Meilleures API de Deep Research : prix, vitesse et benchmarks

Les meilleures API de Deep Research en un coup d’œil

Vous avez besoin de plus qu’une simple recherche. L’API doit être capable de planifier plusieurs recherches, lire et recouper différentes sources, puis générer un rapport sourcé exploitable par programmation.

Le problème est que les benchmarks publiés par les fournisseurs sont souvent contradictoires, car ils utilisent des tests, des variantes de modèles et des méthodologies différentes. La colonne consacrée aux benchmarks présente volontairement ces écarts. La section suivante explique pourquoi ces scores ne sont pas directement comparables.

Qu’est-ce qu’une API de Deep Research ?

Une API de Deep Research exécute une boucle de recherche itérative plutôt qu’un simple appel de récupération d’informations. Elle décompose généralement une question en sous-questions, recherche des sources pertinentes, analyse leur contenu, recoupe les informations, puis synthétise les résultats dans une réponse accompagnée de citations.

C’est la principale différence avec une API de recherche web. Une API de recherche renvoie généralement des liens, des extraits, des classements ou du contenu extrait de pages web. Une API de Deep Research va plus loin : elle détermine les prochaines informations à rechercher, combine les données provenant de plusieurs sources, tente de résoudre les informations contradictoires et génère un rapport sourcé.

Ce travail supplémentaire explique également les temps d’exécution. Une requête de recherche classique peut être traitée en quelques millisecondes ou quelques secondes. Une recherche approfondie peut prendre plusieurs minutes, voire plusieurs heures pour les modes les plus poussés, car l’agent peut effectuer de nombreuses recherches, ouvrir plusieurs documents, analyser des PDF, réexaminer ses premières hypothèses et générer une réponse finale plus détaillée.

Vous ne devez pas utiliser une API de Deep Research pour chaque requête. Ce type d’API n’est pas adapté aux recherches factuelles simples, aux questions-réponses courtes ou aux tâches pour lesquelles une seule recherche suffit. Ces appels sont généralement plus lents et plus coûteux, car ils exécutent plusieurs étapes de recherche et de raisonnement derrière une seule requête.

Utilisez-en une lorsque la qualité de la réponse dépend d’une analyse croisée de plusieurs sources, et pas simplement de la capacité à trouver la bonne page.

Pourquoi les scores des benchmarks ne concordent-ils pas ?

Perplexity Sonar Deep Research obtient 26,9 % sur DeepSearchQA selon les mesures de Parallel, mais 70,5 % sur DRACO selon celles de Valyu. L’écart est suffisamment important pour qu’aucun de ces scores ne soit considéré comme une mesure universelle de la qualité d’une API de Deep Research.

Le premier problème est que ces benchmarks ne sont pas des classements neutres. Les fournisseurs choisissent le benchmark à publier, la configuration à utiliser et le produit ou niveau concurrent auquel se comparer. Même le tableau précédent ne compare pas toujours des configurations strictement identiques. Parallel est représenté par Ultra2x sur DeepSearchQA et Ultra8x sur DRACO. OpenAI est évalué avec GPT 5.2 Pro sur un benchmark et Deep Research o3 sur l’autre. Exa est testé avec Research Pro dans un cas et Deep Reasoning dans l’autre.

Un classement basé uniquement sur un score global est donc beaucoup moins fiable qu’il n’y paraît.

Les benchmarks n’évaluent pas non plus exactement les mêmes capacités. DeepSearchQA, créé par Google DeepMind, comprend 900 tâches en plusieurs étapes réparties dans 17 domaines. DRACO, le benchmark de Perplexity, contient 100 tâches de recherche longue réparties dans 10 domaines professionnels. Les performances peuvent donc varier fortement selon la répartition des tâches, la méthode de notation, le format de rapport attendu et le niveau de profondeur demandé.

Autre difficulté : les résultats publiés pour DeepSearchQA ne concordent même pas entre eux.

Parallel annonce 72,6 % pour son propre système Ultra2x, 64,3 % pour Gemini Deep Research, 61 % pour OpenAI GPT 5.2 Pro, 27 % pour Exa Research Pro et 26,9 % pour Perplexity Sonar Deep Research. De son côté, Perplexity affirme être à l’état de l’art sur DeepSearchQA et ResearchRubrics de Scale AI. You.com présente quant à lui son Research API comme « #1 sur DeepSearchQA ».

Ces affirmations ne peuvent pas toutes constituer un classement unique et stable. Elles peuvent provenir de configurations différentes, de méthodes d’évaluation distinctes, de versions différentes des systèmes ou de conditions de test non comparables. La conclusion pratique est simple : lorsqu’un fournisseur publie lui-même un benchmark sur lequel il arrive en tête, considérez le résultat comme un indicateur marketing, et non comme un classement indépendant.

Le problème se complique encore avec les évaluations publiques. Un article publié sur arXiv en 2026 analyse le phénomène de search-time contamination dans les agents de Deep Research : pendant leurs recherches sur le web, les agents peuvent tomber sur des éléments publics liés au benchmark ou sur des informations concernant son évaluation. Cela peut artificiellement améliorer les scores sans garantir des performances équivalentes sur des requêtes de production inédites.

Les scores publiés restent néanmoins utiles. Ils permettent d’identifier les systèmes qui méritent d’être testés et de mettre en évidence des écarts importants dans un cadre d’évaluation précis. Ils ne doivent toutefois pas suffire à choisir votre fournisseur.

Pour un usage en production, constituez votre propre jeu d’évaluation avec 20 à 50 requêtes représentatives de vos futurs cas d’usage. Conservez les mêmes questions, exigences en matière de sources, formats de sortie et critères de notation pour tous les fournisseurs. Comparez ensuite la qualité des citations, l’exactitude factuelle, la couverture des sources, l’utilité du rapport, le temps d’exécution et le coût avec les configurations que vous utiliseriez réellement en production.

Considérez chaque score de benchmark publié comme un indicateur de tendance, et non comme un classement définitif.

Comment nous avons regroupé ces API

Nous ne publions pas de classement de 1 à 8. Les données de benchmark présentées dans la section précédente ne permettent pas d’établir un classement fiable, et ces produits ne répondent pas tous au même besoin.

Nous les regroupons donc selon le type de tâche qu’ils permettent d’accomplir.

• Tier A - recherche agentique complète : vous envoyez une question et obtenez en retour un rapport sourcé. Cette catégorie inclut Parallel, You.com, Valyu et Perplexity.
• Tier B - briques de recherche : vous obtenez des endpoints de recherche, d’extraction et de récupération de contenu que vous pouvez assembler pour créer votre propre boucle de recherche. Cette catégorie inclut Exa, Tavily et Firecrawl.

Meilleures API de recherche agentique complète en 2026

Parallel Task API

Parallel Task API est conçue pour la recherche agentique complète, depuis les réponses courtes jusqu’aux rapports détaillés et aux sorties structurées.

Comment fonctionne-t-elle ? Elle s’appuie sur l’index web propriétaire de Parallel, qui couvre des milliards de pages. Le système utilise un classement optimisé pour limiter l’utilisation de tokens afin de sélectionner les contenus pertinents, puis effectue du crawling en temps réel lorsque nécessaire, notamment sur les pages fortement dépendantes de JavaScript et les PDF. Cela lui permet de combiner recherche indexée et accès à des pages récentes au sein d’un même workflow.

Tarification. La tarification est répartie sur neuf niveaux de traitement. Les prix publiés incluent Lite à 5 $ pour 1 000 requêtes, Pro à 100 $, Ultra à 300 $, Ultra2x à 600 $ et Ultra8x à 2 400 $ pour 1 000 requêtes. Les tarifs des autres niveaux ne sont pas publiés dans les données disponibles.

Temps d’exécution. Non publié.

Sortie. L’API peut renvoyer des résumés courts, des rapports complets ou des données structurées. Les détails concernant le format des citations et les pistes d’audit ne sont pas publiés dans les données disponibles.

Benchmarks. Parallel a publié ses propres résultats sur DeepSearchQA : Ultra2x atteint 72,6 %, Ultra 68,5 % et Pro 62 %. Une évaluation DRACO distincte publiée par Valyu attribue 51,2 % à Parallel Ultra8x.

Idéal pour. Les équipes qui recherchent une seule API capable de couvrir des résumés rapides, des rapports approfondis et des sorties structurées, avec accès à la fois à un large index propriétaire et à du crawling en temps réel.

À surveiller. Les scores DeepSearchQA les plus élevés sont publiés par Parallel lui-même. Un résultat tiers de Valyu place Ultra8x à 51,2 % sur DRACO : il ne faut donc pas considérer les scores DeepSearchQA du fournisseur comme un classement indépendant. Le temps d’exécution n’est pas non plus publié, et les tarifs disponibles ne couvrent pas les neuf niveaux.

You.com Research API

You.com Research API est conçue pour mener une recherche agentique complète à partir d’une question, puis générer un rapport sourcé après avoir recherché et recoupé plusieurs sources.

Comment fonctionne-t-elle ? Le système commence par planifier une stratégie de recherche, lance plusieurs recherches, analyse les contenus obtenus et recoupe les sources avant de générer la réponse finale. Son système ARI peut lire jusqu’à 400 sources, tandis qu’ARI Enterprise étend cette capacité à plus de 500 sources issues du web, de données internes et de sources premium.

Tarification. Lite coûte 6,50 $ pour 1 000 requêtes, Standard 50 $, Deep 100 $ et Exhaustive 300 $. Un niveau Frontier est également proposé, mais son prix n’est pas publié dans les données disponibles.

Temps d’exécution. ARI termine une recherche en moins de cinq minutes.

Sortie. La Research API renvoie du Markdown avec des citations intégrées. ARI peut également générer des rapports PDF sourcés avec des visualisations interactives. Une Finance Research API distincte est disponible pour les cas d’usage liés à la finance.

Benchmarks. You.com présente sa Research API comme « #1 sur DeepSearchQA », une affirmation publiée par You.com lui-même. Valyu a de son côté attribué à You.com un score de 52,9 % sur DRACO.

Idéal pour. Les équipes qui ont besoin d’un système capable de lire plusieurs centaines de sources et de produire du Markdown sourcé ou des rapports PDF directement présentables, notamment lorsque des sources internes ou premium doivent être intégrées via ARI Enterprise.

À surveiller. L’affirmation « #1 sur DeepSearchQA » est auto-publiée et ne doit donc pas être considérée comme un classement indépendant. Le prix du niveau Frontier n’est pas publié. ARI Enterprise dispose également d’un accès aux sources plus large que la configuration ARI standard : comparez donc le niveau que vous prévoyez réellement de déployer.

Linkup

est un fournisseur français de recherche IA couvrant aussi bien la recherche web rapide que les recherches asynchrones en plusieurs étapes.

Comment fonctionne-t-elle ? Linkup propose trois endpoints principaux : Fetch pour récupérer des pages spécifiques, Search pour obtenir des réponses sourcées en moins d’une seconde avec des extraits en texte intégral, et Research pour les requêtes asynchrones en plusieurs étapes. Vous pouvez ajuster l’index, la sélection des sources et les paramètres de fraîcheur selon votre cas d’usage.

Tarification. Standard Search coûte 0,005 $ par requête, soit 5 $ pour 1 000 requêtes. Deep Search coûte 0,05 $ par requête, soit 50 $ pour 1 000, exactement 10 fois plus. Research est facturé selon le niveau de raisonnement à 0,25 $, 0,50 $, 1,50 $ ou 2,50 $ par exécution, soit respectivement 250 $, 500 $, 1 500 $ ou 2 500 $ pour 1 000 requêtes. Linkup propose également 4 000 requêtes gratuites par mois ou 20 $ de crédit mensuel. Le blog de Linkup mentionne « 5 € / 1 000 », tandis que d’autres sources indiquent 5 $ : vérifiez donc la devise réellement utilisée avant d’estimer vos coûts.

Temps d’exécution. /search fonctionne en moins d’une seconde. Le temps d’exécution de l’endpoint asynchrone /research n’est pas publié. Linkup annonce une disponibilité de 99,9 %, couverte par un SLA.

Sortie. Search renvoie des réponses sourcées avec citations et extraits en texte intégral. Research prend en charge les requêtes en plusieurs étapes. Les données disponibles ne précisent pas d’autres formats de rapports ou options d’export de piste d’audit.

Benchmarks. Linkup annonce un F-score de 92 % sur Verified SimpleQA pour son API de recherche en moins d’une seconde et 61 % sur SealQA-0 pour /research, avec une première place revendiquée dans les deux comparaisons. Ces résultats sont publiés par Linkup. Contrairement aux autres scores présentés dans cet article, Linkup fournit également un framework public et reproductible pour Verified SimpleQA sur GitHub.

Idéal pour. Les équipes qui recherchent à la fois une recherche à faible latence et une recherche approfondie asynchrone, avec un contrôle explicite sur les sources et leur fraîcheur. Linkup s’intègre au SDK OpenAI, à LangChain et à CrewAI, et est également disponible via Eden AI, aux côtés de Firecrawl.

À surveiller. Les benchmarks restent publiés par le fournisseur, mais Linkup est le seul acteur de cet article à proposer un framework d’évaluation public et reproductible. Les autres principaux scores mentionnés ici ne sont pas indépendamment reproductibles à partir des données disponibles. Vérifiez également si Standard Search est facturé en euros ou en dollars.

Valyu DeepResearch

‍Valyu DeepResearch est conçue pour les recherches longues nécessitant l’accès à des sources spécialisées allant au-delà du web public.

Comment fonctionne-t-elle ? Elle mène des recherches en plusieurs étapes à travers du contenu web public ainsi que des bases de données spécialisées et propriétaires. Sa couverture comprend notamment les dépôts SEC, PubMed, bioRxiv, medRxiv, ClinicalTrials.gov, l’USPTO et les brevets internationaux, les documents de la FDA, FRED, BLS, la Banque mondiale, le FMI, les marchés en temps réel, les publications académiques et les données juridiques.

Tarification. Valyu propose quatre niveaux : Fast, Standard, Heavy et Max. Le fournisseur publie les montants de 100 $, 500 $, 2 500 $ et « 15 $ par requête », mais les unités sont incohérentes sur sa page tarifaire. Vérifiez directement l’unité de facturation avant de calculer un coût pour 1 000 requêtes.

Temps d’exécution. Fast prend de 1 à 8 minutes, Standard de 5 à 20 minutes, Heavy jusqu’à 90 minutes et Max jusqu’à 3 heures.

Sortie. Valyu peut produire des fichiers Markdown, PDF, DOCX, XLSX et PPTX. Le système peut générer des formules de tableur et créer des graphiques à partir de sources primaires. Les citations intégrées renvoient vers les passages sources, les affirmations numériques sont vérifiées avant inclusion, et des captures de pages web peuvent être intégrées comme piste d’audit.

Benchmarks. Valyu annonce 72,7 % sur DRACO, 74,5 % sur ScholarQA-CS et 4,56/5 sur ScholarQA-Multi. Ces trois résultats ont été publiés par Valyu.

Idéal pour. Les workflows de recherche reposant sur des données financières, scientifiques, réglementaires, juridiques, de brevets ou de marché de première source, notamment lorsque le livrable final doit être exporté sous forme de document, tableur ou présentation.

À surveiller. Les unités tarifaires publiées sont incohérentes : il est donc impossible de calculer de manière fiable un coût standardisé pour 1 000 requêtes à partir des données disponibles. Les principaux benchmarks sont également auto-publiés par Valyu.

Perplexity Sonar Deep Research

Perplexity Sonar Deep Research est conçue pour effectuer des recherches web en plusieurs étapes et renvoyer une réponse synthétisée accompagnée de métadonnées de citation détaillées.

Comment fonctionne-t-elle ? Le système effectue plusieurs cycles de récupération et de synthèse plutôt qu’une seule recherche. Il fonctionne avec une fenêtre de contexte de 128 000 tokens et ajuste la profondeur de recherche pour chaque requête, ce qui influence également la facturation.

Tarification. Perplexity ne publie pas de coût fixe pour 1 000 requêtes de Deep Research. La tarification combine 2 $ par million de tokens d’entrée, 8 $ par million de tokens de sortie et 5 $ pour 1 000 recherches, auxquels s’ajoutent les tokens de citation. En 2026, les frais liés aux citations ne s’appliquent qu’à Deep Research. Le coût par requête varie également selon la profondeur de recherche, ce qui rend le coût total difficile à prévoir à l’avance.

Temps d’exécution. La plupart des recherches se terminent en moins de trois minutes. D’après les données de cette comparaison, il s’agit de l’option de Deep Research clé en main la plus rapide présentée ici.

Sortie. L’API renvoie des résultats issus de recherches et de synthèses en plusieurs étapes, avec des métadonnées de citation détaillées. Les autres formats de sortie ne sont pas précisés dans les données disponibles.

Benchmarks. Perplexity revendique des performances de pointe sur DeepSearchQA et ResearchRubrics de Scale AI. Ces affirmations sont publiées par Perplexity. Valyu attribue 70,5 % à Perplexity Deep Research sur DRACO, tandis que Parallel attribue 26,9 % à Perplexity Sonar Deep Research sur DeepSearchQA.

Idéal pour. Les équipes qui recherchent une API de recherche clé en main avec un temps d’exécution inférieur à trois minutes dans la plupart des cas et des métadonnées de citation détaillées.

À surveiller. La prévisibilité des coûts est le principal point faible. La facturation combine tokens d’entrée, tokens de sortie, recherches, tokens de citation et frais variables selon la profondeur de recherche. Les benchmarks sont également contradictoires : Perplexity revendique l’état de l’art sur DeepSearchQA, alors que Parallel mesure Sonar Deep Research à 26,9 % sur ce même benchmark.

Meilleures briques de recherche à assembler vous-même

Exa

‍Exa est une brique de recherche destinée à la découverte sémantique, à la recherche approfondie et à la génération de réponses, plutôt qu’un moteur dédié uniquement à la production de rapports longs.

Comment fonctionne-t-elle ? Exa utilise une recherche sémantique native basée sur les embeddings pour trouver des pages selon leur sens plutôt que de s’appuyer uniquement sur des correspondances de mots-clés. Son offre comprend la recherche standard, Deep Search, Deep-Reasoning Search, un endpoint Answer et une Agent API pour des workflows plus agentiques.

Tarification. Search coûte 7 $ pour 1 000 requêtes, Deep Search 12 $, Deep-Reasoning Search 15 $ et l’endpoint Answer 5 $ pour 1 000 requêtes. Les résumés de pages ajoutent 1 $ pour 1 000. Le prix de base inclut jusqu’à 10 résultats. L’Agent API utilise des agentComputeUnits au lieu d’une tarification fixe par requête. Le niveau d’effort « auto » est plafonné à 5 $ par exécution, tandis que le mode beta max est plafonné à 20 $. Les niveaux d’effort fixes sont facturés à un montant forfaitaire par requête.

Temps d’exécution. Non publié.

Sortie. Exa fournit des résultats de recherche, des résultats Deep Search, des réponses et, en option, des résumés de pages. Les autres formats de rapport, le comportement des citations intégrées et les détails concernant les pistes d’audit ne sont pas publiés dans les données disponibles.

Benchmarks. Parallel attribue 27 % à Exa Research Pro sur DeepSearchQA. Valyu attribue 25,9 % à Exa Deep Reasoning sur DRACO. Ces deux résultats sont publiés par des concurrents, et non par Exa.

Idéal pour. Les équipes qui construisent leur propre boucle de recherche et ont besoin de recherche sémantique avec des composants distincts pour la recherche, le raisonnement, les réponses et les agents.

À surveiller. Les scores de benchmark doivent être remis dans leur contexte. Exa est avant tout un outil de découverte testé ici sur des tâches de rédaction de rapports. De faibles scores de synthèse ne signifient donc pas nécessairement que son moteur de recherche sous-jacent est peu performant. L’Agent API utilise également un modèle de facturation différent des endpoints standards, ce qui complique les comparaisons de coût par 1 000 requêtes.

Tavily

‍Tavily est une brique de recherche destinée aux équipes qui veulent réunir recherche, extraction, crawling, cartographie et un endpoint /research dédié au sein d’une même API.

Comment fonctionne-t-elle ? Tavily propose des endpoints distincts pour search, extract, crawl, map et /research. L’endpoint /research a été lancé en 2025. Les données disponibles ne décrivent pas son mécanisme interne : la stratégie de planification, la méthode d’indexation ou encore l’architecture des modèles ne sont donc pas précisées ici.

Tarification. Tavily facture l’utilisation en crédits plutôt qu’avec un tarif fixe par requête de recherche. Growth coûte 0,005 $ par crédit, avec un forfait affiché à 500 $ par mois pour 100 000 crédits. Le paiement à l’usage coûte 0,008 $ par crédit. Une offre gratuite est disponible. Il n’est pas possible de calculer un coût propre pour 1 000 requêtes /research, car les données disponibles ne précisent pas combien de crédits consomme une requête de recherche.

Temps d’exécution. Non publié pour /research. Tavily annonce une latence médiane de 180 ms au niveau de sa plateforme, mais ce chiffre ne doit pas être interprété comme le temps d’exécution de l’endpoint de Deep Research.

Sortie. Tavily propose des sorties pour la recherche, l’extraction, la recherche approfondie, le crawling et la cartographie. Les formats spécifiques de /research, le comportement des citations et les pistes d’audit ne sont pas publiés dans les données disponibles.

Benchmarks. Non publiés dans les données disponibles.

Idéal pour. Les équipes qui construisent leur propre workflow de recherche et souhaitent disposer de briques de recherche et d’extraction ainsi que d’un endpoint de recherche dédié, avec des limites publiées de 100 requêtes par minute pour les comptes gratuits et 1 000 RPM pour les comptes payants.

À surveiller. Tavily ne publie ni le temps d’exécution de /research, ni un coût fixe pour 1 000 requêtes dans les données disponibles. Sa latence médiane annoncée de 180 ms concerne l’ensemble de la plateforme, et non spécifiquement la Deep Research. Tavily annonce plus de 300 millions de requêtes mensuelles, une disponibilité de 99,99 % et plus de 2 millions de développeurs. Nebius a acquis l’entreprise en février 2026 pour 275 millions de dollars, avec un montant total pouvant atteindre 400 millions selon certaines conditions de performance.

Firecrawl

Firecrawl doit surtout être considérée comme une brique de recherche web destinée à la recherche, à l’extraction et aux workflows batch pilotés par des agents, plutôt que comme un endpoint autonome de Deep Research.

Comment fonctionne-t-elle ? L’ancien endpoint Deep Research v1 est déprécié. Firecrawl oriente désormais les utilisateurs vers son Search API, qui combine recherche web et extraction de contenu dans un seul appel et renvoie du Markdown prêt à être utilisé par un LLM, ainsi que vers son endpoint Agent, qui prend en charge le traitement batch de nombreuses requêtes. Firecrawl renvoie également vers son projet open source Firesearch.

Tarification. L’ancien endpoint Deep Research facture 1 crédit par URL analysée. Aucun coût fixe pour 1 000 requêtes de recherche n’est publié dans les données disponibles, car le coût total dépend du nombre d’URL analysées par chaque requête.

Temps d’exécution. L’ancien endpoint accepte un timeLimit compris entre 30 et 300 secondes. Il fonctionne de manière asynchrone avec suivi de la progression. Le temps d’exécution de la Search API et de l’endpoint Agent qui le remplacent n’est pas publié dans les données disponibles.

Sortie. La Search API renvoie du Markdown prêt pour les LLM après avoir combiné recherche et extraction. L’ancien endpoint de recherche permet de suivre la progression de manière asynchrone. Les autres formats de rapport, le comportement des citations intégrées et les détails des pistes d’audit ne sont pas publiés dans les données disponibles.

Benchmarks. Non publiés dans les données disponibles.

Idéal pour. Les équipes qui souhaitent disposer de composants de recherche web et d’extraction à assembler dans leur propre workflow de recherche. Firecrawl est également le fournisseur web disponible via Eden AI.

À surveiller. L’endpoint Deep Research v1 est déprécié, et la documentation Firecrawl contient des dates contradictoires. La dépréciation a été annoncée le 2 février 2026, tandis que la documentation indique que l’endpoint reste actif jusqu’au 30 juin 2025. Ne vous appuyez sur aucune de ces dates sans vérifier l’état actuel de l’endpoint. Les produits de remplacement utilisent également un workflow différent : les tarifs et temps d’exécution de l’ancien endpoint ne doivent donc pas être appliqués à Search ou Agent.

Google Gemini Deep Research

Gemini Deep Research peut être pertinent si vous utilisez déjà l’écosystème IA de Google, mais le produit n’est pas clairement proposé comme une API de Deep Research autonome.

Comment fonctionne-t-elle ? Deep Research est disponible dans l’application Gemini grand public pour tous les niveaux d’abonnement, y compris gratuitement. Un accès programmatique existe dans l’écosystème Google au sens large, mais les données disponibles ne permettent pas de confirmer l’existence d’un endpoint Vertex AI autonome spécifiquement dédié à Deep Research. Deep Think est un produit distinct accessible via l’abonnement AI Ultra, et non comme modèle API facturé à l’usage.

Tarification. Aucun prix fixe n’est publié pour une API Gemini Deep Research. La recherche avec grounding sur Vertex coûte environ 35 $ pour 1 000 requêtes. Ce chiffre ne doit pas être utilisé comme prix direct de Gemini Deep Research.

Temps d’exécution. Non publié.

Sortie. Deep Research produit des réponses synthétisées de type rapport de recherche dans Gemini. Les formats de sortie spécifiques à l’API, les métadonnées de citation, les options d’export structuré et les pistes d’audit ne sont pas publiés dans les données disponibles.

Benchmarks. Parallel attribue à Gemini Deep Research un score de 64,3 % sur DeepSearchQA et estime son coût à environ 3 680 $ pour 1 000 requêtes. Valyu lui attribue 59,0 % sur DRACO. Le premier résultat est publié par Parallel, le second par Valyu.

Idéal pour. Les équipes déjà présentes dans l’écosystème IA de Google qui peuvent accepter une certaine ambiguïté concernant la manière dont Deep Research est exposé par API.

À surveiller. Le principal problème concerne le packaging du produit. Deep Research existe et Gemini propose des accès programmatiques, mais les données disponibles ne permettent pas de confirmer un endpoint Vertex AI autonome clairement dédié à Deep Research. N’utilisez pas le tarif d’environ 35 $ pour 1 000 recherches avec grounding comme s’il s’agissait du prix officiel d’une API Deep Research. L’estimation de 3 680 $ pour 1 000 requêtes provient de Parallel, et non de Google.

Quel est le coût réel d’une API de Deep Research pour 1 000 requêtes ?

Les tarifs ne sont directement comparables que lorsque le fournisseur facture par requête. Pour les modèles tarifaires basés sur les tokens, les crédits ou le nombre d’URL analysées, les données disponibles ici ne contiennent pas suffisamment d’hypothèses sur la charge de travail pour produire une estimation normalisée fiable. Ces lignes sont donc indiquées comme telles plutôt que remplies avec des estimations inventées.

Pourquoi la tarification au token est difficile à prévoir

Perplexity en est l’exemple le plus clair. Une requête Deep Research peut inclure des frais sur les tokens d’entrée, les tokens de sortie, les tokens de citation, ainsi que 5 $ pour 1 000 recherches. Le coût par requête varie également selon la profondeur de recherche.

Pour produire une estimation fiable, il faudrait donc connaître le nombre moyen de tokens d’entrée, de tokens de sortie, de tokens de citation et de recherches par requête. L’ANNEXE A ne fournit aucune de ces moyennes : tout coût par 1 000 requêtes serait donc artificiel. Cette variabilité est particulièrement importante en Deep Research, car deux questions utilisateur peuvent déclencher des niveaux de recherche très différents.

Parallel et You.com adoptent une approche différente. Les deux proposent des niveaux d’effort explicites. Chez Parallel, les tarifs vont de 5 $/1 000 requêtes avec Lite à 2 400 $/1 000 avec Ultra8x. You.com va de 6,50 $/1 000 avec Lite à 300 $/1 000 avec Exhaustive, avec en plus un niveau Frontier dont le prix n’est pas publié. Pour ces API, le coût est un paramètre que vous contrôlez, et non un tarif unique.

Valyu demande davantage de prudence. Sa page présente les niveaux Fast, Standard, Heavy et Max aux côtés de montants de 100 $, 500 $, 2 500 $ et « 15 $ par requête », mais les unités publiées sont incohérentes. Vérifiez directement la base de facturation auprès de Valyu avant de construire un modèle de coûts.

Le point le plus important est que l’augmentation de l’effort ne se traduit pas de manière linéaire par de meilleurs résultats aux benchmarks. Dans les résultats DeepSearchQA publiés par Parallel, Pro coûte 100 $/1 000 requêtes pour un score de 62 %, Ultra 300 $/1 000 pour 68,5 %, et Ultra2x 600 $/1 000 pour 72,6 %. Passer de Pro à Ultra2x multiplie donc le coût par six pour environ dix points supplémentaires sur ce benchmark.

Les différences de prix entre les niveaux peuvent ainsi exagérer l’écart réel de performances. Commencez par tester le niveau le moins cher capable de répondre à votre cas d’usage avant de monter en gamme.

Comment choisir une API de Deep Research

1. Avez-vous besoin d’un rapport final ou de données structurées exploitables par votre code ?

Si vous souhaitez envoyer une question et recevoir directement un résultat de recherche complet, commencez par les fournisseurs de Tier A. Parallel peut renvoyer des résumés courts, des rapports complets et des données structurées. You.com retourne du Markdown avec citations intégrées et peut produire des PDF sourcés, tandis que Valyu prend en charge Markdown, PDF, DOCX, XLSX et PPTX.

Si votre priorité est d’obtenir une sortie structurée facilement exploitable par une application, Parallel est le choix le plus clair parmi les données disponibles ici.

2. Quelle latence pouvez-vous accepter ?

Les temps d’exécution varient fortement. Perplexity indique que la plupart des recherches Deep Research se terminent en moins de trois minutes. You.com ARI termine en moins de cinq minutes. Valyu va de 1 à 8 minutes en mode Fast jusqu’à trois heures en mode Max.

Si vous avez besoin d’un résultat clé en main rapidement, Perplexity est le meilleur choix dans cette comparaison. Si des tâches plus longues sont acceptables en échange de modes de recherche plus approfondis, Valyu propose la plus large plage de temps d’exécution publiée.

3. Avez-vous besoin de sources spécialisées comme les dépôts SEC, PubMed, les brevets, les documents de la FDA ou les données économiques ?

C’est le critère le plus simple à trancher. Valyu est le seul fournisseur de cet article dont la couverture native mentionne explicitement les dépôts SEC, PubMed, bioRxiv, medRxiv, ClinicalTrials.gov, les brevets, les documents de la FDA, FRED, BLS, la Banque mondiale, le FMI, les bases juridiques et les marchés en temps réel.

Si ces sources sont essentielles à votre workload, commencez par Valyu.

4. Avez-vous besoin d’un coût prévisible ou pouvez-vous accepter une dépense variable ?

Pour faciliter les prévisions budgétaires, Parallel et You.com publient des tarifs fixes par tranche de 1 000 requêtes selon le niveau d’effort. Vous pouvez choisir une profondeur de recherche et connaître le coût de base avant l’exécution.

Perplexity est plus difficile à prévoir, car la facturation combine tokens d’entrée, tokens de sortie, tokens de citation, recherches et frais variables selon la profondeur de recherche.

Si la prévisibilité des coûts est prioritaire, commencez par Parallel ou You.com.

5. Voulez-vous un agent clé en main ou des briques de recherche à assembler vous-même ?

Pour un workflow agentique complet, choisissez parmi Parallel, You.com, Valyu ou Perplexity.

Si vous souhaitez contrôler vous-même la boucle de recherche et assembler récupération, extraction, raisonnement et synthèse, regardez plutôt Exa, Tavily ou Firecrawl. Exa se concentre sur la recherche sémantique, Tavily propose des endpoints de recherche, extraction, crawl, map et research, tandis que Firecrawl combine recherche, extraction de contenu et traitement batch de type agentique.

Ne choisissez pas un fournisseur uniquement sur la base des benchmarks publiés. Comme expliqué précédemment, les classements des fournisseurs peuvent fortement se contredire. Testez votre shortlist sur vos propres requêtes représentatives avant de choisir une solution pour la production.

Patterns d’implémentation

Obtenir une sortie structurée plutôt qu’un texte libre

Gardez la requête simple, puis extrayez uniquement les champs dont votre application a besoin à partir du JSON retourné. Vous pourrez ensuite valider ces champs dans votre application si nécessaire.

import requests

url = "https://api.edenai.run/v3/universal-ai/"
headers = {
    "Authorization": "Bearer <your-api-key>",
    "Content-Type": "application/json"
}
payload = {
    "model": "web/research_async/firecrawl",
    "input": {
        "prompt": "Research <your topic>"
    },
    "show_original_response": False
}

response = requests.post(url, headers=headers, json=payload)
data = response.json()

print(data)

‍

Pour un usage en production, ne conservez que les données dont vous avez réellement besoin plutôt que la réponse complète.

Gérer les tâches longues

Les tâches de Deep Research peuvent prendre plusieurs minutes. Il est donc préférable de soumettre la requête de manière asynchrone plutôt que de maintenir une connexion HTTP ouverte.

import requests

url = "https://api.edenai.run/v3/universal-ai/"
headers = {
    "Authorization": "Bearer <your-api-key>",
    "Content-Type": "application/json"
}
payload = {
    "model": "web/research_async/firecrawl",
    "input": {
        "prompt": "<your research query>"
    },
    "show_original_response": False
}

response = requests.post(url, headers=headers, json=payload)
data = response.json()

print(data)
# Save the returned job ID and poll Eden AI's async result endpoint.

‍

Consultez la documentation Eden AI pour connaître l’endpoint exact et le champ contenant l’identifiant du job.

Limiter le coût par exécution

N’envoyez pas de paramètres fournisseur que l’endpoint ne prend pas en charge. La méthode la plus simple consiste à appliquer vos règles budgétaires avant d’envoyer la requête de recherche et à contrôler la fréquence d’exécution des jobs coûteux.

import requests

url = "https://api.edenai.run/v3/universal-ai/"
headers = {
    "Authorization": "Bearer <your-api-key>",
    "Content-Type": "application/json"
}
payload = {
    "model": "web/research_async/firecrawl",
    "input": {
        "prompt": "<your research query>"
    },
    "show_original_response": False
}

# Check your application budget before sending the request.

response = requests.post(url, headers=headers, json=payload)
print(response.json())

‍

Pour les fournisseurs proposant des niveaux d’effort ou des tiers, sélectionnez le niveau approprié avant d’envoyer la requête et appliquez votre limite de dépenses dans votre propre application.

Exécuter des recherches approfondies via Eden AI

Si vous testez plusieurs fournisseurs de recherche, le principal coût peut rapidement devenir celui du changement d’intégration plutôt que celui de l’appel API lui-même. Eden AI réduit ce coût en exposant plusieurs fournisseurs via une passerelle API unique, avec une seule clé, un format de réponse unifié et une facturation consolidée.

Son endpoint Universal AI couvre notamment web/search, web/scraping et web/crawl_async, avec Firecrawl et Linkup comme fournisseurs. Passer de Firecrawl à Linkup ne nécessite que de modifier une partie du nom du modèle, tandis que le reste de la requête reste identique.

Pour la Deep Research en particulier, l’endpoint /research de Linkup est actuellement l’option disponible via Eden AI.

Eden AI applique des frais de plateforme de 5,5 % en plus de l’utilisation du fournisseur. Ce compromis est particulièrement pertinent si vous prévoyez de tester, comparer ou changer régulièrement de fournisseur, plutôt que d’intégrer chaque API séparément.

FAQ - Meilleures API de Deep Research : prix, vitesse et benchmarks