AI Mode et AI Overviews : comment fonctionne le nouveau Google

Depuis le 22 juillet 2026, les aperçus AI Overview ainsi que le mode IA de Google sont désormais disponibles en France. Le communiqué a été envoyé par Google sur son blog principal et ce déploiement prévoit une couverture progressive jusqu'au 23 septembre qui était initialement la date limite de déploiement.

Les 2 nouvelles fonctionnalités de la SERP apparaissent et on commence à le savoir de plus de plus mais une question se pose : leur fonctionnement respectif. Les 2 viennent de Google mais quelles sont leurs réelles différences et comment Google fait-il le pont entre les 2 afin de faire basculer les utilisateurs habitués aux SERP classiques vers l'AI Mode.

Sommaire

1. Les deux dispositifs ne récompensent pas les mêmes sources
2. Ce que le lancement français a ouvert, et ce que l'opt-out referme
3. 3 analyses qui ont posé les bases sur le mécanisme
4. Le query fan-out : votre requête n'est plus une requête
5. D'un modèle déterministe à un modèle probabiliste
6. Trois chantiers qui valent pour tous les dispositifs

Les deux dispositifs ne récompensent pas les mêmes sources

Un changement qui commence par l'AI Overview

Il n'est pas difficile de comprendre pourquoi Google propose ces 2 fonctionnalités et qu'il les tient séparés sur un fonctionnement distinct.

L'AI Overview doit être perçu comme un pont subtilement proposé à l'utilisateur pour embarquer ce dernier dans une nouvelle manière de faire des recherches sur le web car Google sait que beaucoup d'utilisateurs récalcitrants resteront dans leurs habitudes de recherche. La recherche web par mot clé ne va pas disparaitre du jour au lendemain.

Google affirme dans sa documentation que l'AI Overview ne s'affiche que lorsqu'il peut apporter un complément utile à la recherche classique. De l'autre côté, le mode IA reste une destination quel que soit le point d'entrée de l'utilisateur depuis son navigateur. Il ne se déclenche jamais par défaut même si Google Chrome propose plusieurs points d'entrée vers ce mode.

Le premier peut donc toucher davantage d'utilisateurs car il est indirectement imposé à l'utilisateur qui utilise Google.

Les gagnants ne sont pas les mêmes selon le dispositif

Google le confirme dans sa documentation, les réponses et citations ne sont pas les mêmes d'un mode à l'autre et il ne faut donc pas les voir comme un modèle unique fonctionnant sur le même socle.

Voici une répartition réalisée par Otterly sur les 100 requêtes les plus recherchées en Allemagne entre octobre et novembre 2025.

La lecture diverge autant que les sources

Ce ne sont pas uniquement les sources qui divergent entre ces 2 modes. La divergence vient aussi du comportement de l'utilisateur, qui n'est pas le même face à une interface pleinement conversationnelle d'un côté et à un accès au résultat classique au scroll de l'autre.

Une étude publiée par Kevin Indig en octobre 2025 et dirigée par Eric Van Buskirk pour Clickstream Solutions a étudié les interactions de 37 participants sur un total de 250 tâches. Sur AI Mode, le constat est net : 77,6 % des sessions se terminent sans visite extérieure, les utilisateurs sont donc restés dans l'interface.

Ce que le lancement français a ouvert, et ce que l'opt-out referme

Le retard tenait au droit voisin, et il a produit un droit de retrait

La raison pour laquelle la France a reçu tardivement ces 2 nouvelles fonctionnalités n'était pas technique. Elle tient à un engagement pris par Google envers l'Autorité de la concurrence : les négociations sur les droits voisins ne devaient affecter ni l'indexation, ni le classement, ni la présentation des contenus de la presse généraliste et spécialisée.

Les différentes sanctions subies en 2021 et 2024 ont fortement contribué à ce que Google reste en conformité sur ces aspects.

Cet accord porte donc 3 changements :

• Un droit de retrait sous forme d'opt-out, sans conséquence sur le référencement
• Une distinction des impressions générées par les fonctionnalités IA
• Une rémunération pour les éditeurs français couverts par cet accord

Un choix qui s'impose aux éditeurs dans la Search Console

Le droit de retrait se trouve dans la Search Console, dans les paramètres consacrés à l'IA générative. Ce choix s'applique à tous les dispositifs reposant sur l'IA générative de Google, dont celui de Discover, sans aucun moyen de sélectionner un dispositif spécifique.

Le choix n'affecte en revanche pas les résultats du Search classique, ni même l'entraînement des modèles, qui relève d'un contrôle séparé.

Se retirer, c'est uniquement perdre de la visibilité

C'est sur ce constat que le choix porte vers le choix vers l'acceptation. Refuser signifie radicalement qu'un site ne recevra aucune visibilité en provenance des fonctionnalités générative. Cela n'aura pas pour autant pour effet de réduire leur apparition sur les requêtes ciblées. On parle donc ici de volontairement se couper d'une visibilité sans réelle contrepartie et que l'on ne récupérera pas sur un autre canal d'acquisition.

Pour une majorité des sites, le choix sera assez clair, que l'on soit gagnant ou perdant dans ce changement, une adaptation de votre stratégie s'impose et le refus via l'opt out ne sera pas une alternative pour sécuriser des acquis SEO potentiellement menacés par ce changement.

L'instrument officiel compte les impressions et pas les clics

Un dernier changement sur la Search Console a accompagné cette arrivée de l'IA, c'est le premier rapport IA générative sur la Search Console.

Son fonctionnement est très rudimentaire, il isole simplement les impressions générées par les interfaces d'IA générative sur Google (tout dispositif confondu). La principale limite à ce jour est qu'il n'affiche que les impressions et non les clics. Ce choix n'est pas surprenant sur ce type de dispositif mais limite fortement l'intérêt de ce rapport. Il ne vous donne donc que très peu d'informations en dehors des tendances et des pages à l'origine de cette visibilité.

On peut s'attendre à des évolutions à venir sur ce rapport qui pour le moment ne suffit clairement pas à suivre votre visibilité IA.

3 analyses qui ont posé les bases sur le mécanisme

Google n'a pas documenté le fonctionnement de son moteur mais heureusement, 3 études indépendantes s'en sont chargées pour nous éclairer sur son fonctionnement :

• Les brevets : 4 ont été analysés en détail par Mike King sur différents angles essentiels comme la mémoire persistante de l'utilisateur, l'assemblage d'un corpus propre à chaque requête, la comparaison de passages deux à deux par un modèle de langage, et la représentation vectorielle de l'utilisateur.
• Vertex AI Search : le moteur IA que Google commercialise, étudié entre autres par Metehan Yeşilyurt sur différents aspects visibles comme les étapes du pipeline, les signaux de classement ou encore le plafond des passages en tokens
• Olaf Kopp a creusé également la base sur Vertex en étudiant la documentation officielle sur la récupération, le classement et l'ancrage des réponses.

Une limite tout de même à poser sur ces différentes analyses, elles reposent soit sur un brevet qui n'expose pas son implémentation en production au public, soit sur un produit d'entreprise qui ne correspond pas nécessairement au fonctionnement des nouveaux dispositifs en place.

Google a fini par publier sa propre documentation avec son guide d'optimisation pour les fonctionnalités d'IA générative, paru le 15 mai 2026. Il cite la génération augmentée par récupération, qu'il appelle aussi l'ancrage, et le query fan-out.

De votre requête à la réponse : le pipeline en 6 étapes

Si on reprend les différentes analyses citées ci-dessus, on en déduit un pipeline en 6 étapes dont certaines sont familières et déjà vues dans nos analyses sur la récupération.

1. La requête de l'utilisateur est interprétée : son intention, sa complexité et la réponse qui y est attendue. Celle-ci est ensuite classifiée : réponse, demande de précision ou liste de liens.
2. La requête est éclatée en sous requêtes : le query fan-out, comme nous l'avons déjà vu assez souvent sur le blog
3. La récupération au niveau du passage : on arrive à la phase de chunking, également présentée dans un précédent article. Chaque passage récupéré est converti en vecteur. Sur Vertex, le plafond des passages est à 500 tokens soit environ 375 mots.
4. Les passages forment un corpus pour la réponse : c'est en effet l'ensemble de la récupération qui alimente la réponse du modèle.
5. Les passages sont mis en compétition par paire : 2 passages sont confrontés afin de savoir lequel sera retenu.
6. Enfin la réponse est formulée avec citation et validation préalable

Ce qui sépare les deux dispositifs est un réglage, pas une architecture

Les AI Overview fonctionnent sur une mécanique proche mais nettement plus resserrée avec moins de sous requêtes et un sourcing plus sélectif. Le mode IA quant à lui est sa version complète.

Olivier de Segonzac a étudié cet écart entre les 2 dispositifs en février 2026 en analysant le code source de pages de résultats. Le mode IA produit en moyenne 8 à 12 sous requêtes par recherche et lance des centaines de recherches en mode de approfondie. L'AI Overview se limite en revanche à un fan-out très restreint, voire complètement absent.

Cela influence donc directement le volume de citation qui peut passer de 10 à 30 en moyenne selon la recherche bien entendu.

Il précise bien que cela reste des ordres de grandeur et non des chiffres à prendre comme une documentation officielle. L'écart relevé reste cependant révélateur et peut-être même pas si surprenant. L'AI Overview doit se voir surtout comme un raccourci vers le mode IA et non comme un substitut, l'utilisateur doit y voir un gain pour justifier ce passage de l'un à l'autre et changer radicalement ses habitudes de navigation.

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

Nous avons souvent parlé de la Query fan out et ce n'est pas pour rien. Elle constitue un élément fondamental du fonctionnement des LLM et c'est un des éléments les plus maitrisables de votre stratégie en AI Search. C'est par ces requêtes que vous allez construire votre stratégie de contenu et votre arborescence.

Une question qui soulève des dizaines d'autres

Le query fan-out doit être vu comme les facettes d'un menu de filtres. Ce qui vous permet de filtrer une liste de produits très dense afin de resserrer vers votre choix définitif.

Prenons un exemple concret, « Téléviseur 4K » :

• Choix / découverte : comparatif
• Taille / dimension : 43 pouces
• Technologie d'écran : Oled
• Marque : Samsung
• Usage : Gaming
• Fonctionnalités : Dolby vision
• Prix : 1500 euros

J'ai volontairement limité les facettes, mais chaque élément alimente ici des fan-out potentiels, avec des variations qui dépendent de la requête.

On rejoint très clairement la notion de facette largement connue en SEO classique.

Vous êtes donc normalement en terrain familier.

7 familles de Fan Out à distinguer

Dans son analyse des brevet Mike King 7 familles de fan out.

L'impact des fan out sur les citations et mentions

Ce fonctionnement induit donc une chose essentielle, si votre contenu sert un fan-out exclusif, vous pouvez voir une citation sur une requête que vous ne couvrez pas directement. Le fan-out a indirectement permis cette citation.

Couvrir les facettes devient donc un enjeu majeur de visibilité en AI Search.

D'un modèle déterministe à un modèle probabiliste

La recherche SEO classique est par définition déterministe car la page entre dans un classement selon des facteurs spécifiques qui s'appliquent à l'ensemble des sites. Tout le monde voit la même chose (à la seule exception de l'impact de l'historique).

En AI search, on passe à un système probabiliste. Après récupération, le contenu se retrouve recomposé et paraphrasé par le modèle et ceci de manière probabiliste, à savoir sans jamais garantir plusieurs fois la même réponse à des utilisateurs posant la même question.

Attention à ne pas confondre probabiliste et aléatoire. Le modèle ne répond pas aléatoirement, il répond simplement à des règles de fonctionnement et on va les détailler.

L'impact de la personnalisation sur la question

Nous avions cité la représentation vectorielle parmi les 4 brevets analysés par Mike King. C'est ce brevet qui décrit le mécanisme dont il est question ici. Tout ce que sait le modèle de vous, de vos préférences, de votre comportement et habitudes sert la réponse finale. Chaque étape du pipeline s'adapte à cette représentation vectorielle et c'est ce critère qui rend le système par définition probabiliste.

Google a déployé une fonctionnalité portée par ce fonctionnement en mai 2026. On parle ici de Personal Intelligence qui a été déployé dans près de 200 pays et 98 langues accessibles par le biais d'un compte Google. Cette personnalisation est la vôtre et ne touche jamais la donnée publique, en opposition au positionnement des domaines sur un mot clé spécifique.

Deux personnes cherchant un téléviseur 4k sollicitent donc des passages différents et obtiennent une réponse différente alors que la requête initiale est identique.

On est clairement ici face à l'un des principaux angles morts de l'AI Search, qui doit être parfaitement connu lorsque l'on fait un rapport de visibilité sur ce levier.

Trois chantiers qui valent pour tous les dispositifs

Quel que soit le LLM travaillé, de nombreux fondamentaux reviennent. Voici les 3 qu'il faut retenir de cette analyse.

Travailler sur les facettes

Votre stratégie SEO avait sans doute identifié les facettes de vos recherches cibles, et ce travail n'a pas disparu avec l'AI Search. Il est même amplifié : le potentiel de citation et de mention est décuplé par l'usage et l'optimisation des fan-out, que l'on peut résumer comme des facettes.

Écrire des passages autonomes

La récupération et le découpage de vos contenus sont un mécanisme fondamental. Si votre écriture anticipe ce comportement, on peut simplifier ce processus.

Comme pour les fan-out, ce processus n'est pas nouveau : les positions 0 sur Google que l'on cherchait à déclencher reposaient aussi sur des extraits courts répondant explicitement à une requête.

Le fonctionnement est repris ici mais s'est généralisé sur l'ensemble de ce canal d'acquisition. Ce n'est donc plus uniquement la recherche d'un gain supplémentaire. Cela devient un principe d'écriture et d'optimisation à systématiser.

Mesurer les deux dispositifs séparément

AI Mode et AI Overview sont différents et nous l'avons démontré. Les mettre ensemble serait comme mélanger Bing et Google en SEO en faisant une moyenne.

Il faut les analyser séparément dans votre suivi et la stratégie d'optimisation repose sur les mêmes critères.

Ce qu'il faut en retenir

Le fonctionnement de ces 2 dispositifs, on le connait depuis un moment, la France l'a reçu en retard mais la documentation et les apprentissages existent déjà à l'échelle globale.

Ce qu'il reste à évaluer, c'est l'impact de ce changement sur le marché en France et comment l'utilisateur français va accepter ce changement et interagir avec.

On s'attend à une remise en question sur chaque marché, les acteurs dominants vont changer, certains y verront des opportunités et d'autres une menace.

Le changement reste inévitable et le choix de l'opt-out ne permet pas d'éviter cette remise en question.