Connectors : brancher votre drive et vos outils

Les connectors permettent à ChatGPT de lire dans vos outils de travail (Google Drive, SharePoint, OneDrive, GitHub et d'autres) de sorte que les réponses proviennent de vos propres documents plutôt que de l'entraînement général du modèle. Vous posez une question en langage courant, ChatGPT cherche dans la source connectée, récupère les passages pertinents et répond avec des citations renvoyant aux fichiers d'origine.

C'est du RAGRAGMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète →, mais sans construire le pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète →. OpenAI héberge l'indexation, la récupération et les contrôles de permissions. Vous autorisez simplement la connexion.

Ce que fait réellement un Connector

Un Connector est un pont autorisé entre votre compte ChatGPT et une source de données externe. Quand vous connectez Google Drive, vous accordez à ChatGPT la permission (via OAuth) de chercher et lire des fichiers en votre nom.

Deux modes comptent :

• Recherche synchronisée / indexée. Certains connectors indexent votre contenu à l'avance pour que ChatGPT puisse faire une recherche sémantiquerecherche sémantiqueRecherche qui repose sur le sens et l'intention plutôt que sur les mots exacts, reliant requête et résultat même sans mots communs.Voir la définition complète → rapide sur de nombreux fichiers. C'est ce qui permet le comportement « cherche dans tous mes docs ».
• Récupération à la demande. ChatGPT va chercher un fichier précis quand la conversation l'exige, par exemple lorsque vous faites référence à un tableur particulier.

Point essentiel : le modèle ne reçoit pas une copie de tout votre Drive déversée dans la context windowcontext windowLa context window est la quantité maximale de texte (mesurée en tokens) qu'un modèle de langage peut traiter en une seule fois, prompt d'entrée et sortie générée compris.Voir la définition complète →. Il lance une recherche, récupère les chunks les plus pertinents et raisonne dessus. Vos fondamentaux expliquaient pourquoi : la context window est finie, donc la retrieval l'emporte sur le remplissage.

Consultez la présentation officielle sur help.openai.com pour la liste à jour des sources prises en charge, qui s'élargit régulièrement.

Un exemple concret de « réponse à partir de nos docs internes »

Admettons que votre équipe garde tout dans Google Drive : un `Pricing Policy 2026.gdoc`, un dossier de contrats clients signés et un `Security Questionnaire Responses.xlsx`.

Vous connectez Google Drive une fois (Paramètres, puis Connectors, puis autoriser). Ensuite, dans un chat normal :

« Quel est notre plafond de remise standard pour les deals pluriannuels, et quels contrats font exception ? Cite les docs. »

ChatGPT va :

1. Chercher dans votre Drive connecté les fichiers pertinents (le doc de pricing, le dossier des contrats).
2. Récupérer les passages correspondants.
3. Synthétiser une réponse du type : « Le plafond standard est de 15 % pour les durées de 2 ou 3 ans (Pricing Policy 2026, section 4). Deux contrats le dépassent : Acme (20 %) et Globex (18 %). »
4. Afficher des citations renvoyant aux fichiers sources.

Cette dernière étape est le cœur du sujet. Vous pouvez cliquer et vérifier. Une réponse sans source traçable est un risque ; une réponse citée issue de votre propre contrat est exploitable.

Ce à quoi le connector accède (et ce à quoi il n'accède pas)

C'est là que les professionnels se trompent, donc soyons précis.

Les permissions sont héritées, pas accordées. Quand vous connectez Google Drive, ChatGPT agit en tant que *vous*. Il ne peut voir que les fichiers que votre compte Google peut déjà voir. Si un dossier est partagé avec vous, il est accessible. Sinon, le connector ne le fera pas apparaître par magie. Cela compte surtout dans les configurations Workspace et Enterprise où les permissions documentaires sont strictement cadrées.

Le périmètre peut être restreint. Les connectors et les contrôles admin vous permettent de limiter ce qui est connecté. Une organisation peut restreindre les connectors disponibles, et vous pouvez souvent limiter une connexion à des dossiers précis plutôt qu'à un drive entier.

Le contenu indexé réside dans les systèmes d'OpenAI pour la retrieval. Pour les connectors synchronisés, le contenu est traité et stocké afin d'être interrogeable. Lisez les conditions relatives aux données de votre plan. Sur Team, Enterprise et Edu, les données professionnelles ne sont pas utilisées par défaut pour entraîner les modèles d'OpenAI. Voir openai.com/enterprise-privacy pour les engagements en vigueur.

Supprimer la connexion supprime l'accès. Révoquez l'autorisation OAuth dans ChatGPT (ou dans les paramètres de sécurité Google) et le pont disparaît.

Une règle mentale rapide : **un Connector n'*élève* jamais votre accès. Il ne fait qu'*exposer* ce que vous avez déjà**, à un modèle qui lit vite.

Connectors vs Actions vs uploads de fichiers

Vous disposez désormais de trois façons d'amener des données externes dans ChatGPT, et elles ne sont pas interchangeables.

La distinction qui compte : les Connectors lisent vos sources de connaissance ; les Actions appellent des API. Un Connector répond à « que dit notre politique ? ». Une Action fait « crée le ticket Jira » ou « vérifie le statut en direct de cette commande ». Nous avons traité les Actions dans la leçon précédente ; les Connectors en sont le pendant orienté lecture.

Les connectors dans les projects et les custom gpts

Les connectors gagnent en puissance quand ils sont cadrés.

Dans un Project, vous pouvez attacher des sources connectées aux côtés des fichiers du projet et des instructions personnalisées. Chaque chat dans ce Project répond alors à partir du même contexte ancré. Un Project « Réponses aux RFP Q4 » avec votre Drive connecté signifie que chaque réponse rédigée puise dans le matériau source réel et à jour, sans rien re-uploader.

Dans un Custom GPT, un créateur peut câbler un connector pour que tous les utilisateurs du GPT interrogent une base de connaissance partagée et autorisée. Imaginez un GPT interne « Sales Answer Bot » connecté au SharePoint de l'équipe. Chaque utilisateur ne voit toujours que ce que ses propres permissions autorisent, mais le comportement du GPT et sa source sont standardisés.

C'est la différence entre un prompt astucieux et un outil interne déployable : la source de vérité est fixée, et les réponses restent à jour à mesure que les fichiers sous-jacents évoluent.

L'angle deep research et agent

Les connectors ne servent pas qu'aux Q&R ponctuelles. Ils alimentent les modes plus autonomes de ChatGPT.

Quand vous lancez une deep research ou l'agent ChatGPT, les sources connectées font partie de la boîte à outils de l'agent. Une recherche peut puiser dans votre Drive interne *et* sur le web dans la même tâche. Par exemple : « Compare notre politique de pricing actuelle aux trois pages concurrentes que je vais coller, et signale où nous sommes sous-cotcotTechnique de prompting qui amène un modèle de langage à produire des étapes de raisonnement intermédiaires avant de donner sa réponse finale, ce qui améliore la précision sur les tâches complexes.Voir la définition complète →és. » Il lit votre doc interne via le connector et les pages concurrentes via le browsing, puis raisonne sur les deux.

Vous pouvez aussi associer cela à des scheduled tasks pour obtenir un briefing ancré récurrent, par exemple un résumé du lundi des changements dans un dossier Drive suivi.

Quand l'interface ChatGPT ne suffit plus : le construire soi-même

Les Connectors ChatGPT sont la voie no-code. Quand vous avez besoin de ce comportement dans *votre propre* application, vous passez à l'API OpenAI, où la capacité équivalente est le file search sur un vector storevector storeUne vector database stocke les données sous forme de vecteurs numériques à haute dimension (embeddings) et retrouve les éléments par similarité plutôt que par correspondance exacte, ce qui rend possible la recherche sémantique et les applications d'IA.Voir la définition complète → via la Responses API.

Le pattern : chargez vos documents dans un vector store une fois, puis attachez ce store comme outil. Le modèle récupère et cite automatiquement, exactement comme un Connector dans l'interface, mais cette fois dans votre produit.

from openai import OpenAI

client = OpenAI()

# 1. Créez un vector store et ajoutez-y vos docs internes.
store = client.vector_stores.create(name="internal-policy-docs")
client.vector_stores.files.upload_and_poll(
    vector_store_id=store.id,
    file=open("Pricing_Policy_2026.pdf", "rb"),
)

# 2. Posez une question ancrée ; le modèle cherche dans le store et cite les sources.
response = client.responses.create(
    model="gpt-4.1",
    input="What's our discount cap for multi-year deals?",
    tools=[{"type": "file_search", "vector_store_ids": [store.id]}],
)

print(response.output_text)

Cet outil file_search repose sur la même idée qu'un Connector : la retrieval est hébergée, vous pointez simplement vers les données. La référence complète se trouve sur platform.openai.com/docs.

La contrepartie, c'est la responsabilité. Dans l'API, c'est vous qui décidez qui peut interroger quel vector store. Il n'y a pas de permission Google héritée pour protéger un document ; si un utilisateur peut atteindre votre endpoint, il peut chercher dans ce que vous avez attaché. Dans votre propre application, vous devez donc construire le contrôle d'accès que le connector ChatGPT vous offrait gratuitement.

Limites pratiques et pièges

Quelques points à connaître avant de vous appuyer là-dessus en production :

• La fraîcheur a un délai. Les connectors synchronisés se réindexent selon un calendrier. Un fichier modifié il y a deux minutes peut ne pas être pris en compte immédiatement. Pour des données qui doivent être en direct, une Action qui interroge l'API source est plus adaptée qu'un connector synchronisé.
• Le format compte. Des documents textuels propres (Google Docs, PDF bien structurés) se récupèrent bien mieux que des images scannées ou des decks de slides denses. Mise en page bancale en entrée, retrieval faible en sortie.
• Les citations sont votre outil de QA. Demandez toujours des citations sur les réponses à fort enjeu et cliquez dessus. Le modèle peut formuler une synthèse de façon approximative même quand la source sous-jacente est correcte.
• La gouvernance admin est bien réelle. Sur Enterprise, un admin décide quels connectors existent tout court. Si Google Drive n'apparaît pas dans votre liste de Connectors, c'est une règle, pas un bug. Voyez avec l'admin de votre workspace.
• Cadrez serré. Connecter « tout le Drive » rend la retrieval plus bruitée. Connecter un dossier précis et curaté donne des réponses plus nettes et pertinentes.

Un guide de décision rapide

Utilisez ceci pour choisir le bon outil :

• Un fichier, une question, aujourd'hui : uploadez-le.
• Un corpus de connaissances que vous interrogerez de façon répétée : Connector, idéalement dans un Project.
• Un assistant interne partagé et standardisé pour une équipe : Custom GPT avec un connector.
• Des données en direct ou une action dans un autre système : Action.
• Le même comportement ancré dans votre propre logiciel : Responses API avec `file_search`.

À retenir

• Les Connectors ancrent ChatGPT dans vos propres outils (Drive, SharePoint, GitHub) et répondent avec des citations cliquables, ce qui vous permet de vérifier chaque affirmation à la source.
• Un connector hérite de vos permissions et ne les élève jamais. ChatGPT ne voit que ce que votre compte peut déjà voir. Cadrez sur des dossiers précis pour une retrieval plus nette et plus sûre.
• Les Connectors lisent la connaissance ; les Actions appellent des API. Prenez un Connector pour répondre à « que dit notre doc », et une Action pour récupérer des données en direct ou faire quelque chose.
• Placez les connectors dans des Projects ou des Custom GPTs pour fixer la source de vérité d'un workflow récurrent ou de toute une équipe, au lieu de re-uploader des fichiers à chaque fois.
• Quand l'interface ne suffit plus, l'équivalent API est `file_search` sur un vector store via la Responses API. Vous gagnez en contrôle et perdez les permissions héritées, donc vous devez construire vous-même le contrôle d'accès.