AI Mode et AI Overviews : comment fonctionne le nouveau Google, décrypté avant son arrivée en France

Le 29 juin 2026, Google a adressé un courrier aux éditeurs de presse français : AI Overviews et AI Mode seront déployés en France avant le 23 septembre 2026. Après deux ans de blocage, le calendrier est posé. D'ici la rentrée, la page de résultats que vous connaissez depuis vingt-cinq ans va changer de nature.

La France est l'un des derniers marchés au monde à recevoir ces deux systèmes. On peut le vivre comme un retard. C'est aussi une situation rare : ailleurs, ces interfaces fonctionnent depuis un à deux ans.

Les brevets ont été lus, les comportements d'usage mesurés sur des centaines de milliers de sessions, l'infrastructure documentée par Google lui-même. Le mode d'emploi existe avant que le système n'arrive.

Cet article décrypte ce fonctionnement : ce qui se passe réellement entre le moment où vous tapez une requête et celui où la réponse s'affiche. Non pas pour spéculer sur ce que le lancement français changera (personne ne le sait précisément), mais pour que vous compreniez le système avant de le confronter.

Résumé exécutif

• AI Overviews et AI Mode arrivent en France avant le 23 septembre 2026, avec un opt-out pour les éditeurs, des impressions distinguées dans la Search Console et une rémunération au titre des droits voisins.
• Ce ne sont pas deux variantes d'une même « IA de Google » : deux systèmes, deux logiques de sélection des sources, deux comportements utilisateurs.
• Leur cœur commun est un pipeline documenté par trois fenêtres indépendantes : les brevets, le produit d'entreprise que Google commercialise sur la même infrastructure, et sa documentation officielle.
• La pièce centrale est le query fan-out : votre requête est éclatée en sous-requêtes parallèles. On ne répond plus à un mot-clé, on répond à des facettes.
• Le classement devient probabiliste et personnalisé en amont : deux personnes qui posent la même question ne voient pas la même réponse.

Sommaire

1. Ce qui arrive exactement dans Google
2. Deux systèmes, pas une « IA de Google »
3. Le pipeline : ce qui se passe entre votre requête et la réponse
4. Le query fan-out : votre requête n'est plus une requête
5. Du déterministe au probabiliste : pourquoi deux personnes ne voient pas la même réponse
6. Ce qui a bougé depuis les brevets
7. Ce que ça implique pour un site français

Ce qui arrive exactement dans Google

Deux fonctionnalités distinctes se déploient ensemble, toutes deux construites sur Gemini.

AI Overviews (les « aperçus IA ») affiche un résumé généré en haut de la page de résultats, accompagné de liens sources, avant les résultats classiques. Lancé aux États-Unis en mai 2024, il est présent dans plus d'une centaine de pays (dont le Royaume-Uni, l'Allemagne, l'Italie et l'Espagne) et revendique environ 2,5 milliards d'utilisateurs mensuels.

AI Mode (le « Mode IA ») va plus loin : c'est une interface conversationnelle à part entière, accessible par un onglet dédié, où l'on affine sa question au fil des échanges. Lancé aux États-Unis en mai 2025, déployé depuis dans plus de 200 pays, il a dépassé le milliard d'utilisateurs mensuels un an après son lancement. Ces deux chiffres viennent de la communication de Google : des ordres de grandeur, pas des mesures indépendantes.

Le retard français n'était ni technique ni linguistique. Il était juridique. Google s'était engagé devant l'Autorité de la concurrence à ce que les négociations sur les droits voisins n'affectent pas l'indexation, le classement ou la présentation des contenus de presse. La sanction de 250 millions d'euros reçue en mars 2024, pour manquement à ses engagements, l'a incité à la prudence. Déployer en France un système qui synthétise massivement les contenus des éditeurs, sans cadre clarifié, ravivait exactement ce risque.

Le courrier du 29 juin lève le blocage avec trois engagements. Un opt-out : chaque éditeur pourra refuser que ses contenus apparaissent dans les fonctionnalités IA, sans pénalité sur son référencement classique. Une transparence : les impressions générées par les IA seront distinguées de celles de la recherche classique dans la Search Console. Une rémunération : les contenus exploités dans les réponses générées ouvrent droit aux accords de droits voisins, qui couvrent aujourd'hui environ 450 éditeurs français.

Voilà pour le cadre. Il dit dans quelles conditions ces systèmes arrivent ; il ne dit rien de la façon dont ils fonctionnent. C'est là que la lecture devient utile, et elle commence par une correction.

Deux systèmes, pas une « IA de Google »

Le réflexe naturel sera de parler de « l'IA de Google » au singulier. C'est le premier piège. AI Overviews et AI Mode partagent le même modèle et une bonne partie de leur infrastructure, mais ils sélectionnent leurs sources selon des logiques différentes, et les utilisateurs s'y comportent de façon opposée.

La démonstration la plus nette vient d'Otterly, qui a passé les 100 requêtes les plus recherchées d'Allemagne à travers les deux systèmes, sur octobre-novembre 2025. Les écarts sont structurels. AI Mode se déclenche sur 100 % des requêtes, AI Overviews sur 49 % seulement. Sur la période, AI Mode a généré 30 353 citations contre 2 498 pour les AI Overviews, puisées dans 3 621 domaines contre 615.

Et surtout, les deux systèmes ne récompensent pas les mêmes sources. Sur les requêtes de marque, AI Mode cite majoritairement le domaine de la marque elle-même (58,7 % pour DHL), là où les AI Overviews privilégient les sources tierces (15,4 % pour la même DHL). MediaMarkt ou Spiegel, cités dans plus de la moitié des cas par AI Mode sur leurs propres requêtes, n'apparaissent pas du tout dans les AI Overviews correspondants.

L'étude porte sur le marché allemand ; c'est un proxy, pas une mesure française. Mais le motif a été reconfirmé depuis par les études suivantes du même outil, et il converge avec les données d'autres fournisseurs.

Otterly en tire une caractérisation utile. AI Mode se comporte comme un assistant de recherche exhaustif : toujours actif, ratissant large, favorable au contenu détenu par les marques. AI Overviews agit comme un moteur de réponse sélectif, qui se déclenche moins souvent et s'appuie sur un cercle resserré de sources faisant autorité.

Le comportement des utilisateurs accentue cette divergence. Une étude d'usabilité menée par Kevin Indig et Eric van Buskirk (37 participants américains, 250 tâches) montre qu'en AI Mode, on lit d'abord la réponse générée : 88 % des premières interactions portent sur le texte. On ne clique presque jamais, la médiane est de zéro clic externe par tâche. On accepte la réponse.

À l'inverse, une analyse de flux de navigation sur environ 846 000 sessions Google américaines (données Surfer, analysées par la même équipe) montre qu'un AI Overview transforme la page de résultats en espace de comparaison. Près de la moitié du défilement se fait vers l'arrière : l'utilisateur revient vérifier. L'écart de temps passé selon l'intention de recherche s'effondre de 20 à 6 points. Deux études, deux jeux de données distincts, une même conclusion : l'AI Mode produit l'acceptation, l'AI Overview produit la comparaison.

La conséquence pratique est immédiate : être visible dans l'un ne garantit rien dans l'autre, et les stratégies qui les servent diffèrent.

Une précision de vocabulaire, enfin, pour éviter une confusion avec un article précédent de ce blog. L'AI Search repose sur deux mécanismes : la récupération de contenus web et la génération par le modèle. Ces deux mécanismes sont à l'œuvre dans chacun des deux systèmes décrits ici. AI Overviews et AI Mode ne sont pas l'incarnation de l'un ou l'autre mécanisme : ce sont deux assemblages différents des mêmes briques.

Le pipeline : ce qui se passe entre votre requête et la réponse

Google ne publie pas le schéma de son moteur. Mais trois fenêtres indépendantes s'ouvrent sur la même mécanique, et elles convergent.

La première fenêtre, ce sont les brevets

Au lendemain de Google I/O 2025, Mike King a disséqué quatre brevets qui, articulés ensemble, décrivent l'architecture d'AI Mode :

• la mémoire persistante de l'utilisateur et le raisonnement à travers plusieurs documents (Search with Stateful Chat) ;
• l'assemblage d'un corpus de sources propre à chaque requête (Query Response from a Custom Corpus) ;
• la comparaison de passages deux à deux par un modèle de langage (Pairwise Ranking Prompting) ;
• la représentation vectorielle de l'utilisateur injectée dans le système (User Embedding Models for Personalization).

Un brevet décrit une invention protégée, pas nécessairement l'implémentation exacte en production.

La deuxième fenêtre, c'est le produit que Google vend

Metehan Yeşilyurt a eu une idée simple : plutôt que d'analyser AI Mode de l'extérieur, étudier Vertex AI Search, le moteur de recherche IA que Google commercialise auprès des entreprises. Le produit est construit par les mêmes équipes, sur la même infrastructure. Sa console expose ce que Google ne documente nulle part ailleurs : un pipeline en quatre étapes, sept signaux de classement nommés, des passages de récupération plafonnés à 500 tokens.

L'auteur est explicite sur la portée de sa démarche : rien ne prouve qu'AI Mode tourne sur ce code exact, mais les paramètres exposés livrent la façon dont Google pense la recherche générative.

La troisième fenêtre, c'est la documentation officielle

Olaf Kopp a synthétisé ce que la documentation Vertex de Google Cloud dit noir sur blanc des mécanismes de récupération, de classement et d'ancrage des réponses. Avec la même réserve : ce qui est avéré pour le produit d'entreprise reste une inférence raisonnée pour le moteur grand public.

Trois angles, trois matériaux, une même architecture. Et Google a fini par la confirmer lui-même. Son guide officiel « AI optimization » de mai 2026 nomme les deux mécaniques qui portent ses fonctionnalités IA : le RAG (la génération augmentée par récupération) et le query fan-out.

Voici donc le trajet d'une requête, en six étapes

1. La requête est comprise, pas seulement lue. Le système analyse l'intention, la complexité, le type de réponse attendu, et classifie : cette question mérite-t-elle une réponse générée, une clarification, une simple liste de liens ? « Capitale de l'Espagne » ne déclenche pas le même mécanisme qu'une question comparative à plusieurs critères.

2. La requête est éclatée. C'est le query fan-out : la question unique devient un groupe de sous-requêtes exécutées en parallèle. C'est la pièce centrale du système.

3. La récupération descend au niveau du passage. Le moteur ne cherche plus des pages, il cherche des segments de contenu. Chaque sous-requête et chaque passage sont convertis en vecteurs, et la proximité sémantique décide de la sélection. Côté Vertex, les passages de récupération sont plafonnés à 500 tokens, soit environ 375 mots, avec une option : rattacher à chaque passage la hiérarchie de titres (H1 > H2 > H3), pour qu'un segment évolue avec son contexte.

La documentation officielle ajoute un mécanisme d'arbitrage, la récupération dynamique : un score de prédiction estime, pour chaque question, le bénéfice d'aller chercher sur le web plutôt que de puiser dans la mémoire du modèle. Au-dessus d'un seuil (0,7 par défaut chez Vertex), le système interroge la recherche Google.

4. Un corpus sur mesure est assemblé. Les passages retenus pour l'ensemble des sous-requêtes forment un corpus propre à cette requête, à cet utilisateur, à ce moment. C'est dans ce corpus, et nulle part ailleurs, que la réponse va se construire.

5. Les passages sont comparés deux à deux. Un modèle de langage lit deux passages candidats et désigne le plus pertinent ; répétée sur de nombreuses paires, l'opération produit un classement. Votre contenu n'est plus évalué de façon isolée contre une requête : il est mis face à face avec chaque candidat sélectionné, segment contre segment.

6. La réponse est synthétisée, citée, et vérifiée. Le modèle rédige à partir du corpus et rattache des sources aux affirmations. La documentation Vertex décrit un score de soutien : la part des affirmations réellement étayées par les sources. Un contenu peut avoir franchi toutes les étapes et être écarté au dernier moment, si le modèle le juge trop faible pour ancrer la réponse.

Ce pipeline est le cœur commun des deux systèmes. Les AI Overviews en exécutent une version resserrée (moins de sous-requêtes, moins de sources, déclenchement sélectif) ; AI Mode le déploie en entier, mémoire conversationnelle comprise. Ce qui les sépare est un réglage d'ampleur ; ce qui les unit est cette mécanique. Et toute la mécanique repose sur l'étape 2.

Le query fan-out : votre requête n'est plus une requête

Le terme est de Google lui-même : « AI Mode utilise la technique de query fan-out, qui décompose votre question en sous-thèmes et émet une multitude de requêtes simultanément pour vous. »

Pour mesurer ce que ça change, l'exemple le plus parlant vient d'Aleyda Solís, qui l'a reconstruit dès le lancement d'AI Mode. Prenez une question d'apparence simple : « Pouvez-vous me suggérer un casque Bluetooth confortable, avec un design circum-aural et une bonne autonomie ? »

Derrière cette question unique, elle identifie treize sous-requêtes plausibles. Les meilleurs casques circum-auraux, les plus confortables, ceux avec la meilleure autonomie, la combinaison confort-autonomie, les modèles abordables, les avis utilisateurs, les comparatifs de marques (Sony contre Bose contre Sennheiser), la qualité de fabrication, la technologie de batterie, la légèreté, l'isolation sonore, la vitesse de charge.

Une question posée, treize questions induites. Plusieurs n'ont jamais été formulées par l'utilisateur, le système les infère : le prix n'était pas dans la question, il est dans le fan-out.

Ce n'est pas une expansion aléatoire. Les brevets décrivent une génération raisonnée, et Mike King en a tiré une typologie de sept familles de sous-requêtes, devenue la grille de référence du secteur :

Chaque sous-requête déclenche sa propre récupération de passages. Votre contenu peut donc apparaître dans une réponse sans jamais avoir été positionné sur la requête que l'utilisateur a tapée : il a été sélectionné parce qu'un de ses passages répondait à une sous-requête que personne n'a jamais vue. L'inverse est tout aussi vrai : vous pouvez dominer le classement sur la requête visible et être absent de la réponse, parce que les passages retenus ont été puisés dans les fan-out invisibles.

La conséquence pour le contenu tient en un déplacement : on ne répond plus à un mot-clé, on répond à des facettes. Aleyda Solís le formule comme une mentalité « répondre à une facette ». Pour chaque sujet que vous visez : recenser les sous-questions et les angles qu'un utilisateur (et donc le système) peut explorer, et donner à chacun une réponse développée et focalisée.

Plus votre couverture des facettes est profonde, plus vous multipliez les points d'entrée dans des fan-out que vous ne verrez jamais. C'est aussi ce qui rend la couverture de sujet en grappes de pages (un thème, ses facettes, des liens entre elles) plus pertinente que jamais.

Google a explicitement prévenu qu'il ne fallait pas créer une page distincte pour chaque variation de sous-requête : la pratique relève pour lui de l'abus de contenu à grande échelle. Couvrir les facettes d'un sujet, oui ; industrialiser une page par permutation, non. La frontière entre les deux est exactement celle qui sépare la couverture éditoriale du remplissage.

Du déterministe au probabiliste : pourquoi deux personnes ne voient pas la même réponse

La distinction la plus structurante du décryptage de Mike King tient en deux mots.

La recherche classique est déterministe : votre contenu ressort tel qu'il est entré. La page que vous avez publiée est la page qui s'affiche, au rang que les signaux lui donnent. Ce rang est le même pour tout le monde, aux variations locales près.

La recherche générative est probabiliste : votre contenu est manipulé (extrait, recomposé, paraphrasé) et rien ne garantit la forme sous laquelle il ressortira, ni même qu'il ressortira, quand bien même vous auriez tout fait correctement.

Probabiliste ne veut pas dire aléatoire. Chaque étape du pipeline obéit à des règles. Mais le résultat dépend d'un si grand nombre de variables, dont certaines propres à chaque utilisateur, que la sortie n'est plus prévisible depuis l'entrée. Et la variable la plus déstabilisante pour nos habitudes de mesure est celle-là : l'utilisateur lui-même.

L'un des quatre brevets étudiés par King décrit un vecteur dense représentant chaque utilisateur : ses requêtes passées, ses centres d'intérêt, ses habitudes, le tout injecté dans le système. Ce user embedding n'intervient pas en bout de chaîne, pour re-classer des résultats déjà sélectionnés. Il intervient partout : dans l'interprétation de la requête, dans la génération des sous-requêtes, dans la sélection des passages, jusque dans le format de la réponse.

Lazarina Stoy en a tiré la formulation la plus juste : la personnalisation s'est déplacée en amont. La recherche classique personnalisait en aval : une requête stable, un ensemble de candidats stable, un re-classement selon le profil. La recherche générative personnalise à la source : c'est le fan-out lui-même qui est façonné par ce que le système sait de vous.

Deux personnes qui tapent « meilleur casque Bluetooth » ne reçoivent pas deux classements différents des mêmes résultats. Elles déclenchent deux groupes de sous-requêtes différents, qui récupèrent des passages différents, qui produisent des réponses différentes. La question posée n'est plus constante d'un utilisateur à l'autre.

La conséquence stratégique mérite d'être posée dans ses termes : on ne se bat plus pour une position dans un ensemble stable, on se bat pour l'inclusion dans un ensemble de requêtes qui varie par personne. Votre contenu peut parfaitement répondre au fan-out d'un utilisateur et rester invisible pour son voisin. Non parce qu'il classe mal : parce que le système n'a jamais posé, pour ce voisin, la question qui l'aurait fait remonter.

Les données de volatilité donnent la mesure du phénomène : selon SISTRIX, qui a suivi 82 619 prompts sur dix-sept semaines, AI Mode renouvelle 56 % de ses sources citées d'une semaine sur l'autre. Ce chiffre agrège toutes les causes (personnalisation, fraîcheur, variance du modèle), mais il fixe l'ordre de grandeur : la « position » observée un lundi ne décrit pas la semaine.

C'est ce qui condamne le réflexe le plus ancré du métier, le suivi de position en navigation déconnectée. Suivre un rang unique, hors profil, dans un système où le profil façonne la question elle-même, c'est mesurer un point dans une distribution. Ce que deviennent la mesure et le suivi dans ces conditions est un sujet en soi, traité dans Mesurer sa présence IA : output, retrieval et latent. Retenons le fait d'architecture : la variabilité n'est pas un défaut de jeunesse du système, c'est son fonctionnement nominal.

Ce qui a bougé depuis les brevets

Les quatre brevets disséqués par Mike King datent de 2024-2025, son article fondateur de mai 2025. Une question légitime : ce décryptage est-il encore le bon ? La réponse tient en une distinction : le socle n'a pas changé, l'enveloppe s'est étendue.

Le socle, c'est le pipeline : fan-out, récupération au niveau du passage, corpus sur mesure, comparaison par paires. Rien de ce que Google a livré depuis ne le remet en cause, tout s'y ajoute. Son guide officiel de mai 2026 nomme toujours le RAG et le query fan-out comme les deux mécaniques de ses fonctionnalités IA.

Ce qui s'est étendu, en trois mouvements

Le modèle suit désormais le rythme de la recherche. En novembre 2025, Gemini 3 a été déployé dans AI Mode le jour même de son lancement. En 2026, Gemini 3.5 Flash est devenu le modèle par défaut. Le Search classique a gagné des capacités d'interface générative : des mises en page et des visuels interactifs construits à la volée pour la question posée. La réponse n'est plus seulement un texte rédigé sur mesure, c'est une interface assemblée sur mesure.

Le mécanisme est devenu multimodal. Le 19 mai 2026, Google a redessiné sa barre de recherche, pour faire de l'image, de la vidéo et de la caméra des entrées à part entière. Gianluca Fiorelli a montré que cette bascule n'est pas une rupture, mais l'aboutissement d'une architecture assemblée sur dix ans.

Gemini Embedding 2 projette désormais texte, images, vidéo, audio et PDF dans un même espace vectoriel. Le Visual Query Fan-Out applique aux images la logique du fan-out textuel : une photo est décomposée en sous-requêtes simultanées, exactement comme une question. Sa formule résume le déplacement pour la vidéo : l'unité de récupération n'est plus la page, ni même la vidéo, mais le moment et le segment précis qui répond.

Le système s'oriente vers l'action. Les plateformes de recherche IA ne se contentent plus de récupérer puis de synthétiser en une seule passe : elles planifient, exécutent, évaluent leur propre brouillon et décident de chercher encore. Cette bascule agentique, Mike King la documente sous le nom d'Agentic RAG.

Ce que ça implique pour un site français

Tout ce qui précède se traduit en quatre chantiers. Aucun n'exige d'attendre septembre, c'est précisément l'intérêt de comprendre cette évolution avant son arrivée.

Couvrir des facettes, pas des mots-clés

Si chaque requête devient un groupe de sous-requêtes, la question à poser devant chaque sujet n'est plus « sur quelle expression veut-on se positionner ? ». C'est : « quelles sont les facettes que le système va instruire, et avons-nous une réponse développée pour chacune ? ».

L'exercice est concret : prendre vos cinq sujets prioritaires, recenser pour chacun les sous-questions plausibles et vérifier lesquelles ont une vraie réponse chez vous. Les manques de cette cartographie sont vos angles morts, dans des fan-out que vous ne verrez jamais.

Écrire des passages autonomes

La récupération opère au niveau du segment (500 tokens côté Vertex, soit environ 375 mots). Deux conséquences directes. D'abord, chaque section de vos pages doit être compréhensible isolément : un passage qui commence par « comme nous l'avons vu » ou qui repose sur le paragraphe précédent perd sa valeur une fois découpé. Ensuite, votre structure de titres n'est plus seulement un confort de lecture : c'est le contexte que le système rattache à chaque segment.

Un H2 vague au-dessus d'un passage précis, c'est un passage mal étiqueté dans l'index. La façon dont l'IA extrait et retient ensuite ces passages est un sujet en soi, traité dans Grounding : ce qu'une IA retient vraiment de votre page. Encore faut-il que vos contenus soient accessibles aux crawlers IA, ce qui ne va pas de soi si votre site dépend du JavaScript (le piège est documenté ici).

Mesurer les deux interfaces séparément, dès le premier jour

La France part d'une page blanche : aucune donnée d'usage en France n'existe encore sur ces systèmes. C'est une chance méthodologique rare. Vous pouvez poser une baseline propre avant le lancement (visibilité actuelle, requêtes de marque, citations dans les IA déjà accessibles), puis observer ce que le déploiement change.

À condition de ne pas fondre AI Overviews et AI Mode dans un même tableau : les données d'Otterly et les études d'usage montrent qu'ils récompensent des sources différentes et produisent des comportements opposés. La transparence promise dans la Search Console donnera un premier instrument natif ; les facteurs qui gouvernent la citation elle-même sont détaillés dans Citations IA : ce que disent les 54 études.

Pour les éditeurs : instruire la décision d'opt-out

C'est la spécificité française du lancement : pouvoir refuser que ses contenus alimentent les fonctionnalités IA, sans pénalité déclarée sur le référencement classique. Aucun marché n'a eu à trancher cette question dans ces termes avant nous, et il n'existe pas de réponse générale.

Les termes de l'arbitrage, eux, peuvent être posés. D'un côté, la protection du contenu et la pression sur la négociation des droits voisins. De l'autre, l'absence des interfaces où une partie des parcours d'information va se déplacer. Et l'AI Mode cite volontiers les domaines des marques et des éditeurs là où les AI Overviews les citent peu : l'opt-out ne « coûte » pas la même visibilité sur les deux systèmes. La seule erreur certaine serait de trancher par défaut, sans avoir instruit le dossier.

Comprendre avant de rencontrer

Le 23 septembre au plus tard, ce pipeline sera déployé et affectera l'ensemble des utilisateurs de Google, soit la majeure partie des internautes en France. Rien de ce qui s'affichera alors ne sera nouveau. Le fan-out, la récupération au niveau du passage, le corpus sur mesure, la comparaison des passages deux à deux, la personnalisation en amont : tout cela tourne ailleurs depuis plus d'un an. Documenté par les brevets, exposé dans le produit que Google commercialise, confirmé par sa propre documentation.

La seule chose qui change au lancement, c'est la disponibilité. Le fonctionnement, lui, est déjà connu, et c'est ce qui rend la situation française singulière. Les marchés qui ont reçu ces systèmes en premier les ont compris en les subissant, étude après étude, correction après correction. Nous recevons cette évolution avec tous les retours d'analyses et d'expérience des utilisateurs dans le reste du monde.

Ce décalage ne durera pas : dès les premières semaines, les données françaises commenceront à s'accumuler et les écarts locaux (langue, écosystème de sources, poids des éditeurs) apparaîtront. D'ici là, les quatre chantiers posés ont un mérite rare en SEO : ils ne parient sur rien.

Couvrir les facettes de ses sujets, écrire des passages qui tiennent seuls, poser sa baseline de mesure, instruire sa position sur l'opt-out : chacun de ces choix est utile aujourd'hui, sur les IA déjà accessibles. Et il le restera, quel que soit le visage exact du déploiement.