétro-ingénierie de Muse, le nouvel agent IA de Meta. Muse a été lancé début septembre 2026 et, selon le décompte d'Apptopia cité dans le billet, a dépassé 2,8 millions d'installations dans le monde en 12 jours, avec environ 642 000 utilisateurs quotidiens aux États-Unis. C'est plus rapide que le lancement mobile initial de ChatGPT. L'étude est inhabituellement précise sur la couche de récupération. Kalan rapporte avoir trouvé le programme de catalogue dans /opt/hatch/bin/meta-catalog-search, une socket de travail protégée dans /run/hatch/privsep/meta-catalog-search.sock, des instructions d'achat dans un fichier appelé shopping-SKILL.md, et un ranking_score attaché à chaque produit. Dans les tâches d'achat décrites, Muse a renvoyé 40 à 71 produits avec des scores, les a vérifiés sur les sites des détaillants via un navigateur, et a présenté deux ou trois cartes à l'utilisateur.

Kalan note aussi que les résultats bruts du catalogue contenaient des liens de débogage internes pointant vers le réseau interne de Meta. Le seul lien ouvert, le 28 septembre, n'affichait que la page de connexion interne de Meta.

Je n'ai pas de compte Meta, donc je n'ai que les adresses, pas ce qu'il y a derrière.

Le billet précise que le décodeur a été écrit pour lire un programme Rust compilé de 11,7 Mo sans l'exécuter, et que les expériences ne modifiaient qu'une variable à la fois et étaient répétées trois fois. À prendre comme le récit d'un chercheur, pas comme une communication de Meta. La description de Meta, publiée le 8 septembre 2026 et citée dans le billet, indique que le Muse de chaque utilisateur tourne dans sa propre section isolée d'une machine virtuelle dédiée, avec un navigateur, un dossier de travail, des outils en ligne de commande, des compétences et des agents auxiliaires. Les connecteurs intégrés s'exécutent dans des workers protégés séparés.

L'implication commerciale est simple. Si un agent d'achat renvoie 40 à 71 candidats et en montre deux ou trois, c'est la fonction de classement qui décide qui sera vu. Les éditeurs et les commerçants ne la contrôlent pas.

L'évaluation de la recherche reste difficile, et cela compte pour toute la chaîne

Le billet très lu de Doug Turnbull sur l'évaluation par LLM-juge, republié sur son blog le 28 septembre, est un correctif utile pour quiconque suppose que ces classements sont réglés. En testant la pertinence par paires sur le jeu de données de meubles WANDS, il a constaté qu'un choix forcé gauche/droite donnait 75,08 % de précision à 100 % de rappel sur 1 000 paires. Autoriser le modèle à répondre « Neither » faisait monter la précision à 85,38 %, mais réduisait le rappel à 17,10 %. Sa solution est simple et vaut la peine d'être répétée : poser la même question avec les produits inversés, et n'accepter le verdict que si le modèle est cohérent dans les deux sens. C'est le genre de détail méthodologique qui survit rarement à une annonce produit.

À la même période, MongoDB a annoncé MongoDB 9.0, Atlas Infinite et Atlas Agent Engine le 29 septembre, avec une note du PDG par intérim sur le blog de l'entreprise le même jour. L'éditeur présente Atlas Agent Engine comme fournissant mémoire, exécution et gouvernance pour les agents en production. Il est ouvert à tout modèle ou framework et bâti sur des standards dont le Model Context Protocol pour les outils, A2A pour la délégation entre agents et OpenTelemetry pour les traces. Les tarifs concernent une préversion publique et peuvent changer, indique l'entreprise.

Deux autres billets du 29 septembre complètent la plomberie. Unblocked a publié les détails d'un routeur adaptatif qui déplace le trafic LLM entre Baseten, Fireworks et CoreWeave, tous servant GLM 5.2. En tourniquet, Fireworks a pris 51 % des tâches et Baseten 49 %, alors même que les prix de Fireworks étaient 25 % plus élevés et que Baseten était plus rapide, écrit l'entreprise. Avec un ordre fixe, Baseten a servi 98,5 %. Les prix catalogue de CoreWeave étaient environ 45 % inférieurs à ceux de Baseten. Loro a publié de son côté un argument selon lequel les CRDT ne suffisent pas pour la synchronisation local-first. L'entreprise décrit un cas où un index de conversation se synchronisait, mais pas le corps des messages, laissant l'utilisateur devant une notification sans rien derrière.

D'où les lecteurs sont censés venir

Rien de tout cela ne prouve que les visites issues de la recherche vont s'effondrer. Cela montre où va l'investissement. Le document du NBER est une mesure implicite de marché, pas une mesure de la production, et ses auteurs le présentent comme tel. Les billets de Manticore et de MongoDB sont des arguments de fournisseurs. L'étude sur Muse est le récit d'un chercheur indépendant, avec une note explicite indiquant qu'il n'a pas accès aux systèmes internes de Meta.

Pour les éditeurs, la lecture pratique est plus étroite. La couche de réponse est construite par des entreprises dont l'incitation est de résoudre la requête, pas d'acheminer le lecteur. Si le catalogue derrière un agent d'achat est noté, filtré et rendu sous forme de deux ou trois cartes, le trafic qui arrivait autrefois d'une page de résultats ne disparaît pas d'un coup. Il est absorbé une requête à la fois.