Benchmark 2027 de recherche de favoris par IA : le protocole de test

Cette page ne contient aucun score de benchmark, et ce choix est délibéré. Elle propose un protocole de test reproductible que vous pouvez exécuter vous-même dès aujourd’hui sur votre propre bibliothèque, ainsi qu’une matrice de fonctionnalités établie d’après les documents officiels publiés par chaque éditeur — explicitement présentée comme une lecture documentaire et non comme un résultat d’essai en laboratoire.

Une version précédente de cet article, parue le 12 septembre 2026, présentait un banc d’essai sur 1 000 éléments avec des pourcentages de réussite précis par outil. Ces chiffres étaient des estimations théoriques et non des mesures réelles. Aucun jeu d’essai formalisé, aucune grille de requêtes ni aucun enregistrement de vérification n’existaient pour étayer ces statistiques. Ces pourcentages ont été intégralement retirés le 23 septembre 2026, parallèlement aux corrections apportées aux huit pages du site qui les citaient. Ce qui suit constitue le protocole rigoureux que nous devrons exécuter pour publier un score valable, documenté en toute transparence afin que chacun puisse le reproduire ou nous tenir pour responsables de son exactitude.

Une note de situation transparente : Nous avions envisagé d’achever l’évaluation contrôlée complète avant la mi-octobre 2026, mais ce délai n’a pas pu être tenu. Le corpus standardisé, les enregistrements vidéo de session et les 100 lignes de résultats évalués n’existent pas à ce jour, il n’y a donc aucun chiffre de performance à publier. Nous préférons l’admettre avec honnêteté plutôt que de maquiller des données incomplètes. La seule étude que nous avons effectivement mesurée et publiée concerne la fidélité de l’importation des signets, accessible avec sa méthodologie détaillée dans notre analyse sur les Échecs d’importation de signets.

Pourquoi il faut se méfier des scores de benchmark génériques

L’efficacité de la recherche est une expérience profondément individuelle. Un outil qui excelle dans l’analyse de captures d’écran de design graphique peut échouer totalement sur des thèses universitaires en PDF ; une bibliothèque de 500 sauvegardes ne se comporte absolument pas de la même façon qu’un fonds documentaire de 50 000 signets. Les scores moyens issus du jeu d’essai d’un tiers mesurent avant tout la proximité entre son corpus et son propre style de remémoration mentale — c’est exactement pour cette raison que les chiffres théoriques que portait cette page étaient si faciles à accepter et pourtant dépourvus de valeur opérationnelle.

Trois obstacles majeurs affectent la quasi-totalité des comparatifs d’outils publiés sur le web :

1. Les corpus de test restent opaques. Sans la liste intégrale des requêtes et l’échantillon exact des pages sauvegardées, aucun résultat ne peut être contre-vérifié ou reproduit. Un score sans corpus public n’est qu’une opinion accompagnée d’une décimale.

2. Les fonctionnalités évoluent rapidement. La recherche assistée par intelligence artificielle dans les gestionnaires de favoris a connu de multiples refontes tout au long des années 2025 et 2026, et les grilles tarifaires ont suivi le même mouvement — Glasp a notamment augmenté ses tarifs d’environ 20 à 25 % rien qu’en mai 2026. Un classement quantitatif devient obsolète quelques semaines après sa parution, raison pour laquelle notre dossier comparatif sur les gestionnaires de favoris IA repose sur une lecture technique des fonctionnalités déclarées.

3. La finalité d’usage diffère. Readwise Reader optimise le traitement et le tri actif des documents en cours de lecture ; Marqly optimise la redécouverte de contenus archivés plusieurs années auparavant. Attribuer un score global unique revient à masquer ces différences architecturales sous un chiffre trompeur.

L’alternative saine consiste en un protocole pratique que vous pouvez mener à bien en une demi-heure sur vos propres données — et que nous sommes nous-mêmes tenus d’exécuter dans son intégralité avant de publier la moindre métrique chiffrée.

Le protocole de test (ce que nous préparons, et que vous pouvez appliquer)

Étape 1 — La bibliothèque de référence

Importez un jeu d’essai fixe et représentatif de 300 éléments réels :

• 150 articles longs et essais de fond (technologie, économie, santé, sciences, ergonomie)
• 60 vidéos YouTube (conférences, didacticiels, entretiens)
• 40 pages de documentation technique et dépôts de code GitHub
• 30 publications académiques et rapports au format PDF
• 20 sauvegardes d’éléments visuels et graphiques

Appliquez le même fichier d’exportation à tous les gestionnaires acceptant l’import en lot. Lorsqu’un outil ne propose pas cette fonction, consignez ce fait comme une caractéristique de migration plutôt que de le dissimuler — mymind constitue ici l’exception documentée, refusant par choix philosophique tout mécanisme d’import en lot depuis un navigateur ou Pocket.

Étape 2 — La phase sans classement manuel (zero-filing)

Sauvegardez l’intégralité des 300 éléments sans créer le moindre dossier ni appliquer la moindre étiquette manuelle. Un outil qui contraint l’utilisateur à un classement méticuleux pour rester exploitable répond à une promesse produit différente, et cela constitue un résultat d’évaluation en soi. Notez que cette étape dépend du forfait souscrit : l’auto-tagging chez Marqly fait partie du plan Pro ($72/an ou $9/mois, offre premier an à $49), ce qui signifie qu’un compte gratuit n’est pas sans classement par choix mais par restriction de palier.

Étape 3 — Les 20 requêtes de récupération sémantique

Chaque requête cible une sauvegarde précise en exploitant uniquement des souvenirs contextuels plausibles pour un être humain :

Type de recherche	Exemple de requête	Ce que cela évalue
Paraphrase de concept	“rôle de la dopamine dans la formation des habitudes” (titre réel : La Molécule du désir)	Plongements lexicaux et vectoriels sur le corps du texte
Référence contextuelle	“la vidéo avec la fermentation du levain dans un bol en verre transparent”	Indexation des transcriptions et sous-titres vidéo
Fragment technique	“requête postgresql pour lister les connexions lentes par base”	Recherche dans les extraits de code et fragments textuels
Souvenir visuel vague	“affiche minimaliste orange et noire style brutalisme”	Reconnaissance visuelle et compréhension multimodale
Contrôle par titre exact	le titre textuel exact du document	Test de cohérence élémentaire du moteur classique

Attribuez à chaque requête l’une des mentions suivantes : Top-1 (premier résultat), Top-3 (parmi les trois premiers), ou Échec (absent ou au-delà du troisième rang). Laissez s’écouler au moins 24 heures après l’importation avant de lancer les requêtes, afin que les files d’attente d’indexation en arrière-plan soient totalement purgées — tester immédiatement après un import revient à mesurer la rapidité des files d’attente plutôt que l’efficacité du moteur d’analyse.

Étape 4 — Le registre des frictions

Pour chaque outil testé, relevez le nombre d’actions requises par sauvegarde, le temps d’attente jusqu’à l’affichage du premier résultat pertinent, et le comportement sur les cas limites (listes de résultats vides, métadonnées erronées, troncature silencieuse des bibliothèques volumineuses).

Ce qu’une publication officielle exigera

Le test finalisé sera publié sur cette page avec sa date précise, le fichier complet du corpus de test, la liste de l’ensemble des requêtes, les captures vidéo de session et l’intégralité des 20 × 5 cellules évaluées sans la moindre omission. D’ici là, traitez tout pourcentage d’exactitude trouvé sur le web comme un simple argument publicitaire.

Ce que documente officiellement chaque outil (vérifié au 23 septembre 2026, tarifs revus en octobre 2026)

Cette grille constitue notre lecture documentaire et non un tableau de résultats expérimentaux. Chaque mention reflète les fonctionnalités formellement annoncées par les éditeurs, extraite de notre jeu de données comparatif actualisé (consultez les fiches comparatives individuelles pour la date de vérification spécifique). Lorsque nous ne disposons pas d’une certitude documentée, nous l’indiquons ouvertement.

Fonctionnalité	Marqly	mymind	Readwise Reader	Karakeep	Raindrop.io
Recherche dans le corps des textes	✅ documenté	selon docs, recherche par tags et visuels	✅ recherche intra-document ; recherche globale par mots-clés	✅ texte intégral via Meilisearch	✅ texte intégral réservé au plan Pro
Recherche sémantique par concept	✅ documenté (forfait Pro uniquement)	✅ documenté (forfaits payants)	❌ non disponible pour la bibliothèque (Ghostreader par document)	✅ optionnel, en connectant un LLM	❌ non proposé
Indexation des transcriptions YouTube	✅ documenté (transcription jointe au lien)	❌ non proposé	✅ enregistre les vidéos	✅ télécharge les médias via yt-dlp (config locale)	❌ non proposé
Zero-filing lors de l’enregistrement	✅ sur Pro uniquement	✅ philosophie centrale — sans dossier	⚠️ files de tri par conception	✅ avec tagging LLM activé	⚠️ organisation en dossiers attendue
Import en masse de HTML de navigateur	✅ documenté	❌ aucun import en masse par choix	✅ export Pocket ; HTML non documenté	✅ HTML navigateur + API	✅ HTML navigateur standard
Import d’une archive Pocket	⚠️ le fichier list.csv, pas le fichier HTML	❌ aucun	✅ documenté	⚠️ via import standard	✅ documenté
Coût d’accès à la recherche	Forfait gratuit : mots-clés sur 100 favoris ; IA sur Pro ($72/an, $49 premier an)	Plan invité gratuit (100 fiches) ; IA dès $79/an, résumés dès $129/an	$119.88/an plan Full (essai 30 jours, pas de gratuit)	Gratuit self-hosted (+ matériel) ; Cloud Pro $4/mois	Gratuit illimité ; Pro $28/an pour texte intégral + suggestions IA

Remarques objectives sur cette analyse documentaire : L’approche de mymind, centrée sur le visuel, est véritablement singulière — si votre bibliothèque est constituée en majorité de captures d’écran et d’inspiration graphique, son architecture vous conviendra mieux qu’un moteur basé sur des vecteurs textuels, et son refus d’intégrer un import en masse relève d’une position assumée. Readwise Reader est le plus abouti pour la tâche qu’il a choisie (la lecture active, la surbrillance et la synchronisation avec des carnets de notes, avec un mode hors-ligne solide). Karakeep offre une véritable recherche par IA sans abonnement récurrent pour quiconque déploie son propre serveur, ce qui en fait l’unique alternative totalement privée. Raindrop.io demeure le choix le plus économique et polyvalent si la recherche par mots-clés vous suffit. Enfin, le pari de Marqly porte précisément sur la récupération des sauvegardes oubliées par description libre — ce que notre évaluation de laboratoire aura pour tâche d’examiner rigoureusement.

Une précision d’une importance capitale concernant les formats de fichiers : la grille ci-dessus distingue formellement le fichier HTML de signets de navigateur d’une archive exportée depuis Pocket. Marqly prend en charge nativement les fichiers HTML de Chrome, Firefox, Edge, Safari et Raindrop. En revanche, pour exporter et migrer depuis Pocket, il est impératif de sélectionner le fichier list.csv situé au sein de l’archive ZIP, et non le fichier de prévisualisation HTML — nos analyses techniques ont révélé que ce dernier affiche un taux de conversion de 0 élément importé sur 261, en raison d’une structure de balises non conforme au standard Netscape. Les mesures complètes sont détaillées dans notre dossier sur la fidélité d’importation.

Réalisez le test de 30 minutes sur votre propre collection

Il n’est pas nécessaire de manipuler 300 éléments. Il vous suffit de vous concentrer sur les cinq que vous avez égarés.

1. Identifiez cinq articles ou ressources enregistrés il y a plusieurs mois dans votre outil habituel et que vous n’avez pas réussi à retrouver récemment.
2. Pour chacun d’eux, rédigez la phrase que vous taperiez si vous décriviez votre souvenir spontané plutôt que son titre officiel — par exemple : “l’article expliquant pourquoi on se réveille à 3 heures du matin à cause de la glycémie”.
3. Exportez un échantillon de 50 à 100 de vos véritables favoris de navigateur. Utilisez au préalable notre Visualiseur de fichiers de favoris pour inspecter l’arborescence HTML, ainsi que notre outil de Détection des favoris en double pour assainir le fichier avant toute migration.
4. Activez la recherche sémantique, saisissez vos cinq requêtes de mémoire, puis lancez les mêmes recherches dans votre outil actuel.
5. Conservez la solution qui parvient à retrouver vos cinq documents perdus — et si aucun n’y parvient, le constat honnête est qu’aucun outil actuel ne résout parfaitement ce défi.

Deux avertissements indispensables pour garantir l’équité du test. Sur Marqly, le forfait gratuit ne dispose d’aucune fonction d’intelligence artificielle sur la bibliothèque, de sorte que l’étape 4 nécessite un compte Pro — tester la recherche sémantique avec un compte gratuit ne produira aucun résultat pertinent. De plus, un compte gratuit est plafonné à 100 favoris, ce qui est amplement suffisant pour un test comparatif mais non pour une bibliothèque complète.

Si les deux solutions obtiennent un score équivalent, départagez-les à l’aide de notre Indice 2027 des gestionnaires de favoris, de notre Guide des outils de favoris IA ou de notre Espace de migration. Nous publierons les résultats de notre propre protocole dès qu’il sera achevé. D’ici là, cette page ne comporte aucun score chiffré, et cette absence constitue un choix de rigueur délibéré.

---

Matrice de fonctionnalités vérifiée d’après la documentation officielle des éditeurs le 23 septembre 2026 ; tarifs révisés par rapport à notre base de données concurrentielle en octobre 2026. Aucun résultat de recherche chiffré n’est publié dans la mesure où l’essai contrôlé n’a pas été achevé. La seule étude empirique mesurée que nous diffusons concerne les échecs d’importation de signets, dont le protocole est consultable sur sa page dédiée.