Depuis le 22 juillet 2026, les Aperçus IA et le Mode IA de Google sont déployés en France (Blog du Modérateur). Le sujet a donc cessé d’être une curiosité américaine à surveiller de loin.
Voilà ce qui se passe quand vous posez une question à ces interfaces : votre phrase n’est presque jamais recherchée telle quelle.
Imaginez que vous demandiez à un documentaliste : « quel vélo électrique pour aller au travail ? ». Un documentaliste médiocre irait chercher les livres contenant exactement cette phrase — et reviendrait les mains vides. Un bon documentaliste, lui, se dirait : il va falloir vérifier l’autonomie, le poids, le prix, la loi, le vol. Puis il enverrait cinq collègues en même temps, un par question.
C’est exactement ce que fait Google. Ce mécanisme s’appelle le query fan-out — l’éventail de requêtes.
En 30 secondes
• Votre question est découpée en sous-questions invisibles : une seule si elle est simple, plusieurs dizaines si elle est complexe. Google ne publie pas de chiffre.
• Elles partent en parallèle, pas l’une après l’autre.
• Le système ne retient pas « la meilleure page » mais des passages issus de pages différentes.
• L’unité de travail n’est plus le mot-clé, c’est le faisceau de questions autour d’un sujet.
Fil rouge de cet article : la requête « quel vélo électrique pour aller au travail ? ».
Premier réflexe à corriger : le LLM n’est pas le moteur
Petit point de vocabulaire, parce que la confusion coûte cher. Un LLM (large language model, ou modèle de langage) est le programme qui comprend et rédige du texte. Ce n’est pas un moteur de recherche : il ne stocke pas le web, il ne le classe pas.
Le LLM intervient donc au début et à la fin. Au milieu, c’est la vieille mécanique qui tourne :
- l’index, la copie du web que Google a explorée et stockée — une page absente de l’index n’existe tout simplement pas pour le système ;
- les signaux de classement, les critères qui ordonnent les résultats (pertinence, liens, expérience de page…).
Retenez la conséquence : aucune finesse rédactionnelle ne rattrape une page non indexée.
Les quatre étapes, en pratique
1. Il découpe. Le modèle repère les sujets implicites. Notre question sur le vélo contient au minimum l’autonomie, le poids, le prix, la réglementation, le vol et la recharge au bureau — alors qu’aucun de ces mots n’y figure.
2. Il élargit. Il fabrique des sous-requêtes que vous n’avez pas écrites : « autonomie réelle d’un VAE en usage quotidien », « peut-on emporter un vélo électrique dans le RER ? », « assurance vol vélo électrique ».
3. Il envoie tout en même temps. Vers l’index, vers le Knowledge Graph (la base de connaissances de Google sur les entités : personnes, lieux, marques) et vers les données produits. Google le dit ainsi :
« AI Mode utilise notre technique de query fan-out, en décomposant votre question en sous-thèmes et en lançant une multitude de requêtes simultanément pour vous. »
— Google, « AI Mode in Google Search: Updates from Google I/O 2025 », 20 mai 2025 (traduit de l’anglais)
4. Il rédige. Le LLM recoupe ce qui remonte, arbitre les contradictions et écrit la réponse que vous lisez.
Elizabeth Reid, VP et responsable de Search chez Google — qui signe le billet ci-dessus — l’a résumé sur scène à Google I/O 2025 : « Search reconnaît quand une question nécessite un raisonnement avancé. Il fait appel à notre version personnalisée de Gemini pour décomposer la question en différents sous-thèmes. » (verbatim de la keynote rapporté par Surfer SEO, traduit de l’anglais)
Ce que dit précisément la demande de brevet
Ici, on entre dans la partie que presque personne ne lit — et c’est dommage, parce qu’elle est la plus instructive.
Attention au raccourci répandu : US20240289407A1 est une demande de brevet publiée, pas un brevet délivré, et Google n’a jamais confirmé qu’elle décrit le Mode IA. Le mot « fan-out » n’y figure d’ailleurs jamais. Elle décrit un mécanisme très proche. Trois choses valent le détour.
Le vocabulaire. Le document parle de synthetic queries — requêtes synthétiques — et les range en familles : les related queries (corrélées par les comportements de recherche observés, via la co-occurrence sur un même appareil ou compte dans une fenêtre de temps proche), les recent queries (posées juste avant) et les implied queries, décrites comme pouvant être « automatiquement générées sur la base, par exemple, du contexte et/ou des données de profil ».
Traduction : une partie des requêtes lancées ne vient pas de votre phrase. Elle vient du contexte et de ce que le système sait déjà de vous.
La mémoire de la conversation. Le texte décrit le maintien d’un état contextuel « à travers plusieurs tours d’une session de recherche conversationnelle ». Cet état contient la requête, le contexte, les requêtes synthétiques et les documents déjà retenus. Si c’est bien cette implémentation qui tourne, alors à votre troisième question le fan-out ne repart pas de zéro : il hérite des pages déjà sélectionnées. Autrement dit, les premières pages citées ont un avantage sur toute la suite de la conversation.
Le format décidé avant le contenu. Avant de rédiger, le système classe la demande — « nécessite de la génération de texte créatif », « peut bénéficier d’un résumé génératif » — et choisit le modèle en fonction.
📄 Lire la demande sur Google Patents
Les huit types de sous-requêtes
Typologie relevée par les praticiens (Search Engine Land) ; Google ne publie pas de liste officielle. Les exemples ci-dessous sont des illustrations construites pour l’article, pas un relevé de requêtes réelles.
| Type | Exemple sur notre fil rouge |
|---|---|
| Équivalente | quel VAE pour les trajets domicile-travail |
| Reformulation de suivi | comment entretenir un vélo électrique du quotidien |
| Généralisation | comment se déplacer à vélo en ville |
| Spécification | vélo électrique pliant pour trajet avec train |
| Canonicalisation | vélo à assistance électrique (VAE) définition |
| Traduction | best electric bike for commuting |
| Implication | quelle autonomie faut-il pour 15 km par jour ? |
| Clarification | trajet urbain ou périurbain : quel type de cadre ? |
Combien de sous-requêtes, au juste ?
Google ne publie pas de chiffre pour le Mode IA. L’estimation la plus reprise vient de Semrush : 8 à plus de 20 recherches d’arrière-plan pour une question complexe, une seule pour une question simple (Semrush). Elle est donnée comme une estimation, sans méthode de mesure publiée — prenez-la pour un ordre de grandeur, pas pour une donnée.
Google avance en revanche un chiffre pour Deep Search, sa variante destinée aux recherches approfondies : elle « utilise la même technique de query fan-out, poussée d’un cran » et « peut lancer des centaines de recherches ».
Le nombre exact importe peu. Ce qui compte : votre page est mise en concurrence sur des requêtes que vous n’avez jamais ciblées.
Ce que ça change pour vos pages
- Le mot-clé n’est plus l’unité de travail. Vous ne travaillez plus une requête, vous travaillez un faisceau de questions.
- Trop étroit ne marche plus. « Les 10 meilleurs vélos électriques 2026 » ne couvre qu’une des huit sous-questions du tableau. En toute logique, elle a donc moins d’occasions d’être citée — à vérifier sur vos propres pages.
- Trop large non plus. Un « guide complet de la mobilité urbaine » effleure vingt sujets sans en traiter un seul complètement. Le fan-out sélectionne des passages, pas des pages.
- La structure devient fonctionnelle. « Quelle autonomie pour 15 km par jour ? » suivi d’un paragraphe qui répond forme un bloc extractible. « L’autonomie » suivi de trois paragraphes de contexte, non.
- L’unicité paie plus qu’avant. Quand douze pages disent la même chose, le modèle en cite une. Quand une seule apporte un relevé, un cas limite ou un test réel, elle devient difficile à écarter.
Par où commencer, concrètement
| # | Action | Durée | Comment savoir si ça avance |
|---|---|---|---|
| 1 | Posez vos 5 requêtes cibles dans le Mode IA. Notez les pages citées et les sujets abordés. | 1 h | Nombre de sujets que votre page ne traite pas |
| 2 | Version express : ajoutez la sous-question manquante la plus évidente, sous son propre intertitre. | 30 min | 1 sous-question de plus couverte |
| 2 bis | Version complète : traitez toutes les sous-questions manquantes, une par intertitre. | 2-3 h/page | Nombre de sous-questions couvertes |
| 3 | Surveillez les requêtes conversationnelles dans la Search Console. | 15 min/mois | Apparition de requêtes longues ou de relances |
Avant de publier, vérifiez que votre page répond à la question principale dès la première phrase, traite au moins 5 sous-questions sous leur propre intertitre, contient au moins un élément non copiable (relevé, test, cas limite, calcul), définit chaque terme technique à sa première occurrence, date ses chiffres, lie ses sources primaires, et dit ce qu’elle ne traite pas.
Peut-on voir ses propres sous-requêtes ?
Non, pas officiellement. Trois approches imparfaites, de la plus fiable à la moins fiable :
- Interroger le Mode IA et relever les pages citées. Vous n’obtenez pas les sous-requêtes, mais leur résultat : les sujets que le système a jugés nécessaires. C’est observé, pas simulé — donc c’est le meilleur signal disponible.
- Les simulateurs de fan-out. La plupart (LLMrefs, queryfanout.io) ne lisent pas les requêtes de Google : ils les reconstituent avec un LLM. Certaines offres payantes affirment donner accès aux requêtes réelles — invérifiable de l’extérieur. Hypothèse de travail, rien de plus.
- La Search Console (l’outil gratuit qui montre sur quelles requêtes votre site apparaît). Contresens fréquent : elle n’expose pas les sous-requêtes synthétiques. Ce qui y remonte, ce sont les questions posées par l’utilisateur dans le Mode IA, relances comprises, comptées comme autant de requêtes distinctes — d’où l’apparition de lignes déroutantes du type « oui, continue » (relevés de Suganthan Mohanadasan). Ces données sont par ailleurs fondues dans le rapport Performances, sans filtre dédié au Mode IA (Search Engine Land).
Questions fréquentes
Le query fan-out remplace-t-il le référencement classique ? Non. Les sous-requêtes tapent dans le même index, avec les mêmes signaux de classement. Une page non indexée reste invisible. Nuance intéressante : être mal classé sur votre mot-clé principal n’empêche pas d’être cité, si vous êtes bien positionné sur une sous-requête périphérique.
Est-ce propre à Google ? Non. La décomposition en sous-requêtes est un standard des systèmes de RAG (retrieval-augmented generation : génération de texte appuyée sur une recherche documentaire). ChatGPT et Perplexity font la même chose sur d’autres index. Les principes de cet article valent pour eux ; les outils de mesure, non.
Faut-il écrire pour la machine ? Non — et c’est le contresens le plus coûteux. Le fan-out récompense les contenus qui répondent vraiment à des questions réelles. Une page écrite pour cocher mécaniquement des sous-requêtes produit exactement le contenu interchangeable que ces systèmes écartent.
Ce que cet article ne traite pas
La mesure de la visibilité en IA générative (part de citations, suivi de marque), l’optimisation technique (données structurées, rendu JavaScript) et le cas des sites e-commerce. Chacun mérite son propre article.
Sources
- Google, « AI Mode in Google Search: Updates from Google I/O 2025 » — 20 mai 2025, signé Elizabeth Reid
- Demande de brevet US20240289407A1, « Search with stateful chat » — Google Patents, statut pending
- Elizabeth Reid, keynote Google I/O 2025 — verbatim rapporté par Surfer SEO
- Semrush, « What is query fan-out? »
- Search Engine Land, « Query fan-out in AI search »
- Search Engine Land, « Google AI Mode traffic data comes to Search Console »
- Suganthan Mohanadasan, « Yes, Go On: The AI Conversations Leaking Into Your Search Console »
- Blog du Modérateur, « Google déploie AI Overviews et AI Mode en France » — 22 juillet 2026
0 commentaire