Comment fonctionnent réellement les AI Overviews de Google

·Dix points si vous ne lisez que ça

1. L'AIO n'est pas un chatbot branché sur le web. C'est un étage de synthèse posé sur les systèmes de ranking de Search. Le modèle ne répond pas de mémoire : il reformule des passages récupérés dans l'index.¹¹
2. La décomposition de requête est confirmée officiellement, et pas seulement pour l'AI Mode. La documentation développeur attribue le query fan-out aux deux dispositifs : « Both AI Overviews and AI Mode may use a "query fan-out" technique ».¹ C'est le point le plus mal rapporté de l'écosystème SEO.
3. Il n'existe pas de « seuil de confiance » documenté par Google. Le seul critère publié est l'additivité par rapport au SERP classique.¹ En revanche, un mécanisme de seuil est décrit précisément dans les brevets²⁸ et affleure dans l'aide utilisateur de l'AI Mode.⁶
4. Google récupère des passages, pas des pages. Le brevet central décrit l'extraction de sous-ensembles de contenu, résumés si nécessaire pour tenir dans la fenêtre de contexte.²⁸
5. Le discours « même index, mêmes systèmes de ranking » est incomplet. Sous serment, la responsable de Search a décrit FastSearch, un chemin de récupération dédié au grounding, qui « récupère moins de documents » et dont « la qualité est inférieure aux résultats web entièrement classés de Search ».²¹ C'est la tension centrale de cette étude.
6. Une citation n'est pas une récompense de classement. Selon les mesures 2026, seules 37,9 % des citations proviennent du top 10 organique, et 31 % viennent d'au-delà du top 100.³⁷ Google le revendique : ces dispositifs « identifient davantage de pages de support » que la recherche classique.¹
7. Le bloc est instable par conception. Sur un mois de suivi quotidien, aucun mot-clé n'a conservé exactement les mêmes URL, 96 % des AIO ont changé de domaine au moins une fois, et la durée de stabilité moyenne d'une URL citée est de 3,87 jours.⁴⁶ Le brevet assume explicitement ce non-déterminisme.²⁸
8. L'ancrage réduit les hallucinations, il ne les supprime pas. Une étude longitudinale de 98 020 affirmations atomiques trouve 11 % de claims non soutenus par les pages citées, l'omission étant le mode d'échec dominant.²⁷
9. Bloquer Google-Extended ne vous sort pas des AI Overviews. Ce jeton couvre les applications Gemini et l'API Vertex, pas les fonctionnalités de Search.¹⁰ Depuis juin 2026, un opt-out réel existe dans Search Console, obtenu sous contrainte réglementaire britannique.²²
10. En France, l'impact est mesuré et il est net. Neuf jours après le lancement du 22 juillet 2026, les domaines exposés à plus de 20 % d'AIO perdaient 23,1 % de CTR ; la santé, secteur le plus exposé, 20,4 %.⁴³ En Allemagne, le CTR de la première position passe de 27 % à 11 % en présence d'un AIO.⁵⁶

·Comment j'ai travaillé

Google ne publie pas l'architecture des AI Overviews. Toute étude sur le sujet est donc un travail de reconstitution, et la question qui compte n'est pas « qu'affirme-t-on ? » mais « sur quoi cette affirmation repose-t-elle ? ». C'est pourquoi chaque énoncé technique de cette page porte un badge de niveau de preuve.

Trois règles que je me suis imposées

1. Aucun chiffre sans sa méthode. Le taux de déclenchement des AIO a été mesuré à 12,4 %, 13,7 %, 20,5 %, 30 % et 51,5 % selon les études, toutes sérieuses. Ces écarts ne sont pas des erreurs : ils traduisent des échantillons de mots-clés, des dates, des appareils et des méthodes de capture différents. Je ne cite jamais un pourcentage nu (voir section 05).

2. Les contradictions sont exposées, pas arbitrées d'autorité. Quand deux études solides se contredisent, je donne les deux et j'explique ce qui les sépare. Quand une réconciliation est possible, je la propose en la marquant D.

3. Hiérarchie explicite des sources. Un design quasi-expérimental avec groupe témoin (les études en différence de différences, les données comportementales de panel) prime sur une étude corrélationnelle, qui prime sur un micro-test, qui prime sur un billet commercial. J'écarte délibérément les chiffres recyclés par des agrégateurs sans source primaire traçable, c'est ainsi que circulent des affirmations comme « les données structurées multiplient les citations par 2,3 », que la seule étude contrôlée disponible contredit (voir section 24).

Le fil rouge

Une architecture s'explique mal dans l'abstrait. Je suivrai donc une requête unique à travers tout le pipeline, choisie parce qu'elle réunit les conditions typiques de déclenchement d'un AIO : formulation longue, intention informationnelle composite, réponse impossible à donner depuis une seule page.

01Anatomie du bloc : de quoi un AIO est-il fait ?

Avant de disséquer le pipeline, il faut décrire précisément l'objet produit. La source la plus fiable n'est pas une capture d'écran : ce sont les schémas de données des fournisseurs d'API SERP, qui doivent parser le bloc de façon exhaustive et documentent donc sa structure réelle.⁶⁵⁶⁶

Les types de blocs de contenu

Un AIO n'est pas un paragraphe : c'est une séquence de blocs typés. B · Par proxy

Deux régimes de liens coexistent, et la distinction est capitale pour comprendre l'attribution (section 18) : les liens insérés dans le texte (snippet_links), rattachés à une phrase précise, et les cartes de sources (references), présentées à part. Chaque bloc de texte porte un tableau reference_indexes qui le relie à ses sources, c'est-à-dire que l'association affirmation → source est matérialisée dans la structure de données elle-même, pas reconstruite après coup.

Sur une mesure de 10 000 requêtes en AI Mode, la répartition des liens est de 90,8 % en blocs de citation séparés, 8,9 % insérés dans le texte et 0,3 % mimant un résultat classique.⁵² C · Mesuré

Format et encombrement

Sur 405 576 AIO analysés en octobre 2024, 78 % contiennent une liste, 61 % non ordonnée, 12 % ordonnée, 6 % les deux.⁵³ La longueur du résumé lui-même est courte : 157 mots en moyenne, 99 % sous 328 mots dans cette étude ; 119 mots sur desktop et 91 sur mobile dans une autre.⁴⁵

Côté occupation de l'écran, le bloc mesure en moyenne ~1 200 px de hauteur début 2026, contre ~1 050 px un an plus tôt, avec un pic à ~1 340 px en décembre 2025.⁵⁰ Une mesure sur 8 000 mots-clés donnait 912 px déployé, repoussant le premier résultat organique à environ 1 674 px.⁵⁵ En Allemagne, 78,6 % des AIO sont positionnés au-dessus des résultats organiques.⁵⁶ C · Mesuré

Ce qui cohabite avec l'AIO

L'AIO ne remplace pas la SERP, il s'y empile. Sur 8 000 mots-clés : « Autres questions posées » présent dans 99,5 % des cas, featured snippet dans 59,5 %, vidéos dans 69,7 %, annonces Shopping dans 0,1 % seulement et toujours sous le bloc.⁵⁵ Un suivi de mars à novembre 2025 montre les recherches associées à 95,3 % et les « Autres questions posées » à 90,0 %, tandis que les annonces en bas de page passent de moins de 1 % à 25 % sur la période.⁴⁴

Les AIO apparaissent aussi imbriqués dans d'autres fonctionnalités : knowledge graph, « Autres questions posées » déplié, considérations produit.⁶⁶ Le bloc n'est donc pas seulement un objet en tête de SERP, c'est un composant réutilisé ailleurs.

02AIO, AI Mode, featured snippet, Gemini : quatre choses distinctes

La confusion entre ces quatre surfaces est la première cause d'erreur dans les études sur le sujet. Elles diffèrent par le pipeline, l'index mobilisé, la personnalisation et l'attribution du trafic.

Le featured snippet est d'une autre nature. Il ne génère rien : il sélectionne et recopie un passage existant. C'est pourquoi il ne peut pas halluciner, et pourquoi il est attribuable à une seule URL. L'AIO, lui, produit un texte qui n'existe nulle part. Cette différence est au cœur de la décision du tribunal régional de Munich de mai 2026, qui a jugé que les AIO constituent des « déclarations nouvelles, autonomes et substantielles » de Google et non une simple restitution de contenu tiers, ce qui engage sa responsabilité éditoriale.²⁴ A · Confirmé

AIO et AI Mode ne piochent pas dans les mêmes sources

C'est le résultat le plus contre-intuitif du corpus. Sur 540 000 paires de requêtes comparées en septembre 2025 : les deux dispositifs arrivent à la même conclusion 86 % du temps, mais ne partagent que 13,7 % des URL citées (16,3 % sur les trois premières citations), environ 16 % de vocabulaire, et la même première phrase dans 2,51 % des cas seulement.⁴² Une autre mesure indépendante trouve 10,7 % de chevauchement d'URL et 16 % de domaines.⁵² C · Mesuré

03Le bloc n'est pas dans le HTML : le chargement asynchrone

Fait technique fondamental, corroboré par tous les fournisseurs de données parce qu'ils ont dû construire des mécanismes dédiés pour le contourner : l'AIO n'est pas toujours présent dans la réponse HTML initiale. Le conteneur existe, vide ; texte et références arrivent après exécution du JavaScript.⁶⁸ B · Par proxy

• Une API SERP renvoie, pour certaines requêtes, non pas l'AIO mais un jeton à rejouer dans une seconde requête. Ce jeton expire en 4 minutes.⁶⁵
• Une autre expose un booléen dédié asynchronous_ai_overview et un paramètre load_async_ai_overview. Sa grille tarifaire chiffre le coût de la latence : requête standard 0,0006 $, avec chargement asynchrone 0,0012 $, le double, remboursé si l'AIO n'arrive finalement pas.⁶⁶
• Un troisième fournisseur documente que la capture complète du bloc ajoute « environ 5 à 10 secondes » de temps de réponse, parce qu'il faut lancer une session de navigateur.⁶⁷

Un signal secondaire intéressant : le booléen asynchronous_ai_overview renvoyé à false est interprété par ce fournisseur comme signifiant que Google « avait l'overview prêt en amont ». C'est l'indice le plus direct d'un mécanisme de pré-calcul ou de réutilisation côté Google. Attention toutefois : c'est un indice de pré-calcul, pas la preuve d'un cache partagé entre utilisateurs (voir section 04). D · Hypothèse

04Le même mot-clé ne donne pas le même AIO : le non-déterminisme mesuré

Le brevet central pose l'instabilité comme une propriété assumée, pas comme un défaut :

Les mesures indépendantes le confirment massivement, à trois échelles de temps.

À l'échelle du mois

Suivi quotidien de 3 000 mots-clés sur tout octobre 2024, en ne gardant que ceux déclenchant un AIO au moins 20 jours sur 31 :⁴⁶ C · Mesuré

Une autre mesure sur ~43 000 mots-clés donne 70 % de chances qu'un AIO change entre deux observations, une persistance moyenne de 2,15 jours, et environ 45,5 % des sources renouvelées à chaque régénération.⁴¹

À l'échelle de la journée

Rejouer la même requête plusieurs fois le même jour suffit à changer le résultat. Sur 31 mots-clés et 92 exécutions, 52 % des mots-clés voient au moins une citation changer entre recherches identiques ; la citation en première position reste stable 86 % du temps, mais la stabilité tombe à 50-52 % pour les positions 8 et 9.⁵⁹ Un test analogue en AI Mode, avec trois parsings indépendants du même jeu de 10 000 mots-clés le même jour, ne trouve que 9,2 % d'URL communes aux trois relevés et 14,7 % au niveau domaine.⁵²

Mais la stabilité sémantique, elle, est forte

C'est la nuance décisive, et elle est trop rarement rapportée : malgré cette instabilité de surface, la similarité cosinus entre deux réponses consécutives est de 0,95, et 54 % des entités nommées restent identiques.⁴¹ Autrement dit : l'AIO redit à peu près la même chose en changeant ses sources. Ce qui varie, c'est qui est crédité.

Deux causes possibles, et une honnêteté nécessaire

Cette variabilité peut venir de l'échantillonnage du décodage du modèle, ou de la variabilité de la récupération (le fan-out ne renvoyant pas les mêmes passages d'une fois sur l'autre). Les deux sont plausibles et non discriminables de l'extérieur. Je ne trancherai pas, et je n'affirme rien sur la température du modèle : c'est inobservable depuis la SERP. D · Hypothèse

Sur la question du cache, la seule mesure disponible va contre l'intuition : la corrélation entre popularité d'un mot-clé et stabilité de son AIO est de −0,014, soit nulle.⁴¹ Les requêtes à fort volume ne sont pas plus stables. Il existe vraisemblablement un mécanisme de réutilisation à courte durée de vie, mais aucune preuve publique d'un cache indexé sur la popularité ni partagé entre utilisateurs.

05Combien de fois l'AIO se déclenche-t-il vraiment ?

Aucune question n'est plus mal traitée. Les chiffres publiés vont de 7,6 % à 51,5 %, et toutes ces études sont sérieuses. Voici pourquoi, et comment lire le chiffre.

Trois facteurs expliquent l'essentiel de la dispersion : la méthode de capture (section 03), la composition du corpus de mots-clés, et la date, le système bouge vite.

Le vrai déterminant : la forme de la requête

Sur 146 millions de SERP, la longueur de requête est le facteur le plus discriminant identifié :³⁶ C · Mesuré

Une requête formulée en question déclenche un AIO dans 57,9 % des cas contre 15,5 % sinon.³⁶ Les données comportementales réelles convergent : 8 % pour les requêtes de 1-2 mots, 53 % pour celles de 10 mots et plus, 60 % pour les questions.⁴⁸ C'est ce facteur, et non le secteur, qui explique l'écart 13,7 % / 64,7 % dans une même étude.²⁷

Par intention : deux métriques que tout le monde confond

Il faut distinguer le taux conditionnel (« quel pourcentage des requêtes commerciales déclenche un AIO ? ») de la composition (« quel pourcentage des AIO porte sur du commercial ? »). Ce sont deux chiffres différents, systématiquement mélangés.

La tendance lourde 2025-2026 est claire : la commercialisation du bloc. Sur 600 000 mots-clés suivis de novembre 2025 à avril 2026, la part des SERP commerciales avec AIO progresse de 71 %, avec un pic à +231 % dans la finance.⁴⁷

Par secteur : la contradiction la plus spectaculaire du corpus

Sur la santé, les chiffres publiés sont irréconciliables en apparence : moins de 1 % en juin 2024⁵¹, 50,3 % en septembre 2024⁶⁰, 43,0 % en septembre 2025³⁶, 88 % en décembre 2025⁵⁰. Une même société publie moins de 1 % pour le juridique en juin 2024, puis 77,67 % en octobre 2024.⁵¹

L'explication est en grande partie historique : Google avait fortement restreint les AIO sur les sujets sensibles après les incidents de mai 2024 (section 28), avant de rouvrir massivement le médical en 2025. Mais l'ampleur des écarts trahit aussi des classifications sectorielles et des échantillonnages très différents. Le rapport YMYL / non-YMYL le plus robuste disponible est de 34,3 % contre 17,2 %, avec le médical à 44,1 %.³⁶

06Vue d'ensemble : les cinq étapes

Google ne publie pas de schéma d'architecture. Ce qui suit est un modèle de synthèse construit en croisant trois corpus indépendants : la documentation officielle de Search, les brevets déposés par Google, et, c'est l'apport décisif, la documentation publique de l'API Gemini / Vertex AI, qui implémente les mêmes primitives et en expose les objets JSON.

L'API Gemini documente explicitement son pipeline de grounding en cinq étapes :⁸²

1. User Prompt, la requête arrive avec l'outil de recherche activé.
2. Prompt Analysis : « le modèle analyse le prompt et détermine si une recherche Google peut améliorer la réponse ». → étape d'éligibilité.
3. Google Search : « si nécessaire, le modèle génère automatiquement une ou plusieurs requêtes de recherche et les exécute ». → fan-out.
4. Search Results Processing : « le modèle traite les résultats, synthétise l'information et formule une réponse ». → fusion et synthèse.
5. Grounded Response : « l'API retourne une réponse finale ancrée dans les résultats de recherche ». → attribution.

07Étape 1 : la classification d'éligibilité

Avant toute génération, le système décide s'il doit générer. Le brevet central décrit un classifieur qui détermine le type de requête et si un modèle génératif doit être invoqué du tout, avec la possibilité de sélectionner aucun, un, ou plusieurs modèles. Les critères cités : la terminologie de la requête, les caractéristiques vocales, et la qualité et le type des documents de résultats de tête.²⁸ B · Par proxy

Autrement dit, la décision de déclencher un AIO dépend en partie de ce que l'index a à offrir sur cette requête, pas seulement de la requête. C'est une logique explicite d'économie de ressources, et cela cadre parfaitement avec le fait que les AIO « ne se déclenchent souvent pas ».

Le seul critère que Google publie

Notez ce que ce critère n'est pas : ce n'est pas un critère de catégorie thématique, ni un seuil de confiance chiffré. C'est un test d'utilité marginale. Si le SERP classique répond déjà bien, l'AIO n'apporte rien et ne s'affiche pas.

Google ajoute une réserve importante : « AI Mode and AI Overviews may use different models and techniques, so the set of responses and links they show will vary ».¹ C'est la confirmation officielle de l'écart de sources mesuré en section 02.

08Pourquoi « seuil de confiance » est un abus de langage

L'expression circule partout dans la littérature SEO. Elle mérite une mise au point, parce qu'elle mélange trois choses de statut très différent.

1. Chez Google Search : aucune existence documentaire. Aucune page officielle n'emploie de notion de seuil chiffré pour le déclenchement d'un AIO. Le seul critère publié est l'additivité. Toute affirmation du type « Google déclenche l'AIO au-dessus de tel seuil de confiance » est une reconstruction, pas une citation. D · Hypothèse

2. Dans l'aide utilisateur de l'AI Mode : le mécanisme affleure. Là, Google écrit noir sur blanc :

Il existe donc bien une notion de confiance qui peut faire basculer vers des liens classiques. Mais c'est documenté pour l'AI Mode, pas pour l'AIO, et sans aucune valeur.

3. Dans l'API Vertex : le mécanisme est entièrement documenté, valeurs comprises. C'est ici que l'observation devient possible. Le dynamic retrieval attribue à chaque prompt un prediction score entre 0 et 1 mesurant le bénéfice attendu d'un grounding, comparé à un seuil configurable. Google publie même sa table d'exemples :⁸⁵ B · Par proxy

La règle est explicite : « si le prediction score est supérieur ou égal au seuil, la réponse est ancrée ». Et le score de sortie est même exposé dans l'API sous le nom googleSearchDynamicRetrievalScore, décrit comme servant « à déterminer s'il faut déclencher une recherche ».⁸¹

Le brevet, lui, décrit un usage bien plus radical du seuil : la confiance est calculée à partir des scores du modèle, de la trustworthiness des documents vérificateurs et de leur nombre ; et une confiance basse conduit à « la suppression du résumé entier », seuls les résultats traditionnels s'affichant.²⁸ B · Par proxy

09Ce que le brevet ajoute : quatre canaux de sélection, pas un

Point sous-estimé et pourtant décisif pour comprendre les citations « venues de nulle part » : le brevet central ne limite pas la sélection des documents aux résultats de la requête saisie. Il décrit quatre canaux parallèles :²⁸ B · Par proxy

Les critères de sélection y sont classés en trois familles : dépendants de la requête (classement, taux de sélection, localité), indépendants de la requête (fiabilité, fraîcheur), et dépendants de l'utilisateur (alignement au profil).

Si ce mécanisme est en production, il explique deux observations empiriques majeures : le fait qu'environ 30 % des domaines cités n'apparaissent pas dans le classement classique de la requête²⁷, et l'existence d'une personnalisation structurelle qui rend tout score global de « part de voix » partiellement fictif (section 33).

10Étape 2 : le query fan-out

C'est l'étape la mieux confirmée de tout le pipeline, et paradoxalement la plus mal rapportée.

Deux enseignements souvent manqués. Premièrement, le fan-out est attribué explicitement à l'AIO, pas seulement à l'AI Mode : l'écosystème SEO répète massivement l'inverse. Deuxièmement, Google revendique que ce mécanisme élargit le jeu de liens au-delà de ce que produirait une recherche classique. Le découplage entre citations et classement organique n'est donc pas un effet de bord : c'est une fonctionnalité assumée.

La documentation d'optimisation de mai 2026 en donne la définition canonique : « un ensemble de requêtes concurrentes et liées, générées par le modèle pour demander plus d'information et récupérer des résultats de recherche additionnels », avec un exemple : la requête « how to fix a lawn full of weeds » engendre un fan-out du type « best herbicides for lawns ».²

Les échelles : de « plusieurs » à « des centaines »

Le différenciateur officiel entre AIO et AI Mode n'est donc pas la présence du fan-out mais son ampleur. A · Confirmé

11Voir les sous-requêtes réelles : ce que l'API expose

Les sous-requêtes d'un AIO ne sont pas observables depuis la SERP. En revanche, l'API Gemini les expose en clair. C'est la fenêtre la plus précieuse de tout ce dossier.⁸¹ B · Par proxy

L'objet groundingMetadata contient trois champs de requêtes :

• webSearchQueries[] : « les requêtes de recherche web qui ont été utilisées pour générer le contenu ». La documentation Gemini précise que c'est « utile pour déboguer et comprendre le processus de raisonnement du modèle ».
• imageSearchQueries[], les requêtes de recherche d'images. Le fan-out est donc multi-index, pas seulement web.
• retrievalQueries[], les requêtes exécutées par les outils de récupération.

Un second champ, searchEntryPoint.sdkBlob, contient « un objet JSON encodé en base64 contenant une liste de requêtes de recherche et leurs URL correspondantes », soit une seconde exposition du fan-out, sous forme directement analysable.

Détail révélateur dans les exemples officiels de Google : le nom de variable utilisé comme placeholder dans la documentation de l'API Grounded Generation est QUERY_BUILT_FROM_USER_PROMPT.⁸³ Le vocabulaire interne trahit la nature de l'objet.

12Le filtrage des sous-requêtes : pertinence et diversité

Un brevet Google déposé en octobre 2024 décrit l'étape que presque toutes les analyses de query fan-out omettent : les sous-requêtes ne sont pas toutes exécutées. Elles sont générées en excès puis filtrées.³¹ B · Par proxy

Les deux métriques nommées sont la relatedness (degré de rattachement de la sous-requête à l'entrée initiale) et la diversité. La seconde est la plus intéressante : elle implique que le système écarte les sous-requêtes redondantes entre elles. Une page qui répond exactement comme dix autres à la même facette n'a aucune raison d'être retenue, et c'est précisément le principe du brevet sur l'information gain (voir section 22).

Le brevet parle de requêtes « multifacettes », définies comme portant sur « deux ou plusieurs facettes, par exemple des sujets ou des problèmes ». C'est exactement le profil de mon fil rouge.

Un autre brevet, antérieur aux LLM (priorité 2017), pose déjà la logique de corroboration croisée : « les réponses aux variantes d'une requête initiale peuvent être utilisées pour étayer et corroborer la réponse à la requête initiale », en précisant que « le nombre de passes additionnelles peut varier d'une requête à l'autre ».³²

13Étape 3 : la récupération : pourquoi des passages et pas des pages

Cette contrainte n'est pas un choix esthétique, c'est une conséquence mécanique de l'architecture des transformeurs, et la chaîne causale est documentée dans la littérature.⁹²

1. L'attention est quadratique en longueur de séquence.
2. Les encodeurs de type BERT sont plafonnés à 512 tokens.
3. Donc un document long doit être découpé en passages chevauchants, scorés indépendamment.
4. Il faut alors une règle d'agrégation : premier passage, meilleur passage, ou somme des passages.

Le détail le plus transposable de ce papier de 2019 : les auteurs préfixent le titre du document à chaque passage pour lui fournir du contexte. C'est l'ancêtre direct du « chunking à en-tête contextuel » moderne, et la raison technique pour laquelle un passage orphelin, privé de son sujet, est moins récupérable. B · Par proxy

Ce que Google a réellement déployé, et comment il faut le nommer

En octobre 2020, Google annonce une avancée sur la compréhension des passages :

Dès le lendemain, Google corrige la terminologie employée par la presse : il ne s'agit pas de « passage indexing » mais de « passage ranking ». La formulation officielle rapportée est décisive pour se construire un modèle mental juste :⁹¹

Il n'existe donc pas d'index de passages séparé. Une page reste un document unique, porteur de multiples annotations scorables indépendamment. Le système est aujourd'hui listé comme un système de ranking permanent et nommé dans la documentation : « Passage ranking is an AI system we use to identify individual sections or "passages" of a web page ».⁹⁰

Google refuse par ailleurs toute règle de longueur : un passage peut faire « quelques mots » comme « un paragraphe, ou peut-être plus, je ne sais pas ». Aucun balisage, aucun titre n'est requis. Aucune documentation Google ne publie de taille ni de frontière de passage.

14Les ordres de grandeur réels du découpage

Côté Search, aucun chiffre. Côté Vertex AI, tout est documenté, et ces valeurs donnent les seuls ordres de grandeur crédibles dont je dispose. B · Par proxy

La définition que Google donne de son propre reranker est la meilleure explication en une phrase de la différence entre les deux étages : « comparé aux embeddings, qui ne regardent que la similarité sémantique d'un document et d'une requête, l'API de ranking peut vous donner des scores précis sur la manière dont un document répond à une requête donnée ».⁸⁶ Le cas d'usage que Google cite lui-même : « trouver le bon contenu à donner à un LLM pour le grounding ».

15Embeddings, dual encoders et le rôle de l'intention

La récupération n'est pas lexicale. Elle repose sur des représentations vectorielles, et la littérature identifie précisément l'arbitrage à l'œuvre.⁹⁵⁹⁶ B · Par proxy

D'où la cascade obligatoire de tout système contraint en latence : un premier étage de rappel large et bon marché, un second étage de précision coûteux sur une centaine ou un millier de candidats. C'est exactement la forme documentée par l'API de ranking (section 14).

Le point le plus actionnable de cette section

Google expose en production des task_type d'embeddings : ce ne sont pas des variantes cosmétiques, ce sont des instructions de récupération qui changent l'espace vectoriel utilisé.⁸⁷

• Asymétriques (paire requête / document) : RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, QUESTION_ANSWERING, FACT_VERIFICATION, CODE_RETRIEVAL_QUERY
• Symétriques (entrée unique) : CLASSIFICATION, CLUSTERING, SEMANTIC_SIMILARITY, ce dernier étant accompagné de la mention explicite « ne pas utiliser pour des cas d'usage de récupération »

Le plus notable est FACT_VERIFICATION, que Google décrit ainsi : « utilisez ceci quand vous voulez récupérer un document de votre corpus qui prouve ou réfute une affirmation. Par exemple, la requête "les pommes poussent sous terre" pourrait récupérer un article sur les pommes qui finirait par réfuter l'affirmation ». Google met donc à disposition un espace d'embedding dédié à la récupération d'éléments de preuve pour ou contre une affirmation, c'est-à-dire la brique de récupération d'un vérificateur de claims.

Enfin, un brevet Google éclaire pourquoi la récupération est sémantique plutôt que lexicale : plutôt que d'annoter manuellement, Google entraîne son récupérateur sur des paires requête-document synthétiques générées par un LLM à partir de deux à huit exemples, filtrées par cohérence aller-retour : « une requête synthétique souhaitable doit aussi récupérer son passage d'origine ».³⁴ Attention au contresens fréquent : ce brevet décrit l'entraînement du récupérateur, pas le fan-out à l'inférence.

16FastSearch : le chemin de récupération que Google n'annonce pas

J'arrive au point le plus important de cette étude, et à la seule contradiction sérieuse entre le discours public de Google et ce que ses dirigeants ont dû reconnaître sous serment.

Le discours public est constant : les fonctionnalités IA reposent sur « le même crawler, le même index, les mêmes systèmes de ranking ». La formulation officielle la plus citée :

Le constat judiciaire est plus précis. Dans son opinion sur les remèdes du 2 septembre 2025, le juge Mehta consigne, sur la base du témoignage sous serment de la même Liz Reid :

L'opinion précise que Google n'expose pas FastSearch directement aux tiers : la technologie est intégrée à Vertex AI, et « les clients Vertex ne reçoivent pas les résultats web classés par FastSearch eux-mêmes, seulement l'information issue de ces résultats », Google limitant l'accès « pour protéger sa propriété intellectuelle ».

Sur RankEmbed : le procès en responsabilité de 2023 avait révélé, par le témoignage de Pandu Nayak, que RankEmbed et RankEmbedBERT sont des modèles d'apprentissage profond entraînés sur deux sources principales, les logs de recherche et les scores des quality raters, avec un gain notable sur les requêtes longue traîne complexes.²¹

Et ce qu'il ne faut surtout pas écrire : aucun passage de l'opinion ne relie Navboost ou Glue au pipeline génératif. Ces systèmes sont abondamment cités dans la littérature SEO à propos des AIO, sans aucune source primaire. FastSearch → RankEmbed est le seul pont documenté entre les systèmes révélés au procès et le pipeline génératif.

Le procès fournit aussi la définition judiciaire du grounding, utile parce qu'elle est neutre : « l'ancrage consiste à arrimer la sortie d'un modèle à une information factuelle ou à une base de données externe » (Finding 37), et « l'ancrage permet aux LLM d'accéder à du contenu au-delà de leurs données d'entraînement, comme des pages web dans un index de recherche » (Finding 41).²¹

17Étape 4 : synthèse et contrainte d'ancrage

Une fois les passages récupérés, le modèle doit produire un texte unique. Deux mécanismes documentés expliquent comment plusieurs sources fusionnent en un paragraphe.

Fusion-in-Decoder encode chaque passage indépendamment, coût linéaire en nombre de passages, puis concatène les représentations pour que le décodeur porte son attention sur leur union. C'est l'architecture qui permet à une réponse unique de synthétiser des éléments répartis sur plusieurs sources, et qui passe à l'échelle de la centaine de passages.⁹⁴ La formule du papier résume l'enjeu : « les modèles génératifs sont bons pour agréger et combiner des éléments de preuve provenant de plusieurs passages ». B · Par proxy

RETRO décrit une variante plus proche encore d'un ancrage continu : l'entrée est découpée en chunks, chaque chunk déclenche sa propre récupération de voisins, et la fusion se fait par attention croisée entrelacée avec le décodage.⁹³ La récupération est locale au chunk plutôt qu'un contexte unique préfixé.

La contrainte d'ancrage, telle que Google la formule

Trois formulations officielles, du plus général au plus contraignant :

• « AI Overviews are built to only show information that is backed up by top web results »¹¹
• « Responses are supported by high quality web content to improve factuality »⁶
• Le RAG défini officiellement comme servant à « améliorer la qualité, l'exactitude et la fraîcheur des réponses IA en s'appuyant sur nos systèmes de ranking cœur pour récupérer des pages web pertinentes et à jour »²

Google affirme par ailleurs que « les AI Overviews n'hallucinent généralement pas et n'inventent pas de choses comme d'autres produits LLM pourraient le faire », en insistant sur la différence de nature : « elles ne génèrent pas simplement une sortie à partir de données d'entraînement ».¹¹ La section 29 confrontera cette affirmation aux mesures.

Le benchmark que Google s'applique à lui-même

Le meilleur indicateur de la manière dont Google conçoit cette tâche est le benchmark FACTS Grounding, publié par DeepMind et Google Research en janvier 2025.¹⁰² Chaque élément associe une demande utilisateur et un document complet allant jusqu'à 32 000 tokens, et exige une réponse longue entièrement ancrée dans ce document. L'évaluation se fait en deux phases avec une porte :

1. Les réponses qui ne satisfont pas la demande sont disqualifiées, une non-réponse prudente ne peut donc pas obtenir un bon score d'ancrage.
2. Puis l'ancrage intégral dans le document fourni est jugé, par un ensemble de modèles juges pour limiter le biais.

Cette porte est un choix de conception révélateur : le système est optimisé pour répondre et être ancré, pas pour s'abstenir. C'est une clé de lecture des erreurs résiduelles étudiées en section 29.

18Étape 5 : l'attribution : comment une citation est décidée

C'est l'étape la plus intéressante pour un éditeur, puisque c'est celle qui décide si votre URL apparaît. Elle est documentée à trois niveaux de preuve différents.

Niveau brevet : identifiants de source injectés dans le prompt

Le brevet central décrit un mécanisme concret : des identifiants de source de type S1, S2 sont incorporés au contenu transmis au modèle.²⁸

Le brevet décrit ensuite une « linkification » par similarité d'embeddings : « une mesure de distance entre l'embedding du contenu et l'embedding du document détermine la vérification ». Plusieurs documents peuvent vérifier une même portion, chacun recevant son icône ou son hyperlien. Les liens peuvent être des liens d'ancre pointant vers la section précise du document qui étaie l'affirmation.

Il décrit enfin des mesures de confiance par portion, calculées à partir des scores du modèle, de la fiabilité des documents vérificateurs et de leur nombre, avec cette formulation : « la mesure de confiance peut refléter une plus grande confiance quand quatre documents hautement fiables vérifient » une portion. Il mentionne même l'annotation de chaque portion par une couleur reflétant son degré de confiance.

Niveau API : la structure exacte de l'attribution

L'API Gemini expose l'objet groundingSupports, qui est la matérialisation de ce mécanisme :⁸¹ B · Par proxy

Et l'objet source Web contient trois champs : uri, title, et domain, ce dernier documenté ainsi : « le domaine de la page web qui contient la preuve. Ceci peut être utilisé pour filtrer les sources de faible qualité. » Google documente donc explicitement le domaine comme signal de filtrage qualité au niveau du fragment de preuve.

Le grain d'attribution est donc la phrase ou le segment de phrase, associé à un ensemble de sources. C'est structurellement identique au cadre académique Attributed QA de Google, où l'attribution est ramenée à une décision d'entailment par couple affirmation / passage.¹⁰⁰

Niveau vérification : l'API que Google documente et que personne ne lit

Google expose publiquement une API Check Grounding dont la documentation est, pour cette étude, la pièce la plus précieuse : elle décrit un vérificateur d'entailment affirmation par affirmation.⁸³ B · Par proxy

L'exemple donné par Google est limpide : l'affirmation « Google a été fondé par Larry Page et Sergey Brin en 1975 » est partiellement correcte, les fondateurs sont bons, la date est fausse, et l'affirmation entière est donc considérée comme non ancrée. C'est de l'entailment strict.

Les paramètres et sorties exposés sont directement parlants :

• citation_threshold : « un seuil plus élevé impose une confiance plus stricte. Par conséquent, un seuil plus élevé produit moins de citations mais plus solides ». Voilà, documenté, le curseur qui règle le nombre de citations.
• Support score : « approxime la fraction des affirmations du candidat qui ont été trouvées ancrées ».
• Score par affirmation, avec délimitation en positions d'octets UTF-8, même convention que l'API Gemini, avec un avertissement explicite sur les caractères non-ASCII. Pour du français accentué, positions en octets ≠ positions en caractères.
• grounding check required, un booléen par affirmation. « Quand il vaut False, cela signifie que le système estime que l'affirmation ne nécessite pas d'ancrage et qu'aucune citation n'est donc retournée. Par exemple, une phrase comme "Voici ce que j'ai trouvé" n'est pas un fait en soi. »

Ce dernier champ est remarquable : c'est l'implémentation en production du premier étage du cadre AIS de Google Research, qui posait qu'une phrase doit d'abord être interprétable, autonome, non ambiguë, pronoms résolus, avant que son attribution soit même évaluable.⁹⁹ Le critère formel d'AIS reste le meilleur test mental disponible : une phrase est attribuable à une source P si un auditeur validerait l'énoncé « selon P, s ».

Dernier détail d'importance : Google documente la latence de cette vérification à moins de 500 ms, précisant que « cette rapidité permet aux chatbots d'appeler l'API de vérification à chaque inférence sans subir de ralentissement significatif ». Un vérificateur d'entailment intégré dans la boucle de génération est donc budgétairement réaliste, ce qui rend plausible l'existence d'un mécanisme analogue dans le pipeline AIO. D · Hypothèse

19Une réponse ancrée réelle, décortiquée

Rien ne remplace un exemple réel. Voici la structure d'une réponse ancrée renvoyée par l'API Gemini, extraite de la documentation officielle (requête : qui a gagné Wimbledon 2024) :⁸⁵

Quatre observations directement exploitables :

1. 5 sources récupérées, 2 phrases produites, 4 et 3 citations. Le ratio sources récupérées / sources citées est le vrai objet de mesure : une source peut être récupérée sans être citée. C'est le point aveugle de toutes les mesures externes, qui ne voient que les citations.
2. L'ordre des indices n'est pas trié ([1, 0, 4]) : il porte probablement une notion de rang de support.
3. Les scores de confiance sont identiques pour tous les chunks d'un même segment dans cet exemple, ce qui suggère un score de confiance du segment plutôt que du couple segment-source, malgré ce qu'indique le libellé de la documentation. À ne pas surinterpréter.
4. Une seule requête de fan-out ici. Le fan-out large est un comportement des requêtes complexes, pas un invariant.

Deux contraintes opérationnelles complètent le tableau. Les URL de citation passent par un domaine de redirection et « restent accessibles pendant 30 jours » ; surtout, Google impose : « les URI fournies doivent être directement accessibles par les utilisateurs finaux et ne doivent pas être interrogées de manière programmatique par des moyens automatisés. Si un accès automatisé est détecté, le service peut cesser de fournir les URI de redirection ».⁸⁵ Toute chaîne d'outillage bâtie sur la résolution automatique de ces URL est donc en zone à risque.

Enfin, Google se cite lui-même comme source d'ancrage : dans un exemple de la documentation Vertex, un grounding chunk pointe vers google.com/search?q=weather+in+Chicago avec pour titre « Weather information for locality: Chicago ».¹⁰³ Cela corrobore une mesure indépendante en AI Mode où google.com représente 5,7 % des citations, dont 97,9 % vers des fiches Google Maps.⁵²

20Le chevauchement avec le top 10 : deux métriques que tout le monde confond

C'est le domaine où les chiffres publiés divergent le plus violemment : de 16,7 % à 93,7 %. La quasi-totalité de cet écart s'explique par une confusion entre deux métriques qui n'ont rien à voir.

Métrique A, la couverture

Métrique B, la composition

La probabilité de citation selon la position

Un classement élevé aide, mais ne garantit rien :⁴⁹⁵⁸ C · Mesuré

Lecture inverse et plus parlante : être premier organique signifie avoir environ 6 chances sur 10 de ne pas être cité dans l'AIO de sa propre requête.

Même piège sur le nombre de liens par AIO : 5 selon une mesure⁵³, 11 selon une autre⁴⁵, 8,9 selon une troisième⁶⁰. La clé est donnée par une quatrième, qui mesure 2,2 avant déploiement du panneau de sources et 5,5 après⁵¹, sur le même jeu de données. Le comptage avant ou après expansion détermine le résultat.

21D'où viennent les sources qui ne sont pas dans le classement ?

Environ 30 % des domaines cités n'apparaissent pas dans le classement classique de la requête²⁷, et jusqu'à 31 % des citations viennent d'au-delà du top 100³⁷. Trois explications documentées se cumulent.

1. Le fan-out, revendiqué par Google. Les sous-requêtes ramènent des pages qui se classent sur elles, pas sur la requête initiale. Google l'annonce explicitement : ces techniques permettent d'« afficher un ensemble de liens plus large et plus diversifié qu'avec une recherche web classique ».¹ C'est la cause principale. A · Confirmé

2. Les canaux de sélection élargis du brevet, requêtes corrélées, historique récent, requêtes implicites (section 09).²⁸ B · Par proxy

3. Les corpus non-web. Le grounding chez Google est une abstraction à source enfichable : la documentation Vertex liste Google Search, Google Maps, Agent Search, RAG Engine, Elasticsearch, votre propre API de recherche, et la recherche web d'entreprise.⁸⁸ Côté Search, on observe la contrepartie : le Knowledge Graph, les fiches Maps, les données produit. L'API expose d'ailleurs imageSearchQueries distinctes des requêtes web.⁸¹

Une mesure vient corroborer ce dernier point de façon spectaculaire : YouTube représente 5,6 % de toutes les citations d'AIO, soit 18,2 % des citations non classées organiquement.³⁷ Autrement dit, près d'un cinquième des sources « venues de nulle part » sont en réalité des vidéos. C · Mesuré

Un résultat académique important complète le tableau : les sites qui bloquent les crawlers IA sont significativement sous-représentés dans les AIO.²⁶ À ne pas confondre avec un effet de Google-Extended (voir section 31) : l'étude parle des crawlers IA en général.

22L'apport d'information : pourquoi le contenu redondant n'est pas cité

C'est, à mon avis, la piste la plus solide pour expliquer un phénomène que tous les praticiens observent : une page bien classée, techniquement irréprochable, jamais citée.

Un brevet Google délivré en juin 2024 décrit un score d'information gain, d'apport d'information :³⁵ B · Par proxy

Le brevet précise que « un ou plusieurs des nouveaux documents peuvent être sélectionnés pour être fournis à l'utilisateur, et/ou les nouveaux documents peuvent être classés en fonction de leurs scores d'information », et il pose explicitement ce mécanisme dans un contexte d'assistant automatisé.

Ce mécanisme est cohérent avec deux autres éléments du dossier : la métrique de diversité qui filtre les sous-requêtes redondantes³¹ (section 12), et le vocabulaire de la documentation officielle de Google, qui recommande du contenu « non-commodity », porteur d'« un point de vue unique » et d'« éclairages d'experts ou d'expérience allant au-delà de la connaissance commune ».²

23Autorité, UGC, YouTube, Wikipedia : ce que les chiffres disent vraiment

L'autorité de domaine compte moins qu'on ne le croit

Deux mesures convergent contre l'intuition : la corrélation entre Domain Rating et citations en AIO est de 0,15 (Pearson)⁵⁹, et surtout, résultat le plus frappant, 69 % des domaines du top 10 ont plus de trafic que les sources effectivement citées, et 71 % se classent sur plus de mots-clés qu'elles.⁵³ Les AIO citent donc fréquemment des domaines moins autoritaires que le top 10 qu'ils surplombent. C · Mesuré

À l'inverse, d'autres travaux présentent l'autorité comme le premier prédicteur des citations IA. Je n'ai pas pu remonter à la méthodologie primaire de ces derniers, et les périmètres diffèrent (AIO seul contre toutes plateformes IA confondues). Contradiction non résolue, signalée comme telle.

Le cas Reddit : un écart de deux ordres de grandeur

Le chiffre de « 21 % des citations d'AIO pour Reddit », largement recirculé, n'a aucune source primaire identifiable. Je ne le reprends pas.

Et le résultat qui devrait clore le débat « il faut être sur Reddit »

Une étude sur 230 000 prompts et 13 semaines, à travers trois plateformes, mesure une volatilité extrême et spécifique à chaque plateforme : Reddit passe de ~60 % des réponses ChatGPT début août 2025 à ~10 % mi-septembre ; Wikipedia de ~55 % à moins de 20 %. Sur la même période, Google AI Mode et Perplexity restent stables.⁷³ C · Mesuré

Google, de son côté, décourage explicitement la course aux mentions : chercher à obtenir des « mentions » inauthentiques « n'est pas aussi utile qu'il pourrait le sembler », les systèmes anti-spam les filtrant.² A · Confirmé

24Longueur, fraîcheur, données structurées : trois croyances à l'épreuve

La longueur de contenu : aucun pouvoir prédictif

Sur 560 346 AIO et 174 048 pages citées avec comptage de mots valide :⁴⁰ C · Mesuré

Une corrélation de Spearman de 0,04 est indistinguable de zéro. La longueur n'a aucun pouvoir prédictif sur la citation en AIO. Le corollaire est utile : 16,6 % des pages citées font moins de 350 mots.

Les données structurées : la seule étude contrôlée dit « non »

C'est le meilleur cas pédagogique de tout le dossier, parce qu'une étude quasi-expérimentale existe et contredit frontalement le discours dominant. Protocole : 1 885 pages ayant ajouté du JSON-LD entre août 2025 et mars 2026, appariées à 4 000 pages témoins d'autres domaines à niveau de citation initial comparable, mesure 30 jours avant et 30 jours après, en différence de différences appariée :³⁹

Une seconde étude, indépendante, ne trouve aucune corrélation entre couverture schema et taux de citation.⁷⁶ Et Google est catégorique : « Structured data isn't required for generative AI search, and there's no special schema.org markup you need to add ».² Danny Sullivan résume : « It's not "structured data and you win AI" ».⁷⁴

La fraîcheur : plausible, non quantifiée

Google écrit que le RAG sert à améliorer la « fraîcheur » des réponses et récupère des pages « à jour ».² La fraîcheur est donc plausiblement un critère de récupération, mais aucune quantification officielle n'existe. D · Hypothèse

Le signal indirect le plus fiable va d'ailleurs à contre-courant de l'intuition : les requêtes « très actualité » déclenchent un AIO dans seulement 6,3 % des cas, contre 20,7 % pour les requêtes non liées à l'actualité.³⁶ Google évite l'AIO sur l'actualité chaude, ce qui est cohérent avec ses garde-fous déclarés (section 25), même si l'arrivée des carrousels Top Stories dans les AIO en 2026 nuance cet engagement.

Les chiffres du type « −40 % de citations pour un contenu de plus de 30 jours » n'ont pas de méthodologie publiée et portent, quand on remonte, sur d'autres plateformes que l'AIO. Je ne les retiens pas.

25Les requêtes que Google évite (et ce qu'il s'engage vraiment à faire)

C'est un domaine où l'écart entre ce que l'on croit et ce que Google écrit est maximal. Google ne publie aucune liste de requêtes exclues. Le seul critère documenté reste l'additivité (section 07).

Le seul engagement catégoriel écrit noir sur blanc figure non pas dans la documentation, mais dans un billet de blog de mai 2024 :

La formulation mérite d'être lue précisément : « we aim to », nous visons à, pas « nous ne le faisons pas ». C'est une intention, pas une garantie. Et l'évolution 2026, avec l'intégration de carrousels Top Stories dans les AIO, la contredit largement.

Trois précisions qui corrigent des affirmations très répandues

Ce qui se passe en pratique : des retraits par requête, pas par catégorie

En janvier 2026, après une enquête de presse sur des AIO trompeuses concernant les bilans hépatiques (ne tenant compte ni de l'âge, ni du sexe, ni de l'origine), Google retire les AIO sur les requêtes « what is the normal range for liver blood tests » et « what is the normal range for liver function tests ». Mais des variantes proches, comme « lft reference range », continuent d'en afficher.²⁴

Le retrait est donc granulaire, au niveau de la requête, et non thématique. Google déclare ne pas commenter « les retraits individuels dans Search », tout en affirmant qu'une revue clinique interne avait conclu que « dans de nombreux cas, l'information n'était pas inexacte et était soutenue par des sites de haute qualité ». C · Mesuré

Les données de déclenchement confirment que la santé n'est pas exclue, loin de là : 43 % de taux AIO sur le secteur santé, 44,1 % sur le sous-segment médical, le plus élevé de toute l'étude.³⁶ Google avait au contraire élargi les AIO à des milliers de nouveaux sujets médicaux en mars 2025.

26Mai 2024 : l'anatomie d'un échec, expliquée par Google

Une semaine après le déploiement américain, les AIO recommandaient de mettre de la colle sur la pizza, de manger des cailloux, affirmaient qu'aucun des 54 pays d'Afrique ne commence par la lettre K, et que des chiens avaient joué en NBA.

La réponse publique de Liz Reid, le 30 mai 2024, est la source primaire la plus précieuse de tout ce dossier : c'est le seul document où Google explique en détail les causes techniques d'un échec de son propre système.¹¹ A · Confirmé

Google y avance trois arguments défensifs, qu'il faut mentionner tout en les tenant à distance : certaines captures virales étaient des faux ; les erreurs portaient sur des requêtes rares ; et le taux de violation de politique annoncé était de moins d'une requête sur 7 millions. Ce dernier chiffre est invérifiable de l'extérieur.

27Les data voids : le mécanisme d'échec le plus instructif

Le concept que Google mobilise pour expliquer le cas « combien de cailloux devrais-je manger ? » est celui du vide informationnel :

Le mécanisme est limpide et généralisable : du contenu satirique, publié à l'origine par un journal parodique, est republié sur des sites d'apparence légitime. Sur une requête où aucun contenu de qualité n'existe, cette source satirique devient la seule source disponible. Le système, contraint de s'ancrer sur ce qu'il trouve, s'ancre sur elle.

Pour le cas de la colle sur la pizza, l'explication porte sur l'UGC :

28Les correctifs déployés

Google annonce « plus d'une douzaine » d'améliorations. Le billet en regroupe l'essentiel en six axes, cités au plus près du texte :¹¹ A · Confirmé

Aucun seuil de confiance chiffré n'est divulgué dans ce document, ni ailleurs.

Notez la nature de ces correctifs : cinq sur six agissent en amont, sur le déclenchement ou sur le filtrage du corpus. Un seul touche la génération. C'est cohérent avec le diagnostic de la section précédente : le problème était le corpus, pas le générateur.

Cette lecture est renforcée par un élément juridique postérieur. En mai 2026, le tribunal régional de Munich I juge que l'immunité classique du moteur de recherche ne s'applique pas aux AIO, car celles-ci produisent des « déclarations nouvelles, autonomes et substantielles » en évaluant et combinant des contenus tiers, le résumé litigieux n'étant « en aucun cas fondé uniquement sur du contenu tiers ».²⁴ Google a fait appel. Si cette qualification se confirme, les garde-fous de 2024 se relisent aussi comme une mitigation de risque juridique, et pas seulement comme une amélioration de qualité.

29Les erreurs résiduelles : 11 % d'affirmations non soutenues

Google affirme que « les AI Overviews n'hallucinent généralement pas » et qu'elles sont « construites pour ne montrer que de l'information soutenue par les meilleurs résultats web ».¹¹ L'aide utilisateur est plus prudente : « AI Overviews can and will make mistakes » et « vérifiez toujours les informations importantes à plus d'un endroit ».⁵

La mesure la plus rigoureuse disponible tranche. Une étude longitudinale sur 55 393 requêtes tendance, 19 catégories, sur 40 jours (mars-avril 2026), décompose les réponses en 98 020 affirmations atomiques et vérifie chacune contre les pages citées :²⁷ C · Mesuré

Le mode d'échec dominant n'est pas l'invention, c'est l'omission. C'est une nuance capitale : le système ne fabrique pas tant des faits qu'il ne perd des qualifications, des conditions, des nuances présentes dans la source. L'exemple des bilans hépatiques est exactement de cette nature : les valeurs de référence citées n'étaient pas fausses, elles étaient données sans les conditions qui les rendent interprétables.

Cette étude note par ailleurs que les domaines cités sont globalement plus crédibles que le reste de la première page, l'ancrage améliore donc bien la qualité moyenne des sources, et que plus de la moitié des pages citées portent de la publicité display.

30nosnippet et ses variantes : le seul levier historique

Jusqu'en juin 2026, un éditeur ne disposait que des directives de snippet. Voici leur effet documenté, formulation officielle à l'appui :⁹¹ A · Confirmé

Deux points de vigilance. D'abord, la formulation exacte est « direct input » : nosnippet empêche l'usage direct du contenu, mais Google ne garantit nulle part que la page ne sera pas utilisée dans l'ancrage indirect. Ensuite, et c'est décisif, l'éligibilité à l'AIO est définie ainsi :

D'où le constat qui a structuré tout le débat de 2024 à 2026 : l'arbitrage était impossible à découpler. Sortir des AIO revenait à dégrader sa présence dans la recherche classique. Google justifiait l'absence d'opt-out séparé par un argument d'architecture : « AI is built into Search and integral to how Search functions ».¹

31Le malentendu Google-Extended

C'est probablement l'erreur technique la plus répandue du secteur. Mise au point, documentation à l'appui.¹⁰ A · Confirmé

Ce que Google-Extended contrôle : si le contenu crawlé « peut être utilisé pour entraîner les futures générations de modèles Gemini qui alimentent les applications Gemini et l'API Vertex AI pour Gemini, et pour l'ancrage » dans ces produits.

Ce qu'il ne fait pas, verbatim : « Utilizing Google-Extended doesn't affect a site's inclusion in Search, nor do we use Google-Extended as a ranking signal in Search. »

La preuve documentaire décisive vient du croisement avec la documentation Vertex, qui indique explicitement que le grounding avec Google Search sur sa plateforme d'entreprise « n'utilise pas pour l'ancrage les pages web qui ont interdit Google-Extended ».¹⁰³

Corollaire : on ne peut pas l'auditer dans les logs

Google-Extended n'est pas un crawler : c'est un jeton robots.txt appliqué au contenu récupéré par les crawlers Google. Il n'a pas de user-agent HTTP propre. Rien n'arrive jamais sur votre serveur en se présentant comme Google-Extended, le chercher dans vos logs est vain. Voir aussi section 34.

32Juin 2026 : l'opt-out arrive, sous contrainte réglementaire

Le 3 juin 2026, Google annonce deux briques simultanément dans Search Console : un rapport de performance dédié aux fonctionnalités génératives, et, nouveauté majeure, un véritable interrupteur d'exclusion.⁴⁷ A · Confirmé

Le contexte : ce n'est pas une évolution volontaire

Le même jour, l'autorité britannique de la concurrence annonce avoir obtenu des engagements contraignants de Google, au titre des conduct requirements attachées à sa désignation en statut de marché stratégique :²²

Google disposait de neuf mois pour tout implémenter, avec obligation de publier des rapports de conformité semestriels la première année.

Le mouvement s'inscrit dans un contexte contentieux dense : enquête antitrust formelle de la Commission européenne ouverte en décembre 2025 sur l'usage des contenus d'éditeurs pour l'IA, reprochant notamment à Google de ne pas offrir « l'option de refuser cet usage sans perdre l'accès à Google Search »²³ ; plaintes d'éditeurs américains ; et en France, un dépôt de plainte de quotidiens en août 2026 alléguant une perte de trafic de 38 %.

33Search Console : ce qui est compté, ce qui ne l'est pas

L'évolution s'est faite en trois temps, et connaître ces dates change l'interprétation de toute analyse historique.

Temps 1, inclusion sans distinction (juin 2025)

Les règles officielles sont explicites :⁸ A · Confirmé

• « Standard impression rules apply » pour les AIO comme pour l'AI Mode.
• « An AI Overview occupies a single position in search results, and all links in the AI Overview are assigned that same position. »
• « Clicking a link to an external page in the AI Overview counts as a click. »
• Pour l'AI Mode : « si un utilisateur pose une question de suivi, il effectue essentiellement une nouvelle requête ».
• « Search Console doesn't include data from experiments in Search Labs. »

Google confirme par ailleurs que les sites apparaissant dans les fonctionnalités IA « sont inclus dans le trafic de recherche global dans Search Console », au sein du type de recherche « Web ».¹

Temps 2, le rapport dédié (3 juin 2026)

Le nouveau rapport Search generative AI performance couvre les AI Overviews et l'AI Mode, avec un rapport séparé pour Discover.⁴⁷

Deux réserves documentées : un seuil minimal d'impressions conditionne l'affichage du rapport, et « toutes les propriétés n'y ont pas accès, le déploiement étant progressif ». Google précise travailler avec les éditeurs pour « introduire des métriques additionnelles au fil du temps ».

Temps 3, l'attribution du trafic reste impossible

C'est la limite structurelle à énoncer clairement : un clic depuis un AIO est un clic Google Search ordinaire. Il arrive en google / organic et n'est pas séparable du SEO classique. Il n'existe aucun paramètre de référent distinguant l'AIO.

À ne pas confondre avec un clic depuis l'application Gemini, produit autonome, qui constitue un référent identifiable, la confusion est fréquente et fausse les analyses.

Et pourquoi les scores de « part de voix » IA sont fragiles

Un travail académique d'avril 2026 formule le problème avec précision : dans la recherche classique, « une seule requête fournit souvent un instantané représentatif » ; la nature probabiliste de la recherche IA change ce paradigme, « rendant les observations ponctuelles peu fiables ». Sa conclusion : il faut caractériser la visibilité comme une distribution, non comme une valeur unique.⁷²

Confirmation empirique indépendante : sur environ 3 000 exécutions de prompts à travers plusieurs modèles, la probabilité que deux exécutions du même prompt renvoient la même liste de marques est inférieure à 1 %.⁷⁷ C · Mesuré

Le livrable correct n'est donc pas un score, c'est une moyenne assortie d'un intervalle de confiance sur N exécutions répétées, par modèle et par fenêtre temporelle. C'est le critère de discrimination le plus important entre outils, et le moins mis en avant commercialement.

34Logs serveur : le contresens des user-agents

Trois faits documentés, contre trois croyances tenaces :¹⁰ A · Confirmé

La documentation Google n'identifie aucun user-agent propre aux AI Overviews. Et pour une raison simple : il n'y en a pas besoin. Les AIO s'appuient sur l'index alimenté par Googlebot, comme la recherche classique. Chercher dans vos logs une trace de « passage de l'IA de Google » est une impasse méthodologique.

35L'impact sur le trafic : ce que les meilleures mesures établissent

Je hiérarchise ici par qualité méthodologique, en commençant par la seule étude fondée sur du comportement réel observé plutôt que sur du scraping ou des agrégats.

Niveau 1, données comportementales de panel

Environ 900 adultes américains ayant accepté le partage de leur navigation ; 68 879 recherches Google réelles en mars 2025, dont 12 593 avec AIO :⁴⁸ C · Mesuré

Niveau 1, la leçon méthodologique la plus importante du secteur

Une étude sur 300 000 mots-clés (150 000 avec AIO, 150 000 informationnels sans AIO, servant de groupe témoin) mesure le CTR en position 1 :³⁸

L'effet propre de l'AIO est donc (0,026 − 0,040) / 0,040 = −34,5 %, et non (0,026 − 0,073) / 0,073 = −64 %.

La mise à jour de la même étude sur données de décembre 2025 porte l'effet à −58 % : « sur 100 clics qui allaient à la page n°1, il n'en reste que 42 ».³⁸ Réserve : les unités diffèrent entre les deux publications (0,073 contre 0,073 %), ce qui suggère une coquille dans l'une des deux ; je cite le chiffre relatif, qui est robuste.

Convergence internationale

Le point de convergence le plus fort du corpus, sur deux marchés et deux méthodologies indépendantes : le CTR de la première position passe de 27 % à 11 % en présence d'un AIO sur le marché allemand (soit −59 %)⁵⁶, à comparer au −58 % américain. En Allemagne, la perte agrégée est estimée à ~265 millions de clics organiques par mois, avec des portails santé à −21 à −30 % et Wikipedia en première perte absolue (31,6 M clics/mois).

France : le cas le plus récent et le plus documenté

Les AI Overviews ont été déployés en France le 22 juillet 2026, deux ans après les États-Unis, le retard s'expliquant par le contentieux sur les droits voisins, non par le DMA. Une mesure sur les 963 domaines générant le plus de clics en France, avec groupe témoin (domaines à moins de 2 % d'exposition AIO), comparant les 28 jours avant aux 9 jours après :⁴³ C · Mesuré

La distribution des pertes de clics sur le panel est plus parlante que la moyenne : 48 % des domaines perdent plus de 10 % de leurs clics, 19 % plus de 30 %, et 5 % plus de 50 %. Les domaines en .fr perdent 12,3 % de clics.

La position de Google, et pourquoi le désaccord est un faux désaccord

Google affirme le contraire, sans publier de données :

Google qualifie les études contraires d'« inexactes » et fondées sur des « méthodologies défaillantes ». Trois critiques de cette critique sont légitimes : Google ne publie aucune donnée à l'appui ; il définit le « clic de qualité » par un critère non observable de l'extérieur ; et à l'époque de cette déclaration, les éditeurs n'avaient aucun moyen de vérifier leurs propres données AIO (section 33).

Signalons enfin une contradiction interne au corpus : une étude mesure, sur les mêmes mots-clés avant et après apparition de l'AIO, un taux de zéro-clic qui baisse de 2,22 points (33,75 % → 31,53 %), méthodologiquement solide puisqu'appariée.⁴⁴ D'autres mesures concluent à une forte hausse du zéro-clic. Réconciliation plausible : ces mesures ne comptent pas la même chose comme « clic » (les clics sur les onglets et suggestions Google inclus ou non). Débat ouvert.

36Ce qui est prouvé

Affirmations adossées à une documentation officielle, une déclaration attribuable ou un constat judiciaire. A · Confirmé

37Ce qui est plausible mais non démontré

Mécanismes décrits par des brevets ou exposés par l'API Vertex, dont l'application effective aux AI Overviews n'est pas établie. B pour le mécanisme, D pour sa transposition.

• Injection d'identifiants de source (S1, S2) dans le prompt, et linkification par distance d'embeddings.²⁸
• Scores de confiance par portion de résumé, pondérés par le nombre et la fiabilité des documents vérificateurs, avec suppression du résumé entier sous un seuil.²⁸
• Quatre canaux de sélection : requêtes corrélées, historique récent, requêtes implicites.²⁸
• Filtrage des sous-requêtes par métriques de pertinence et de diversité.³¹
• Information gain comme critère de sélection, écartant le contenu redondant.³⁵
• Résumés révisés selon les interactions antérieures, et persistance d'état conversationnel sous forme d'embeddings.²⁸³⁰
• Un vérificateur d'entailment dans la boucle, plausible parce que Google documente une latence inférieure à 500 ms pour cette opération.⁸³
• Un passage autosuffisant est plus récupérable, sujet explicite, pas de dépendance anaphorique, entités nommées plutôt que pronoms. C'est l'énoncé qui survit aux deux camps du débat, et il ne demande ni découpage artificiel ni titres en forme de questions : c'est de la clarté rédactionnelle.

38Six mythes à enterrer

39Les frontières inconnues

Une étude honnête doit nommer ce qu'elle ne sait pas. Voici les zones où la documentation publique s'arrête, et où toute affirmation catégorique doit être tenue pour suspecte.

40Vérifier par vous-même : protocole minimal

Tout ce qui précède est réplicable. Voici le protocole que j'appliquerais, et ses garde-fous.

1. Observer les sous-requêtes de fan-out

Impossible sur Search. Possible via l'API Gemini avec l'outil de recherche activé : le champ webSearchQueries renvoie les sous-requêtes réellement générées.⁸¹ Garde-fou : ce n'est pas le modèle de Search. Traitez le résultat comme un indicateur de la forme du fan-out sur votre thématique, jamais comme la liste exacte utilisée par l'AIO.

2. Mesurer la volatilité de vos citations

Relevez la même requête N fois (N ≥ 5) le même jour, puis sur plusieurs jours. Rapportez une fréquence de citation avec intervalle, pas un statut binaire cité/non cité. Raisonnez au niveau du domaine autant qu'au niveau de l'URL : la stabilité y est très supérieure (section 04).

3. Calibrer un seuil d'éligibilité sur votre corpus

Google documente la méthode pour son dynamic retrieval, et elle est transposable : « créez un ensemble représentatif de requêtes que vous attendez, triez-les selon le prediction score de la réponse, et sélectionnez un bon seuil pour votre cas d'usage ».⁸⁵ Cela vous donne une carte de vos requêtes par « besoin d'ancrage », un proxy utile de leur probabilité de déclencher un AIO.

4. Auditer l'extractibilité de vos passages

Le test le plus fiable est celui du cadre AIS : prenez une phrase clé de votre page, isolez-la de son contexte, et demandez-vous si un lecteur pourrait valider l'énoncé « selon [votre site], [cette phrase] » sans rien d'autre.⁹⁹ Si la phrase dépend d'un pronom, d'un « celui-ci », d'un sujet implicite ou du paragraphe précédent, elle est non interprétable, et une affirmation non interprétable ne peut même pas être évaluée pour attribution, a fortiori citée.

Attention : c'est un test de clarté, pas une injonction à découper. Voir mythe 4.

5. Ne pas se tromper d'espace vectoriel

Si vous calculez des similarités d'embeddings, utilisez les task_type RETRIEVAL_QUERY / RETRIEVAL_DOCUMENT, jamais SEMANTIC_SIMILARITY, que Google accompagne de la mention « ne pas utiliser pour des cas d'usage de récupération ».⁸⁷

·Glossaire

·Sources

103 références, classées par nature. Les numéros correspondent aux appels de note dans le texte. Toutes les URL ont été consultées en août 2026.

Documentation et communication officielles de Google

1. Google Search Central, AI features and your website. developers.google.com , source normative principale : fan-out, éligibilité, contrôles.
2. Google Search Central, Optimizing your website for generative AI features on Google Search (mai 2026). developers.google.com , définitions officielles de RAG et du query fan-out ; section « mythbusting ».
3. Google Search Central Blog, Top ways to ensure your content performs well in Google's AI experiences (21 mai 2025). developers.google.com
4. Google Search Central Blog, Introducing Search generative AI performance reports in Search Console (3 juin 2026). developers.google.com
5. Google Search Help, AI Overviews. support.google.com
6. Google Search Help, AI Mode. support.google.com , seuil de confiance et bascule vers les liens web.
7. Search Console Help, Search generative AI performance report. support.google.com
8. Search Console Help, What are impressions, position, and clicks? support.google.com , règles de comptage des AIO.
9. Google Search Central, Robots meta tags specifications. developers.google.com
10. Google Search Central, Google crawlers and fetchers. developers.google.com , périmètre exact de Google-Extended.
11. Liz Reid, AI Overviews: About last week, blog.google (30 mai 2024). blog.google , source primaire capitale sur l'architecture et les échecs.
12. Google, Generative AI in Search, I/O 2024 (14 mai 2024). blog.google
13. Robby Stein, Expanding AI Overviews and introducing AI Mode (5 mars 2025). blog.google
14. Google, AI Mode update, I/O 2025 (20 mai 2025). blog.google , fan-out, Deep Search, Gemini 2.5 custom.
15. Dounia Berrada, How Google AI visual search works (5 mars 2026). blog.google
16. Google, Gemini 3 in Search and AI Mode (18 nov. 2025). blog.google
17. Liz Reid, AI in Search is driving more queries and higher quality clicks (6 août 2025). blog.google
18. Sundar Pichai, Alphabet Q3 2024 earnings. blog.google , coût machine par requête réduit de plus de 90 % en 18 mois.
19. Sundar Pichai, Alphabet Q2 2026 earnings. blog.google
20. Google, How we're approaching the 2024 elections (déc. 2023). blog.google , restriction visant « Bard and SGE ».

Sources judiciaires et réglementaires

21. United States v. Google LLC, n° 20-cv-3010 (APM), D.D.C., Memorandum Opinion (remèdes), 2 septembre 2025. caselaw.findlaw.com , Findings 7, 8, 37, 38, 41, 44 : FastSearch, RankEmbed, définition du grounding. Témoignages sous serment de Sundar Pichai et Liz Reid.
22. Competition and Markets Authority (UK), CMA secures fairer deal for publishers (3 juin 2026). gov.uk
23. Commission européenne, communiqué IP/25/2964 (9 déc. 2025). ec.europa.eu
24. Library of Congress, Germany: Court Holds Google Liable for Incorrect AI Overviews (LG München I, 28 mai 2026). loc.gov , également : retraits santé de janvier 2026, TechCrunch.
25. Google Search Central Blog, A new resource for optimizing for generative AI (mai 2026). developers.google.com

Travaux académiques sur les AI Overviews

26. Grossman, Liu, Chen, Smith, Borcea, Chen, How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews. arXiv:2604.27790 , 11 500 requêtes ; Jaccard < 0,2 entre plateformes ; sites bloquant les crawlers IA sous-représentés. Préprint.
27. Xu, Iqbal, Montgomery, Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact. arXiv:2605.14021 , 55 393 requêtes, 40 jours, 98 020 claims atomiques, 11 % non soutenus. Préprint.

Brevets Google (statut : piste technique, non preuve de déploiement)

28. Generative summaries for search results, US 11 769 017 B1 (dépôt 20 mars 2023, délivré 26 sept. 2023 ; priorité 30 déc. 2022). Inventeurs : Gray, Blitzer, Herrick, Venkatachary, Madhavan, Oates, Parakh, Shah, Rofouei, Badr. patents.google.com , brevet pivot : classification d'éligibilité, quatre canaux de sélection, identifiants de source, linkification par embeddings, confiance par portion, non-déterminisme assumé. Continuations : US 11 900 068 B1, US 11 886 828 B1, US 12 118 325 B2.
29. Generative summaries for search results (continuation), US 2025/0005303 A1. patents.google.com
30. Search with stateful chat, US 2024/0289407 A1 (dépôt 27 févr. 2024). Inventeurs : Rofouei, Shukla, Wei, Tang, Brown, Piqueras. patents.google.com , requêtes synthétiques, état persistant en embeddings, routage vers LLM spécialisés.
31. Utilizing large language model in responding to multifaceted queries, US 2025/0117381 A1 (dépôt 7 oct. 2024). patents.google.com , filtrage des sous-requêtes par pertinence et diversité.
32. Generating query variants using a trained generative model, US 11 663 201 B2. patents.google.com , corroboration croisée par variantes, antériorité pré-LLM du fan-out.
33. Thematic search, US 12 158 907 B1. patents.google.com
34. Systems and methods for prompt-based query generation for diverse retrieval (Promptagator), WO 2024/064249 A1. patents.google.com , entraînement du récupérateur, à ne pas confondre avec le fan-out à l'inférence.
35. Contextual estimation of link information gain, US 12 013 887 B2. patents.google.com , score d'apport d'information, évitement de la redondance.

Études empiriques quantitatives

36. Ahrefs, What Triggers AI Overviews? 86 Factors and 146 Million SERPs (sept. 2025). ahrefs.com , plus grand échantillon du corpus.
37. Ahrefs, 38% of AI Overview Citations Pull From The Top 10 (mars 2026). ahrefs.com , 863 000 SERP, 4 M URL.
38. Ahrefs, AI Overviews Reduce Clicks by 34.5% (avr. 2025) et sa mise à jour (−58 %, déc. 2025). ahrefs.com , avec groupe témoin : la référence méthodologique sur le CTR.
39. Ahrefs, We Tracked 1,885 Pages Adding Schema. ahrefs.com , différence de différences appariée : la seule étude quasi-expérimentale sur le schema.
40. Ahrefs, Short vs. Long Content in AI Overviews. ahrefs.com , 560 346 AIO, corrélation longueur/citation = 0,04.
41. Ahrefs, How often do AI Overviews change? ahrefs.com , 70 % de changement, persistance 2,15 j, cosinus 0,95, corrélation popularité/stabilité −0,014.
42. Ahrefs, AI Overviews vs AI Mode (sept. 2025). ahrefs.com , 86 % de conclusions identiques, 13,7 % d'URL communes.
43. Ahrefs, Un mois d'AI Overviews en France (août 2026). ahrefs.com/fr , 963 domaines avec groupe témoin. Synthèse : Abondance.
44. Semrush, AI Overviews Study 2025 (10 M+ mots-clés, janv.-nov. 2025). semrush.com
45. Semrush, We Studied 200,000 AI Overviews (sept. 2024). semrush.com
46. Semrush, URL Volatility in AI Overviews (3 000 mots-clés, oct. 2024). semrush.com , suivi quotidien : aucun mot-clé stable.
47. Semrush, AI Overviews are expanding across commercial intent search (600 000+ mots-clés, nov. 2025-avr. 2026). semrush.com
48. Pew Research Center, Google users are less likely to click on links when an AI summary appears (22 juil. 2025). pewresearch.org , 68 879 recherches réelles : la seule étude comportementale du corpus.
49. seoClarity, The Overlap Between AI Overviews and Organic Rankings (362 000 requêtes, oct. 2025). seoclarity.net
50. BrightEdge, AI Overviews at the One-Year Mark (9 industries, févr. 2025-févr. 2026). brightedge.com
51. SE Ranking, Google AI Overviews Research (100 013 mots-clés, juin 2024). seranking.com , attention : résultats sectoriels contradictoires avec l'étude YMYL du même éditeur (oct. 2024).
52. SE Ranking, AI Mode Research (10 000 mots-clés, juin 2025). seranking.com , 9,2 % de constance sur trois relevés du même jour ; répartition des formats de liens.
53. Surfer SEO, AI Overviews Study (405 576 AIO, oct. 2024). surferseo.com
54. Surfer SEO / Search Engine Land, AI Overview fan-out rankings boost citation odds by 161% (déc. 2025). searchengineland.com
55. Advanced Web Ranking, AI Overview Study (8 000 mots-clés, juil. 2024). advancedwebranking.com , hauteur en pixels, cohabitation des features.
56. Sistrix, Google AI Overviews (100 M+ mots-clés, marché allemand). sistrix.de , CTR position 1 : 27 % → 11 %.
57. Amsive, Google AI Overviews CTR research (700 000 mots-clés). amsive.com , réserve : période de mesure non publiée.
58. Originality.AI, 52% of AI Overview Citations Appear in the Top 10. originality.ai
59. Position Digital, How Does AI Overview Pick its Sources? (août 2026). position.digital , réserve assumée par les auteurs : 31 mots-clés, un jour, un compte, un pays.
60. Rich Sanger & Authoritas, AI Overviews Across Industries (11 162 requêtes, 19 secteurs, 2024). richsanger.com , voir aussi son index d'études.
61. Authoritas / Search Engine Land, Google AI Overviews more volatile than organic rankings (11 203 mots-clés, 3 dates). searchengineland.com
62. Similarweb / Search Engine Roundtable, No-click searches grew from 56% to 69%. seroundtable.com
63. Seer Interactive, AIO impact on Google CTR. seerinteractive.com
64. Chartbeat / Reuters Institute, Journalism, Media and Technology Trends and Predictions 2026, relayé par Press Gazette , baisse multi-causale : ne pas imputer aux seuls AIO.

Documentation d'API SERP (anatomie observable du bloc)

65. SerpApi, Google AI Overview API. serpapi.com , types de blocs, page_token expirant en 4 min. Voir aussi AI Mode API.
66. DataForSEO, How to scrape Google AI Overviews. dataforseo.com , champ asynchronous_ai_overview, tarification du chargement asynchrone.
67. Bright Data, SERP API, AI Overview. brightdata.com , +5 à 10 s pour capturer le bloc complet.
68. Scrape.do, How to scrape Google AI Overview. scrape.do , conteneur vide dans le HTML initial.
69. Search Engine Land, Why every AI search study tells a different story. searchengineland.com , voir aussi la comparaison ZipTie / Semrush, à lire comme argument commercial.
70. Abondance, Lancement officiel des AI Overviews en France (22 juil. 2026). abondance.com

Optimisation, mesure et critique méthodologique

71. Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande, GEO: Generative Engine Optimization, KDD 2024. arXiv:2311.09735 , GEO-BENCH, 10 000 requêtes : citations +41 %, statistiques +30 %, sourçage +28 %, bourrage de mots-clés négatif. Testé sur des moteurs génératifs non-Google.
72. Schulte, Bleeker, Kaufmann, Don't Measure Once: Measuring Visibility in AI Search (avr. 2026). arXiv:2604.07585 , la visibilité IA est une distribution, non une valeur.
73. Semrush, Most cited domains in AI (230 000 prompts, 13 semaines, 3 plateformes). semrush.com , Reddit de ~60 % à ~10 % sur ChatGPT en six semaines.
74. Search Engine Land, Google doesn't want you to create bite-sized chunks of your content (janv. 2026). searchengineland.com , propos de Danny Sullivan. Voir aussi « SEO for AI is still SEO ». Déclarations rapportées, sans transcript officiel.
75. Search Engine Journal, Google's Mueller says llms.txt can't help LLMs differentiate sites. searchenginejournal.com
76. Search Engine Land, Schema markup and AI search: no hype (mars 2026). searchengineland.com , relaie une étude Search Atlas ne trouvant aucune corrélation ; méthodologie complète non publiée.
77. Brainlabs, AI visibility data accuracy (~3 000 exécutions). brainlabsdigital.com
78. iPullRank (Mike King), How AI Mode works. ipullrank.com , analyse adossée à des brevets ; « relevance engineering ». Hypothèses, non mesures.
79. DEJAN (Dan Petrovic), Inside Chrome's semantic engine. dejan.ai , observation directe d'un système Google réel.
80. Search Engine Land, Google says normal SEO works for ranking in AI Overviews, and llms.txt won't be used (juil. 2025). searchengineland.com , propos de Gary Illyes : « same crawler, same index, same ranking systems ». Rapporté.

Documentation Vertex AI / Gemini API (les mêmes primitives, documentées)

81. Google Cloud, GroundingMetadata, référence REST v1beta1. docs.cloud.google.com , webSearchQueries, groundingChunks, groundingSupports, segment, confidenceScores, googleSearchDynamicRetrievalScore.
82. Google, Grounding with Google Search, Gemini API. ai.google.dev , pipeline documenté en cinq étapes.
83. Google Cloud, Check grounding API. cloud.google.com , entailment strict, « une phrase = une affirmation », citation_threshold, grounding check required, latence < 500 ms.
84. Google Cloud, Grounded Generation API. cloud.google.com , seuil par défaut 0,7, contre 0,3 côté Gemini API.
85. Google, Grounding, dynamic retrieval et prediction scores (archive de la doc Gemini API, févr. 2025). web.archive.org , table officielle des scores, exemple complet de réponse ancrée, contraintes sur les URI de redirection.
86. Google Cloud, Ranking API. cloud.google.com , 1 000 records, 512 tokens par record.
87. Google Cloud, Text embeddings, task types. docs.cloud.google.com , RETRIEVAL_QUERY, FACT_VERIFICATION, avertissement sur SEMANTIC_SIMILARITY.
88. Google Cloud, Grounding overview et RagFileTransformationConfig. docs.cloud.google.com , sources de grounding enfichables ; chunkSize / chunkOverlap.

Passage ranking et fondements académiques du pipeline

89. Google, How AI is powering a more helpful Google, Search On 2020. blog.google , annonce du passage understanding, « 7 % des requêtes toutes langues ».
90. Google Search Central, Guide to Google Search ranking systems. developers.google.com , passage ranking comme système nommé et permanent.
91. Search Engine Roundtable, Google: passage ranking, not passage indexing (oct. 2020). seroundtable.com : « un document avec de multiples annotations, scorables indépendamment ». Voir aussi les précisions de Martin Splitt.
92. Dai & Callan, Deeper Text Understanding for IR with Contextual Neural Language Modeling, SIGIR 2019. arXiv:1905.09217 , BERT-FirstP / MaxP / SumP : la rationale du découpage en passages et du titre préfixé.
93. Lewis, Perez, Piktus et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020). arXiv:2005.11401 , également : Borgeaud et al., RETRO.
94. Izacard & Grave, Leveraging Passage Retrieval with Generative Models for Open Domain QA (Fusion-in-Decoder, 2020). arXiv:2007.01282
95. Karpukhin, Oguz, Min et al., Dense Passage Retrieval for Open-Domain QA (2020). arXiv:2004.04906
96. Khattab & Zaharia, ColBERT: Contextualized Late Interaction over BERT (2020). arXiv:2004.12832
97. Press, Zhang, Min, Schmidt, Smith, Lewis, Measuring and Narrowing the Compositionality Gap in Language Models (Self-Ask, 2022). arXiv:2210.03350 , l'ancrage académique le plus net du query fan-out.
98. Gao, Dai, Pasupat et al. (Google Research), RARR: Researching and Revising What Language Models Say (2022). arXiv:2210.08726
99. Rashkin, Nikolaev, Lamm, Collins, Das, Petrov et al. (Google Research), Measuring Attribution in Natural Language Generation Models (cadre AIS). arXiv:2112.12870 , publié dans Computational Linguistics 49(4), 2023, souvent mal cité comme TACL.
100. Bohnet, Tran, Verga, Collins, Das, Metzler, Petrov et al. (Google), Attributed Question Answering (2022). arXiv:2212.08037 : « retrieve-then-read » bat l'attribution post-hoc ; AutoAIS. Préprint, sans enregistrement ACL.
101. Min, Krishna, Lyu et al., FActScore (2023). arXiv:2305.14251 , décomposition en faits atomiques ; voir aussi SummaC et TRUE.
102. Jacovi, Wang, Alberti, Tao et al. (Google DeepMind & Google Research), The FACTS Grounding Leaderboard (janv. 2025). arXiv:2501.03200 , documents jusqu'à 32 k tokens ; disqualification des réponses qui n'adressent pas la demande.
103. Google Cloud, Grounding with Google Search (Vertex AI). cloud.google.com , exclusion des pages interdisant Google-Extended ; Google se citant lui-même comme chunk d'ancrage.

·Journal des versions

Cette page est maintenue. Les AI Overviews évoluant vite, chaque révision est datée et son objet précisé.

Points à surveiller pour les prochaines révisions

• Extension mondiale de l'opt-out Search Console, et ajout éventuel des clics au rapport génératif.
• Issue de l'appel de Google contre la décision du tribunal de Munich, qui déterminera son régime de responsabilité.
• Suites de l'enquête antitrust européenne ouverte en décembre 2025.
• Premières données françaises à maturité : au-delà des 9 jours mesurés, et sur d'autres dimensions que le CTR.
• Convergence annoncée entre AI Overviews et AI Mode en une expérience unifiée, qui invaliderait la distinction de la section 02.
• Toute étude à réplication indépendante sur l'effet du découpage de contenu, aujourd'hui inexistante.