Ce que vous fournissez à l’IA change le résultat
Le code permet de combiner le titre et la description de la page, les mots-clés, les assets existants, les informations sur l’entreprise et les requêtes. Il prévoit aussi des consignes de rédaction, des exemples et un format de réponse. Cet ensemble constitue une « recette » de création d’annonces.
Voir les détails techniques
LlmAssetGenerationConfig combine le titre et la description de page, les mots-clés, les assets existants, les informations business, le texte saillant et les requêtes. Chaque source possède ses minimums, maximums, séparateurs, préfixes et suffixes. LlmPromptSpec expose les instructions, les developer instructions, le contexte, l'entrée d'inférence, des exemples n-shot et les options de formatage.
llm_asset_generation_config.pb.dart
llm_inference_config.pb.dart
llm_prompt_spec.pb.dart
llm_signal_processing_options.pb.dart
asset_score.pb.dart
asset_quality_signal_type.pbenum.dart
source_attribution_configs.pbenum.dart
transformation.pb.dart
recette = informations + consignes + modèle + nombre de textes + ajustements + contrôlesAvec le même modèle d’IA, des informations et des consignes différentes peuvent produire des annonces différentes.
Le code prévoit plusieurs systèmes pour faire fonctionner les modèles, avec des versions et des réglages différents. Ce choix peut répondre à des besoins de langue, de rapidité, de disponibilité ou de coût. Sax renvoie à Saxml, un logiciel publié par Google. Beyond, Evergreen, Servo, Steelmill et Uniserve restent des noms internes dont le rôle précis n’est pas documenté publiquement.
Six ans d’évolution de la création d’annonces
La liste AssetSelectionVersionPB_Enum contient 295 versions de méthodes de création et de sélection d’assets. Parmi elles, 157 portent une date, de mai 2020 à mai 2026. Elles montrent une évolution progressive des techniques prévues dans le code. Leur présence ne permet pas de savoir lesquelles sont actives sur un compte aujourd’hui.
2020 — 2021
Extraction, règles et DSA
Les premières méthodes assemblent des textes extraits du site, des modèles de rédaction par catégorie, des assets sélectionnés et des contenus issus des Dynamic Search Ads. Elles ne reposent pas sur une rédaction libre par l’IA.
Voir les détails techniques
BASE_MAY_2020HIGH_QUALITY_WITH_DSA_BUNDLE_AUG_2020
HIGH_QUALITY_WITH_EXTRACTIVE_MODELS_BUNDLE_AUG_2020
HIGH_QUALITY_MAQS_BUNDLE_NOV_2020CURATED_ASSETS_ONLY_NOV_2021
2022
Pegasus, MUM et vérification des sources
Des modèles capables de résumer et de comprendre les textes apparaissent. GROUNDED_GENERATIONS est nommé dès janvier 2022 : le code prévoit déjà de vérifier les textes produits à partir de leurs sources.
Voir les détails techniques
HIGH_QUALITY_WITH_GROUNDED_GENERATIONS_BUNDLE_JAN_2022
PEGASUS_MULTILINGUAL_2022MUM_2022
GENERATIVE_MODELS_BUNDLE_AUG_2022NATURAL_LANGUAGE_ONLY_NOV_2022
2023
Bard, modèles spécialisés et contrôle qualité
L’année compte le plus de versions. On y trouve des modèles adaptés à des tâches ou à des langues, des modèles plus petits entraînés à partir d’autres modèles, et des méthodes d’apprentissage guidées par l’évaluation des résultats. Cinq versions du contrôle QUAC apparaissent, ainsi qu’une méthode utilisant uniquement la base de landing pages.
Voir les détails techniques
BARD_GENERATED_ASSETS_ONLY_FEB_2023LANDING_PAGE_REPOSITORY_ONLY_FEB_2023
ACA_JA_LLMIT_STUDENT_JUNE_2023ACA_LLMIT_RL_MUM_OCT_2023
QUAC_V01 … V05ADS_GUIDE_PREVIEW_ASSET_GENERATION_BUNDLE_OCT_2023
2024
Échanges avec l’IA et modification des assets
Les méthodes prévues peuvent tenir compte de plusieurs échanges avec l’IA et de plusieurs groupes d’annonces. Certaines servent à modifier des assets existants ; une autre utilise uniquement le titre de la page.
Voir les détails techniques
NATURAL_LANGUAGE_MULTI_TURN_ASSET_GENERATION_BUNDLE_MAR_2024
MULTI_AD_GROUP_JULY_2024ASSET_MODIFICATION_OCT_2024
LP_TITLE_ONLY_JULY_2024
2025
Mots-clés générés, agents et Final URL expansion
Le code prévoit de suggérer des mots-clés avec un modèle de langage et nomme un premier assistant. Il associe aussi explicitement GenAI V3 à Final URL expansion.
Voir les détails techniques
LLM_KEYWORD_SUGGESTION_MAY_2025ADS_GUIDE_AGENT_V0_JUNE_2025
GENAI_V3_FUE_OCT_2025GEO_TARGET_FEB_2025
GAC_ASSET_BOOST_OCT_2025_V1
2026
Vérification des règles publicitaires et GenAI V4
Les dernières versions datées prévoient un assistant pour vérifier le respect des règles publicitaires et une méthode pour retravailler les textes avec GenAI V4.
Voir les détails techniques
BASIC_DSA_HL_DL_BUNDLE_JAN_2026
ADS_GUIDE_CREATIVE_AGENT_V0_POLICY_CHECK_MAR_2026
GAC_PREFILL_POST_PROCESSING_GENAI_V4_MAY_2026
Sept catégories de contrôles sur les annonces
Le code contient deux listes pour évaluer les assets : 88 types de scores dans AssetScore_ScoreType et 60 indicateurs de qualité dans AssetQualitySignalType_Enum. Elles partagent 59 noms, mais restent deux listes distinctes. Une grande partie des contrôles vérifie que le texte de l’annonce respecte le contenu de la page et que ses affirmations sont justifiées.
Voir les détails techniques
Le binaire déclare deux inventaires distincts pour noter un asset. AssetScore_ScoreType compte 88 valeurs, AssetQualitySignalType_Enum en compte 60, et 59 noms sont strictement identiques d'un registre à l'autre. Les mêmes noms existent des deux côtés : une fois comme signal de qualité attaché à l'asset, une fois comme score exploitable pour filtrer et classer. L'intersection est nominale : hors UNKNOWN, les 58 paires homonymes portent des identifiants numériques différents, ce qui exclut qu'un registre soit une inclusion wire de l'autre. Ce noyau commun est donc presque entièrement consacré à la fidélité et au grounding, avec 38 signaux de la seule famille FAITHFULNESS côté qualité.
Certains scores portent sur la pertinence, les clics attendus ou les conseils donnés pour améliorer les titres. D’autres cherchent à retrouver les phrases de la page qui ont servi à créer le texte. Ces contrôles répondent donc à plusieurs questions : l’annonce est-elle pertinente, attractive et conforme à son contenu source ?
Voir les détails techniques
Les 29 valeurs propres à AssetScore_ScoreType disent ce que le second registre ne couvre pas : la pertinence et la performance attendue (KEYWORD_RELEVANCE, PCTR, SELECTABILITY, EXTRACTION, ROUGE_FILTER), les onze classifieurs MAQS hérités de la génération pré-LLM, et les quatre diagnostics ASSET_STRENGTH_HEADLINE_*. Une seule valeur n'existe que du côté qualité, INFERRED_SOURCE_SENTENCES, qui compte les phrases sources reconstituées derrière un asset.
On peut regrouper ces contrôles en sept catégories. Ils aident à choisir les textes, à écarter ceux qui posent problème et à donner des indications à l’annonceur. Tous ne sont pas appliqués à chaque asset.
88types de scores d’assets
60indicateurs de qualité
59noms communs aux deux listes
38contrôles du respect du contenu source
295versions de méthodes de sélection
Pertinence et performance
L’annonce répond-elle à la recherche ?
KEYWORD_RELEVANCEPCTRSELECTABILITY
Landing page
Signaux tirés de la page de destination
LP_ASSET_FAITHFULNESS_CLASSIFIERMAQS_WEBPAGE_NAVIGATION_V1
Respect du contenu de la page
L’annonce décrit-elle correctement l’offre ?
FAITHFULNESS_V1 … V6contenu commun à l’annonce et à la page
Justification des promesses
Quels passages justifient les affirmations ?
NATURAL_LANGUAGE_GROUNDINGSEMANTIC_GROUNDING_V1 … V5
Rédaction et cohérence
Qualité de la phrase elle-même
grammairecréativitécontradictionnégationbon sens
Contenus à écarter
Un texte peut être écarté même s’il attire des clics.
contenu offensantcontenu sensiblerègles d’exclusion
Conseils sur les assets
Évaluation de chaque titre, famille ASSET_STRENGTH
clics attendus par titre (pCTR)expérience attendue sur la page (pLQ)score global
Les contrôles dépendent de la source du texte, du modèle utilisé, de la langue, du type d’asset et des fonctions activées sur le compte. Les 88 types de scores ne sont donc pas tous calculés pour chaque proposition d’annonce.
Voir les détails techniques
AssetScore transporte un type, une valeur, la langue, une catégorie et un éventuel code d'erreur. Les filtres limitent un scorer selon la source, le modèle, la langue, le type d'asset, la recette et le pourcentage de ramp-up. Google ne calcule donc pas 88 scores sur chaque candidat : le jury réellement convoqué dépend de la recette servie à ce compte, dans cette langue, ce jour-là.
Des vérifications successives
Le code suggère une sélection en plusieurs étapes : des règles simples écartent certains textes, puis des contrôles plus complexes évaluent ceux qui restent. L’ordre exact reste une interprétation de l’étude.
1Vérifier le formatLongueur, ponctuation, doublons stricts, contraintes de format.
↓
2Vérifier la qualité du textePertinence, contenus sensibles et grammaire.
↓
3Écarter les textes qui échouentLes textes retenus passent aux vérifications plus complexes.
↓
4Comparer le texte avec ses sourcesVérifier les promesses, leurs conditions et le sens des phrases.
↓
5Hard gatesUn seul motif de rejet peut écarter un texte, même s’il est pertinent.
↓
6Sélection finaleChoisir des assets variés et limiter les répétitions.
Vérifier chaque affirmation dans la page
Les réglages permettent de vérifier différemment un titre, une description, un produit ou un mot-clé. Le système peut comparer un texte entier ou des mots précis avec la page. Il peut aussi mesurer la part du texte justifiée par une source et repérer des négations qui changent le sens.
Voir les détails techniques
GenerativeModelGroundingOptions contient des seuils distincts pour headline, description, produit, long headline et mot-clé. LandingPageGroundingTechnique_Enum distingue SIMPLE_FULL_GROUNDING et WORD_LEVEL_GROUNDING. D'autres contrats mesurent le ratio de tokens attribués, le nombre de phrases sources, les filler tokens, les stopwords, les sources invisibles et les négations problématiques.
Le code prévoit de conserver les passages précis qui justifient une partie du texte d’annonce, avec leur langue et des limites de longueur et de nombre. Cette vérification est le grounding présenté plus haut.
Voir les détails techniques
SignalAttributionConfig conserve le signal source, la longueur minimale d'un fragment, le nombre maximal de fragments, leur distance et la langue. Le système rattache ainsi un morceau d'asset à des passages précis de la page.
Reprendre les mots du site ne suffit pas à respecter leur sens. Par exemple, transformer « livraison offerte dès 50 € » en « livraison offerte » fait disparaître une condition. Un brevet Google déposé initialement en 2023 décrit une vérification de chaque partie de phrase, le remplacement de celles qui échouent, puis un contrôle de la pertinence et des informations manquantes.
Quelles informations permettent de vérifier les promesses ?
La liste AssetQualitySignalType_Enum prévoit 38 indicateurs liés au respect du contenu source. Les variantes changent surtout les informations fournies pour vérifier le texte : titre seul, description, nom de l’entreprise, extraits ou contenu complet de la page.
| Variante |
Informations utilisées pour vérifier le texte |
FAITHFULNESS_V5 | Les informations habituellement fournies à cette méthode. |
…_WITH_TITLE_TAG | Le title de la page, seul. |
…_WITH_TITLE_DL_METATAG | Title, listes de descriptions et meta description. |
…_WITH_BUSINESS_NAME_TITLE_DL_METATAG | Les mêmes, plus le nom de l'entreprise. |
…_NO_LP_SENTENCES | Les mêmes, mais privés des phrases extraites de la page. |
…_WITH_SNIPPETS | Des extraits sélectionnés plutôt que la page entière. |
…_CONTEXT_ONLY_WITH_SNIPPETS_RAW_TEXT | Les extraits et leur contexte, avec le texte complet. |
…_NO_CONTEXT_WITH_SNIPPETS | Les snippets sans aucun contexte autour. |
…_WITH_FILLER_VOCAB_V2 | Des mots de remplissage ajoutés pour tester si le contrôle reste fiable. |
Ces variantes permettent de poser des questions concrètes : le title suffit-il à vérifier une promesse ? La meta description aide-t-elle à retrouver la bonne source ? Le nom de l’entreprise évite-t-il de confondre deux marques ? Le texte complet apporte-t-il une information utile ou complique-t-il la vérification ?
D’autres contrôles cherchent les phrases sources probables, vérifient l’exactitude et l’utilité du texte, ou repèrent des contradictions et des changements de sens ou de ton.
Voir les détails techniques
Le même registre contient des juges spécialisés au-delà de la fidélité : INFERRED_SOURCE_SENTENCES pour la source inférée, SENTIMENT_INVERSION_CLASSIFIER_V1 pour le sentiment retourné, ACCURACY_CLASSIFIER_V1 pour l'exactitude, HELPFULNESS_CLASSIFIER_V1 pour l'utilité, AUTO_AIS_V7_CONTRADICTION et AUTO_AIS_V7_NEUTRAL pour la contradiction et la neutralité.
Ce que cela change pour les équipes SEA et SEO
Le title, la meta description, les listes de descriptions et le nom de l’entreprise peuvent servir à vérifier les promesses d’une annonce. Ils doivent décrire clairement la même offre, avec les mêmes conditions. Dans l’exemple de la livraison offerte, le montant minimum doit rester visible dans le contenu utilisé pour écrire l’annonce.
Le code nomme aussi un jeu de tests interne pour évaluer ces vérifications, avec des réponses de référence. Certains réglages permettent de ne renvoyer que les affirmations dont la source n’a pas pu être confirmée.
Voir les détails techniques
Un benchmark interne est nommé dans le binaire pour évaluer cette chaîne : IDENTIFIER_ADSORACLE_BENCHMARK_EXAM_GROUNDING_TRUTHS, un jeu de vérités terrain dédié au grounding. ExactGroundingConfig l'accompagne, avec le signal servant de vérité terrain, le type d'attribution à la source, le nombre maximal de valeurs en sortie et une option selectedUngroundedOnly qui ne remonte que ce qui n'a pas pu être vérifié.
L’IA peut écrire et évaluer les textes
L’évaluation prévoit le texte à contrôler, sa source, un résultat choisi parmi les réponses autorisées et une justification.
ExtractAssetRatingCsvConfig attend le texte évalué, son attribution, un label autorisé et une justification.
Un modèle peut donc créer un texte, l’évaluer ou vérifier d’où viennent ses affirmations. Google a aussi publié des méthodes de modération publicitaire qui regroupent les contenus similaires, retirent les doublons et font examiner une sélection par l’IA.
Voir les détails techniques
consignes de vérification → analyse par l’IA → résultat et justification → parsing
→ vérification de la réponse → note ou rejet
Sélectionner des textes d’annonce complémentaires
Le code suit le nombre de titres différents, les combinaisons possibles, la variété des arguments et les répétitions. Google décrit une logique comparable pour les RSA : assembler des assets adaptés au contexte, retirer les doublons, évaluer les combinaisons et envoyer les meilleures à l’enchère.
SLIDING_WINDOW
SEMANTIC_GROUPING
LLM_CLUSTERING
MTP_LLM_CLUSTERING
qualité de chaque asset + diversité + variété des besoins couverts − répétitions
Les résultats passés aident à créer les prochains textes
Le système peut aussi utiliser les résultats des annonces déjà diffusées. La liste SignalName_Enum prévoit plusieurs informations sur leurs impressions et leurs clics.
Assets ayant obtenu des résultats
Voir les détails techniques
HIGH_CTR_ASSETSHIGH_CTR_ADV_ASSETS
HIGH_CTR_CREATIVES
HEADLINE_ADVERTISER_ASSETS_CLICKS
HEADLINE_ADVERTISER_ASSETS_IMPRESSIONS
NATURAL_LANGUAGE_HISTORICAL_TOP_PERFORMING_ASSET_EXTRACTOR
Méthodes orientées vers un objectif
Voir les détails techniques
PERFORMANT_GENERATION_ACA_V1 … V8
PERFORMANT_GENERATION_ACA_PCTR_V1
PERFORMANT_GENERATION_ACA_PLQ_V1
PERFORMANT_GENERATION_ACA_PCTR_PLQ_V1
PERFORMANT_ACA_FEATURES
PERFORMANCE_WEIGHTED_RL_GENAI
Les textes qui ont obtenu des clics peuvent fournir des informations ou des exemples pour créer les suivants. Certains noms de méthodes citent aussi des objectifs de probabilité de clic (pCTR), d’expérience sur la landing page (pLQ) ou les deux (PCTR_PLQ). Ces estimations peuvent donc guider la création des textes, en plus de leur rôle dans l’enchère.
01Assets diffusésLes assets diffusés enregistrent des impressions et des clics.
02Performance observéeClics, impressions, parts de clic et d'impression par headline.
03Sélection des exemplesLes assets à fort CTR peuvent servir d’exemples pour les prochains textes.
04Création guidée par les résultatsObjectif de clics attendus, d’expérience sur la page, ou des deux.
05Évaluer les textesLes nouveaux textes passent à leur tour les contrôles de qualité.
06Diffuser les nouveaux assetsLe cycle recommence avec de nouvelles observations.
Pour le SEA, les assets actuels peuvent donc influencer les prochaines suggestions. Des textes peu variés donnent peu d’exemples différents à l’IA. Et un titre qui attire des clics avec une promesse mal tenue peut être intéressant pour le CTR tout en créant une mauvaise expérience après le clic.
Dix paraphrases d'un même bénéfice sont moins utiles qu'un ensemble couvrant produit, usage, audience, preuve, prix, disponibilité, marque, réassurance et appel à l'action.
Ad Strength
Ad Strength évalue la quantité, la pertinence, la diversité et les combinaisons possibles des assets. Google le présente comme une aide à l’amélioration des annonces : il n’entre pas dans le calcul d’Ad Rank ou du Quality Score et n’influence pas directement la possibilité de diffuser. Le statut « Incomplet » empêche toutefois un groupe d’assets Performance Max de diffuser. L’application utilise les recommandations pour indiquer quels assets ajouter afin de viser la note « Excellent ». Ce diagnostic complète l’analyse des performances et du trafic réellement supplémentaire.
