Le pipeline de recherche: comment j'utilise Perplexity et Claude ensemble

La plupart des gens choisissent un outil IA et l’utilisent pour tout. Ils font leurs recherches dans ChatGPT, rédigent dans ChatGPT, analysent dans ChatGPT. Ou ils font la même chose avec Claude. Ou Gemini. Un outil, une fenêtre de chat, une conversation.

C’est comme couper des légumes avec un couteau suisse. Techniquement possible. Pas idéal.

J’utilise différents outils selon la tâche, et la combinaison vers laquelle je me tourne le plus souvent est Perplexity pour la recherche et Claude pour tout ce qui vient après. Je ne suis fidèle à aucune marque. Chaque outil a une vraie force qui manque à l’autre.

Voici le workflow.

Étape 1: concevez votre prompt de recherche avec Claude

C’est l’étape que la plupart des gens sautent — et celle qui fait la plus grande différence.

Quand vous avez une question de recherche, votre premier réflexe est d’ouvrir Perplexity et de la saisir. « Quelles sont les exigences réglementaires applicables au placement de personnel de santé en Suisse? » Ça semble raisonnable. Mais vous vous privez d’une grande partie de sa valeur, parce que vous traitez Perplexity comme un moteur de recherche. C’est bien plus que ça.

Perplexity Deep Research dispose de son propre modèle de raisonnement. Quand vous lui donnez un prompt, il ne lance pas une seule recherche. Il crée des dizaines d’agents de recherche en parallèle, chacun chargé d’aborder votre question sous un angle différent. Ils cherchent de façon indépendante, comparent leurs résultats, résolvent les contradictions et réunissent le tout dans une seule réponse. C’est toute une équipe de recherche qui travaille en parallèle, et la plupart des gens lui donnent un brief d’une seule phrase.

Commencez donc par Claude et demandez-lui de rédiger le prompt destiné à Perplexity pour vous.

Voici comment je m’y prends:

« Je dois faire des recherches sur [sujet]. Aidez-moi à rédiger un prompt de recherche complet pour Perplexity Deep Research. Perplexity lancera de nombreux agents de recherche en parallèle. Le prompt doit donc comporter 10 à 15 questions précises qui abordent le sujet sous différents angles. Indiquez quelles sources prioriser, la période à couvrir, ce qu’il faut exclure et le format de sortie souhaité. »

Claude produira quelque chose comme ceci (exemple pour une recherche sur le placement de personnel de santé):

Étudiez le cadre réglementaire applicable aux plateformes de placement temporaire de personnel de santé en Suisse. Répondez aux questions suivantes:

1. Quelles sont les directives actuelles du SECO pour les agences privées de placement dans le domaine de la santé? 2. Quelles autorisations cantonales sont requises, et comment varient-elles entre les cantons germanophones? 3. Quelles certifications en matière de protection des données sont obligatoires pour les plateformes qui traitent les données personnelles du personnel de santé? 4. Comment le cadre réglementaire a-t-il évolué depuis 2024? 5. Quelles sanctions s’appliquent en cas de non-conformité? 6. Quelles mesures d’exécution récentes ont été prises contre des plateformes de placement? 7. Comment les exigences suisses se comparent-elles à la réglementation de l’UE en matière de placement? 8. Quelles associations professionnelles fixent des normes dans ce domaine? 9. Des projets de loi en cours pourraient-ils affecter ce marché? 10. Quels cadres de conformité sont utilisés en Suisse par des acteurs établis comme Adecco et Randstad?

Priorisez les sources gouvernementales officielles, les publications d’associations professionnelles et les analyses juridiques publiées après janvier 2025. Excluez les articles de blog génériques et les contenus marketing. Structurez la réponse en Markdown avec des titres de section clairs, des listes à puces pour les principales exigences et des sources en notes de bas de page.

Vous voyez la différence? Au lieu d’une question vague, vous donnez à Perplexity un brief de recherche complet. Chacune de ces questions devient un axe distinct que ses agents peuvent poursuivre en parallèle. Les contraintes filtrent le bruit. Le format de sortie vous garantit un résultat dont Claude pourra se servir à l’étape suivante.

Il faut deux minutes pour générer ce prompt. Les résultats de la recherche sont nettement meilleurs.

Étape 2: faites la recherche avec Perplexity

Prenez maintenant ce prompt et collez-le dans Perplexity Deep Research.

Pourquoi Perplexity plutôt que Claude ou ChatGPT? Parce que Perplexity a été conçu pour la recherche. Chaque réponse cite ses sources. Il cherche sur le web, lit les pages et synthétise ce qu’il trouve. Quand il me donne une information, je peux ouvrir la source et vérifier. Ce point compte lorsque l’information alimente un document stratégique, un plan d’affaires ou une base de connaissances sur laquelle d’autres personnes vont s’appuyer.

Avec votre prompt de recherche qui couvre plusieurs angles, les agents parallèles de Perplexity ont maintenant des consignes claires. Ils n’ont plus à décider seuls de ce qu’ils doivent chercher: ils couvrent en même temps tous les angles que vous avez précisés, des exigences réglementaires aux projets de loi en cours, en passant par l’historique des mesures d’exécution et la comparaison avec les cadres de l’UE.

Si le premier résultat reste trop superficiel sur une question précise, poursuivez:

« Approfondissez les exigences en matière de protection des données. Quelles certifications sont obligatoires pour les plateformes qui traitent les données du personnel de santé? »

Ce n’est pas une recherche improvisée. C’est une collecte ciblée d’informations, étayée par des sources.

L’astuce Markdown

Le geste qui fait fonctionner tout le pipeline: exporter en Markdown.

La plupart des gens copient-collent les résultats de Perplexity dans un document ou se contentent de les lire dans leur navigateur. Exportez plutôt le résultat ou copiez-le dans un fichier Markdown (.md). Markdown est du texte brut avec quelques balises de structure légères (titres, listes à puces, liens) et aucun parasite de mise en forme. Pas de styles Word invisibles, pas d’artefacts de mise en page PDF. Du texte propre et facile à analyser.

Les LLM lisent mieux le Markdown que n’importe quel autre format. C’est en quelque sorte leur langue maternelle: presque toutes leurs données d’entraînement étaient constituées de texte structuré, et Markdown est la manière la plus courante de structurer du texte sur internet. Donner un fichier Markdown plutôt qu’un PDF à un LLM, c’est comme remettre à un collègue un brief propre plutôt qu’un fax photocopié.

Étape 3: mettez Claude en contexte

Je prends alors ce fichier Markdown, qui contient ma recherche documentée et ses citations, et je l’importe dans Claude. Mais je ne commence pas simplement à poser des questions. Je fais quelque chose qui paraît contre-intuitif: je demande à Claude de rédiger ses propres instructions.

Voici le prompt:

« Vous êtes mon conseiller principal en stratégie pour [domaine]. J’ai importé un document de recherche qui constitue votre principale base de connaissances. Avant que nous commencions à travailler, rédigez un system prompt pour vous-même qui vous oblige à toujours vous appuyer sur cette recherche, à ne jamais donner de réponses génériques et à citer des constats précis du document lorsque vous formulez une affirmation. »

Claude lit la recherche, comprend le domaine et produit ses propres instructions. En substance, il crée une personnalité sur mesure fondée sur vos propres données. Il se configure lui-même.

C’est ce que j’appelle le méta-prompting: au lieu d’écrire vous-même le prompt parfait, vous laissez l’IA le rédiger à partir du contexte que vous lui avez fourni. Ça marche parce que l’IA comprend mieux ses propres capacités et limites que la plupart des utilisateurs.

Une fois que Claude a généré ses propres instructions, je les relis, je corrige ce qui ne va pas, puis nous travaillons à partir de connaissances réelles et étayées par des sources plutôt qu’à partir des données générales d’entraînement de l’IA.

Étape 4: attaquez-vous au problème

Le vrai travail commence maintenant. Et c’est là que les forces de Claude entrent en jeu: raisonnement approfondi, analyse structurée et capacité à tenir une conversation complexe sans perdre le fil.

Je pourrais dire:

« À partir de la recherche réglementaire, identifiez les trois principaux risques de conformité pour une startup qui entre sur ce marché. Pour chaque risque, proposez une stratégie d’atténuation. »

Claude puise dans la recherche importée, c’est-à-dire dans les informations précises et étayées que Perplexity a rassemblées, plutôt que dans ses données générales d’entraînement. Les réponses renvoient aux sources réelles, puisque ces sources se trouvent dans le document sur lequel il travaille.

Puis je conteste sa réponse:

« Votre deuxième risque me semble exagéré. Dans la pratique, la plupart des cantons n’appliquent pas cette exigence aux entreprises de moins de 50 personnes. Remettez votre propre raisonnement en question: où pourriez-vous vous tromper? »

C’est ainsi que je travaille avec l’IA en général: dans une conversation itérative, pas avec une seule requête. Commencez par une question large, contestez le résultat, affinez, poussez plus loin. L’IA s’améliore à chaque tour parce qu’elle s’appuie sur un contexte plus riche.

Pourquoi c’est mieux qu’un seul outil

Pourquoi ne pas faire la recherche directement dans Claude?

Trois raisons.

Les sources. Claude ne cherche pas sur le web en temps réel (ou, lorsqu’il le fait, de manière moins approfondie que Perplexity). Quand j’ai besoin de faits actuels et vérifiables, il me faut un outil conçu pour ça. Perplexity me donne des sources que je peux vérifier. Claude me donne un raisonnement sur lequel je peux m’appuyer. Deux tâches différentes.

La séparation des tâches. La recherche et l’analyse sont deux tâches cognitives différentes. Les mélanger dans une même conversation produit des résultats confus: l’IA cherche à moitié et analyse à moitié, sans bien faire ni l’un ni l’autre. Les séparer impose des passages de relais nets.

La traçabilité. Le fichier Markdown est une trace durable. Si quelqu’un remet mon analyse en question six mois plus tard, je peux lui montrer la recherche qui l’a alimentée, avec ses sources et ses dates. Si j’avais tout fait dans une seule conversation Claude, ce contexte serait dispersé dans l’historique du chat.

Quand le pipeline est superflu

Tout n’a pas besoin d’un pipeline. Si je rédige rapidement un e-mail, cherche des idées ou discute librement d’un sujet que je connais bien, j’ouvre simplement Claude et je commence à parler. Le pipeline sert aux situations où l’enjeu exige de partir d’une recherche étayée par des sources.

Bons cas d’usage:

• Analyse de marché pour un nouveau produit ou une entrée sur un nouveau marché
• Briefings de veille concurrentielle
• Recherche réglementaire pour des décisions de conformité
• Audit préalable de partenaires ou fournisseurs potentiels
• Construction d’une base de connaissances pour le système IA de votre entreprise

Ça n’en vaut pas la peine pour:

• Rédiger un e-mail
• Chercher rapidement des idées
• Tout ce pour quoi « à peu près juste » suffit

La vision d’ensemble

Ce pipeline est le premier pas vers quelque chose de plus puissant. Dès que vos recherches étayées par des sources sont enregistrées dans des fichiers Markdown, vous pouvez commencer à construire une base de connaissances durable. Au lieu de recherches ponctuelles qui restent dans une conversation et finissent par être oubliées, vous créez des artefacts structurés qui s’accumulent avec le temps.

C’est le socle de ce que j’appelle un Company AI Operating System: un système dans lequel l’IA ne répond pas seulement à partir de ses données d’entraînement, mais à partir des connaissances réelles et vérifiées de votre entreprise. Le pipeline de recherche est la source de ces connaissances.

Et une fois ce socle en place, la suite devient encore plus intéressante: au lieu de poser des questions à l’IA, vous laissez l’IA vous interviewer pour extraire les connaissances qui se trouvent dans votre tête mais n’ont jamais été mises par écrit.

Mais ce sera l’objet d’un autre guide.