Combiner raisonnement et outils

Aller plus loin avec les outils avancés

Vous savez désormais utiliser GPT-5.6 avec Code Interpreter et Web Search. Cette leçon explore les combinaisons avancées : enchaîner les outils de façon stratégique, se servir du raisonnement pour les piloter et construire des workflows véritablement autonomes.

Le raisonnement comme pilote d’outils

La différence entre un modèle qui répond sans réfléchir et un modèle en raisonnement qui utilise des outils est fondamentale. À partir d’un niveau medium, GPT-5.6 planifie quels outils utiliser et dans quel ordre, évalue les résultats de chaque outil avant de continuer, adapte sa stratégie quand un outil ne retourne pas ce qu’il attendait, et combine les sorties en une conclusion cohérente. Concrètement, il ne se contente pas d’exécuter du code quand vous le demandez : il réfléchit au problème, décide que le code est le meilleur moyen de le résoudre, écrit le code approprié, analyse le résultat, puis décide s’il faut aller plus loin. La nuance paraît subtile ; elle change tout sur un workflow de quatre appels d’outils, où une mauvaise décision initiale se propage jusqu’au bout.

Côté API, la Responses API pousse cette logique avec le Programmatic Tool Calling : le modèle écrit de petits programmes qui orchestrent les appels d’outils et filtrent les résultats intermédiaires, au lieu de les enchaîner un par un. Pour les workflows lourds, le réglage ultra peut en outre coordonner plusieurs agents en parallèle, au prix d’une consommation de tokens nettement supérieure.

Trois patterns de combinaison

Le premier pattern — Recherche, puis Analyse, puis Code — convient aux analyses de marché et aux benchmarks, c’est-à-dire aux situations où les données n’existent pas encore chez vous.

« Cherche les parts de marché des 5 principaux cloud providers en Europe en 2025. Ensuite, à partir de ces données, crée un graphique en barres et calcule le taux de concentration du marché (indice HHI). Interprète le résultat. »

Le modèle enchaîne alors quatre temps distincts.

1. Utiliser Web Search pour collecter les données
2. Raisonner sur la fiabilité des sources
3. Utiliser Code Interpreter pour le graphique et le calcul
4. Raisonner sur l’interprétation économique

Le deuxième temps est celui qu’on oublie en écrivant le prompt, et c’est pourtant lui qui vous évite de bâtir un indice HHI sur des chiffres approximatifs.

Le deuxième pattern inverse le point de départ : il part de vos données pour les enrichir de l’extérieur — Données, Code, Recherche, Synthèse.

« Voici mon fichier de ventes par pays (CSV). Calcule le taux de croissance par pays, puis cherche le taux de croissance du PIB de chaque pays sur la même période. Identifie les pays où notre croissance dépasse celle du PIB (surperformance) et ceux où c’est l’inverse. »

Le troisième pattern, le code itératif avec raisonnement, exploite la capacité du modèle à écrire du code, analyser le résultat, repérer un problème et réécrire — le tout automatiquement. Vous pouvez même lui indiquer la méthode de repli.

« Voici un dataset de transactions (CSV). Détecte les anomalies statistiques. Si la première méthode (z-score) ne donne pas de résultats clairs, essaie l’isolation forest. Choisis la méthode la plus pertinente et explique pourquoi. »

Reprendre la main sur les outils

Laisser le modèle décider est confortable, mais parfois vous savez déjà quel outil convient — et le lui dire est plus efficace que de le laisser explorer. Vous pouvez donc restreindre : « Sans chercher sur le web, analyse uniquement les données du fichier joint et donne-moi tes conclusions basées exclusivement sur ces données », ou encore « N’utilise pas Code Interpreter pour cette question. Raisonne uniquement à partir des informations que je te donne. »

Sur les workflows longs, insérez des points de contrôle plutôt que de tout lancer d’un bloc : « Étape 1 : calcule les métriques de base et montre-moi les résultats avant de continuer. Étape 2 (après ma validation) : enrichis avec les données web. Étape 3 : produis le rapport final. » Vous gardez ainsi la possibilité d’arrêter le processus avant qu’une erreur ne se propage aux étapes coûteuses.

Des visualisations qui demandent du jugement

La combinaison raisonnement plus Code Interpreter brille particulièrement quand la visualisation elle-même suppose des décisions : quel type de graphique, quels seuils, quelle mise en évidence.

« Voici mes données de performance (Excel). Crée un dashboard en une page avec : (1) le graphique le plus pertinent pour chaque métrique — choisis toi-même le type de graphique selon la nature des données, (2) une mise en évidence automatique des anomalies, (3) un code couleur vert/jaune/rouge basé sur des seuils que tu détermineras en fonction de la distribution des données. »

Le modèle raisonne sur le type de graphique optimal métrique par métrique, calcule des seuils statistiquement pertinents au lieu de les inventer, et produit le code correspondant. C’est exactement le travail qu’un analyste ferait avant d’ouvrir son éditeur.

Mise en pratique

Testez ce workflow complet avec GPT-5.6 Sol en raisonnement high.

« Je vais te donner un fichier CSV de dépenses mensuelles par catégorie sur 24 mois. Je veux :

1. Identifie les 3 catégories avec la plus forte augmentation (Code Interpreter)
2. Pour chacune, cherche si c’est une tendance nationale ou spécifique à mon cas (Web Search)
3. Produis un graphique comparatif : mes dépenses vs tendance nationale (Code Interpreter)
4. Rédige une synthèse avec recommandations (raisonnement pur) Montre-moi les résultats de chaque étape. »

Pendant l’exercice, surveillez ce qui se passe quand Code Interpreter échoue. Le modèle réessaie automatiquement, ce qui est une bonne chose ; mais si le problème vient de vos données, aucune quantité de réécriture ne le résoudra — vérifiez alors le fichier plutôt que de relancer. Gardez aussi à l’esprit qu’au-delà de trois ou quatre appels d’outils dans une même requête, la qualité peut se dégrader : découpez en étapes. Et pensez à télécharger les graphiques et tableaux produits avant de fermer la conversation, ce sont des fichiers, pas des images collées dans le fil.

Points clés à retenir

• Le raisonnement de GPT-5.6 pilote les outils de façon stratégique, pas mécanique
• Trois patterns clés : Recherche→Analyse→Code, Données→Code→Recherche, Code itératif
• Côté API, le Programmatic Tool Calling permet au modèle d’orchestrer les outils par programme
• Vous pouvez forcer ou restreindre l’utilisation des outils selon vos besoins
• Insérez des points de contrôle dans les workflows longs pour garder le contrôle