Avant de récupérer les pages, Google ajoute les clics récents à la requête et décide du format de la SERP
QRewrite ajoute à la requête les clics des dernières 24 heures, relevés avec une dizaine de minutes de retard par Instant NavBoost, la version rapide de NavBoost, le système de Google qui enregistre les clics par requête. Sur une actualité, Google peut donc changer la SERP presque en temps réel.
Sur une requête locale, Google décide dès cette étape s’il déclenche le pack local, et il repère les enseignes : il fixe donc une partie du format de la SERP avant même le ranking. Sur une requête de marque, QRewrite ajoute à la requête le site qu’elle vise.
Avec la query expansion, Google récupère aussi des pages qui n’emploient pas les mots exacts de la requête : « prix » pour « tarif », « psg » pour « paris saint germain ».
Les systèmes en jeu
- La préparation de la requêteQRewritele composant de Google Search qui réécrit, élargit (query expansion) et annote la requête avant le retrieval (abréviation de query rewrite)
- Les termes saillantsQBSTQuery Based Salient Terms : les termes qu’une page pertinente pour la requête doit contenir
- Les embeddingsRankEmbedle modèle de Google qui récupère des pages par embeddings, même sans les mots de la requête
- Les clicsNavBoostle système de Google qui enregistre les clics par requête ; sa version instantanée traite les clics des dernières 24 heures
- Les intentionsIntent Brainle système de Google qui estime les grandes intentions d’une requête à partir des clics
- L’IA de la SERPmagil’IA de Google derrière AI Overviews et AI Mode
Les 98 annotations de QRewrite : Google prépare la requête avec les clics, des embeddings et une recherche rapide en amont
Avant le retrieval, QRewrite peut attacher à la requête 98 types d’annotations. Google récupère ainsi les pages avec une requête élargie : synonymes appris des reformulations des utilisateurs, termes saillants (QBST), dates, lieu. Les clics comptent dès cette étape, avec Instant NavBoost. QRewrite calcule aussi l’embedding de la requête, que Google rapproche de celui des pages calculé à l’indexation. Google lance enfin FastSearch, une recherche rapide qu’il n’affiche pas dans la SERP et dont il se sert pour interpréter la requête.
QRewrite transmet ses annotations à :
termes saillants, historique récent des résultats
InterprétationKScorerscore les interprétations de la requêterequête élargie, embedding, plan de retrieval
premiers résultats de FastSearch
SERP classiqueRetrieval et rankingRankEmbed (retrieval par embeddings), twiddlers (retouches du classement)pack local ou non, intention shopping, type de vidéo
VerticalesPack local, Shopping, YouTubegrounding, mémoire de l’utilisateur, agents
AI Overviews et AI Modemagil’IA de Google
Synonymes, termes saillants et réécriture
11Google élargit la requête avec des synonymes appris des reformulations des utilisateurs et une forme réécrite, mais il note chaque page sur les mots exacts : la variante sert au retrieval, le mot exact au scoring. Il peut aussi insérer dans la SERP les résultats d’une requête alternative.
QueryBasedSalientTermsOutputtermes saillants (QBST) : les mots qu’une page pertinente contient en bonne place, appris sur environ 13 mois de données d’utilisateursLocationBasedSalientTermsOutputtermes saillants propres au lieu de la requêtePogoSynonymssynonymes ajoutés aux mots de la requête, appris du pogo-stickingRewrittenQueryforme réécrite de la requêteMumkinRewriterResultréécriture de la requête par Mumkin, un modèle de GoogleDateAnnotationsOutputdates et moments de la requête : aujourd’hui, demain, ce week-end, ce soirGrmAnnotationsOutputnombres et formats repérés par les grammaires GRMSaftAnnotationsOutputanalyse linguistique SAFT de la requête : mots, entités, syntaxeSaftI18nOutputanalyse linguistique SAFT, hors anglaisParseRawQueryDataanalyse de la requête bruteAlternativeResultrésultats d’une requête alternative, que Google peut insérer dans la SERP
Clics récents, intentions et parcours
7Google se sert des clics dès la préparation de la requête, avant le ranking. Il tient compte des clics des dernières 24 heures avec Instant NavBoost, la version de NavBoost qui les traite. Intent Brain, le système de Google qui mesure à partir des clics les grandes intentions d’une requête, oriente les formats de la SERP.
KomodoInstantNavboostDataInstant NavBoost : clics des dernières 24 heures, dont le début d’un pic de clics fraisKomodoRefinedQueryInstantNavboostDataInstant NavBoost des requêtes affinéesIntentBrainServletOutputintentions d’Intent Brain : probabilité de 19 grandes intentions (images, vidéo, local, shopping, actualité…), calculées à partir des clicsPredictedInteractionSignalsServletOutputinteractions des utilisateurs prédites par un modèleFreshFeatureHistoryhistorique récent des scores des résultats de la requête, que KScorer reprend pour l’interpréterInstantNavclusterQueriesreformulations regroupées avec la requête d’après les clics et les sessions (navcluster), en temps réel ; Google s’en sert pour réécrire la requête et proposer des recherches associéesUserJourneyClustergroupe de parcours de recherche auquel la requête appartient
Entités, marques et requêtes navigationnelles
6Sur une requête de marque, Google identifie le site visé dès la préparation de la requête, avant le ranking. Sur toutes les requêtes, il repère aussi les entités, les noms de personnes et le sens de chaque n-gram, puis transforme la requête en une intention et ses arguments.
QueryBasedSalientEntitiesOutputentités saillantes de la requête, l’équivalent de QBST pour les entitésNimbleAnnotatorServletOutputNimble : n-grams de la requête annotés d’un type, d’un sens et d’une confianceQuarkMrfGenerationOutputsens de la requête écrit en MRF, la forme intention + argumentsEarlyNavResolutionOutputidentification précoce du site visé par une requête navigationnelleNavsmearSiteAnnotationsite visé par une requête navigationnelle, détecté par un modèle (Navsmear)NameDetectionOutputnoms de personnes repérés dans la requête (prénom, nom) ; ils servent aussi à retrouver un contact
Embeddings et retrieval sémantique
8Au moment de la recherche, Google calcule seulement la partie requête de ses modèles d’embeddings : pour RankEmbed, le modèle de retrieval sémantique révélé au procès antitrust, pour les passages et pour un scoring calculé en deux moitiés, requête et page. Google calcule la partie page à l’indexation. Google récupère une page quand son embedding est proche de celui de la requête.
RankEmbedOutputembedding de la requête pour RankEmbed, comparé à celui des pages calculé à l’indexationRankEmbedScamOutputdocuments les plus proches de la requête, trouvés par RankEmbed dans ScaM, l’index de recherche par plus proches voisins de GoogleRankEmbedScamSummaryOutputrésumé de la recherche des plus proches voisins de RankEmbedPassageEmbedOutputembedding de la requête qui sert à retrouver des passages, en plus des pagesAnnoEmbedServletOutputAnnoEmbed, un modèle de scoring par embeddingsFactoredScoringServletOutputpartie requête d’un scoring factorisé : Google calcule la moitié requête au moment de la recherche, la moitié page à l’avanceFactoredScoringServletUnprocessedOutputle même scoring factorisé, avant traitementHnlRetrievalOutput
Local et lieux
11Google décide s’il affiche le pack local avant de scorer les pages et mesure, pour chaque requête, l’importance de la localisation. Il récupère aussi des lieux par embeddings (Localembed) et reconnaît les enseignes dans la requête.
LocalwebPretriggerDecisiondécision de déclencher ou non les résultats locaux (pack local), prise dès la préparation de la requêteQueryBasedLocalDataOutputdonnées locales extraites de la requêteLocationImportanceLevelOutputimportance de la localisation pour la requête ; Google l’enregistre aussi comme signal de rankingEarlyLocationRankingOutputpremier ranking des lieuxLocalembedRetrievalOutputlieux récupérés par embeddings (Localembed)LocalembedRetrievalV2OutputLocalembed, version 2LocalRankEmbedOutputRankEmbed pour le localFastLocalOutputrésultats locaux d’une recherche rapideLocalTriggerStatOutputstatistiques de déclenchement du localLocationInterventionSignalssignaux dont Google se sert pour décider s’il modifie le lieu retenu pour la rechercheChainAnnotationsOutputenseignes à plusieurs points de vente reconnues dans la requête
Shopping et publicité
8Google estime l’intention shopping de la requête et fait tourner sur elle jusqu’à vingt modèles Shopping, avant toute recherche de produits. Il rapproche aussi la requête des produits en vente sur Shopping et récupère les annonces locales par embeddings.
ShoppingIntentOutputintention shopping de la requête ; AI Mode en calcule sa propre versionLocalShoppingIntentOutputintention d’achat localShoppingQuerySignalsOutputsignaux shopping de la requêteShoppingQueryModelsOutputscores des modèles Shopping de la requête, jusqu’à 20 modèlesBuyableQueryProjectionla requête projetée sur les offres achetables de ShoppingLocalembedLocalAdsRetrievalOutputannonces locales récupérées par embeddingsShoppingLoggingOutputdonnées Shopping destinées aux logsAdsDebugInfoinformations de débogage pour la publicité
Réponses IA et agents
4Google commence à sélectionner les sources d’une réponse IA dès la préparation de la requête. QRewrite prépare pour magi, l’IA de Google derrière AI Overviews et AI Mode, le grounding, les agents qui réservent un restaurant ou un rendez-vous, la recherche en conversation, et Aquarium, le système de réponses extraites du web, qui fait du retrieval pour magi et lui fournit des signaux de fraîcheur.
AnnotationsForGroundingannotations pour le grounding des réponses IAAquariumServletOutputAquarium : retrieval et fraîcheur pour magi, l’IA des AI Overviews et d’AI ModeAgentAnnotationOutputannotations pour les agents d’AI Mode (réservations, rendez-vous, billets)SearchChatAnnotationrecherche en conversation
FastSearch, plan de retrieval et Nemo
9Pendant la préparation de la requête, Google lance FastSearch, une recherche rapide qu’il n’affiche pas dans la SERP, fondée sur RankEmbed, son modèle de retrieval par embeddings. DeepRank note déjà ces premiers résultats. QRewrite prépare aussi le plan de retrieval, que Google transmet jusqu’aux twiddlers.
RetrievalPlannerProtoplan de retrieval de la requête, que Google transmet jusqu’aux twiddlersFastResultsOutputpremiers résultats de FastSearch, que QRewrite reçoit pendant la préparation de la requêteFastResultsDeeprankedOutputrésultats rapides déjà notés par DeepRankEarlyLatencyPredictorOutputprédiction précoce du temps de réponse de la rechercheNemoServletOutputNemo, un modèle de Google qui tourne sur la requête seule ; magi, l’IA d’AI Overviews et d’AI Mode, récupère aussi son résultatRaNemoServletOutputNemo enrichi par les premiers résultatsHybridNemoServletOutputNemo hybride : la requête et un encodage des résultats rapidesNemoV3ServletOutputNemo, version 3QueryDeepContextRepresentationOutputreprésentation de la requête dans son contexte
Vidéo, YouTube et recherche par image
6Pour la vidéo, Toledo, le système de Google qui répartit les résultats YouTube en catégories, estime avant le ranking le type de vidéo attendu. Avec WatchEmbed, les embeddings de YouTube tirés des visionnages, Google ajoute les sous-intentions vidéo de la requête. Sur une requête avec une image, Google analyse l’image et le texte ensemble, avec Lens.
ToledoServletOutputToledo : le type de vidéo attendu (divertissement, apprentissage, information) et sa langue (vidéo doublée, piste audio)WatchEmbedOutputWatchEmbed, les embeddings de YouTube tirés de l’historique de visionnage : sous-intentions vidéo de la requête, y compris personnaliséesKomodoYoutubeInstantNavboostDataInstant NavBoost côté YouTube : les visionnages récentsMultimodalQueryOutputrequête multimodale, avec une image (Lens)ImageTextOutputimage et texte de la requête analysés ensembleConditionalP2TModelsOutputrésultats de modèles P2T que Google lance seulement sous condition
Langue et traduction
7Google détecte la langue de la requête et celle des résultats attendus, puis peut traduire la requête et calculer ses termes saillants dans l’autre langue. Dans un brevet, Google fixe les conditions : requête non locale, langue détectée avec assez de confiance. Sur un sujet pauvre en contenu français, une page française entre en concurrence avec des pages anglaises traduites.
QueryLanguagelangue de la requêteQueryLangServletOutputlangue détectée par un modèle (QueryLang)QueryLangServletLanguageIntentOutputlangue dans laquelle l’utilisateur attend ses résultatsTranslationstraductions de la requêteTranslateQbstOutputtermes saillants de la requête traduiteAlternateLanguageQbstOutputtermes saillants dans une autre langueLanguageAgnosticOutputreprésentation indépendante de la langue
SafeSearch et requêtes sensibles
6Google classe la requête avant le retrieval : niveau SafeSearch, scores par catégorie, sensibilité pour la vie privée. Scuti Shield, le système de Google qui contrôle la sécurité de la requête, détecte aussi l’injection de prompt et contrôle la neutralité politique, deux points propres aux réponses IA.
SafeSearchQueryAnnotationniveau SafeSearch de la requête ; Google l’enregistre aussi comme signal de ranking, et AI Mode en garde sa versionScutiShieldEvaluateQueryOutputScuti Shield : contrôles de sécurité de la requête (SafeSearch, injection de prompt, neutralité politique)SensitiveAnnotationrequête sensiblePrivacySensitivityServletOutputsensibilité de la requête pour la vie privéeSafeSearchServoOutputscores SafeSearch par catégorie, d’un classifieur de texteExpanderSensitiveAnnotationsensibilité de la requête, modèle de l’équipe Expander de Google Research
Mémoire et données personnelles
8Sur « appelle Marie » ou « mon vol de samedi », Google cherche dans les données de l’utilisateur : contacts, graphe personnel, photos, requêtes passées et informations que l’utilisateur a demandé à Google de retenir.
MemoryRetrievalAnnotationrappel d’une information que l’utilisateur a enregistrée en mémoireMemoryStorageAnnotationdemande d’enregistrement dans la mémoire de l’utilisateurMemoryStorageClassifierOutputclassifieur des demandes d’enregistrement en mémoirePersonalKGDatadonnées du graphe personnel de l’utilisateurPersonalContactAnnotationscontacts de l’utilisateur repérés dans la requêteStarlightStatusétat de Starlight, la recherche dans les données personnelles : contacts, photos, requêtes passéesVascoTGClusterOutputVasco, le système des cartes de tâches et de mémoire : groupe de la requête dans son grapheVascoTGNodeOutputVasco : nœud de la requête dans ce graphe
Assistant, applications et Actions on Google
7Google se sert de QRewrite au-delà de la SERP. Sept annotations servent à l’Assistant Google : le relais vers la recherche (Axon), la verticale et l’application visées par la requête, l’inventaire d’Actions on Google.
AssistantSearchHandoverOutputrelais entre l’Assistant et la rechercheAxonCacheOutputcache d’Axon, le relais Assistant-rechercheAssistantAppIntentClassifierOutputrequête Assistant qui vise une applicationAssistantVerticalClassifierOutputverticale de l’Assistant visée par la requête, avec une confiance que le ranker de l’Assistant reprendAssistantCortexOutputAogInlineInventoryAnnotatorOutputinventaire des actions tierces (Actions on Google)AppAnnotationOutputapplications repérées dans la requête
Le leak de 2024 documentait surtout la partie de QRewrite qui traite les données personnelles : contacts, alias d’agenda, comptes d’où vient chaque donnée. Les 98 annotations ci-dessus viennent directement du code de Google de 2026.
QRewrite prépare aussi la requête pour AI Overviews et AI Mode
Google utilise la même requête préparée pour la SERP classique et pour les réponses de l’IA. QRewrite y ajoute les annotations dont magi, l’IA de Google derrière AI Overviews et AI Mode, a besoin : quelles sources chercher pour le grounding, quelles données de l’utilisateur récupérer, comment planifier le retrieval.
Google se sert aussi de FastSearch, la recherche rapide dont QRewrite reçoit les premiers résultats, pour le grounding de Gemini, selon la décision de 2025 sur les mesures correctives du procès antitrust. Une page dont l’embedding est proche de celui de la requête compte donc deux fois : pour l’interprétation de la requête et parmi les sources de Gemini.
Dans le code de Google, parmi les annotations de QRewrite
AnnotationsForGroundingles annotations de la requête pour le grounding des réponses IARetrievalPlannerProtole planificateur de retrieval : QRewrite prépare le plan de retrieval de la requête, et Google transmet ce plan jusqu’aux twiddlersAquariumServletOutputAquarium : retrieval et fraîcheur pour magiMemoryRetrievalAnnotationles données de l’utilisateur à récupérer pour cette requêteMemoryStorageAnnotationla demande d’enregistrement d’une information dans la mémoire de l’utilisateurAgentAnnotationOutputles annotations pour les agentsSearchChatAnnotationles annotations pour la recherche en conversationPassageEmbedOutputles embeddings de passages, pour récupérer un passage et pas seulement une page
Deux autres infographies de la série détaillent cette étape : ce que l’IA de Google lit avant de répondre et les twiddlers, qui reçoivent ce plan de retrieval.
Sur vos requêtes
Ce que RESONEO extrait en direct : la query expansion
Google calcule les 98 annotations de QRewrite sur ses serveurs, et aucun outil extérieur n’y a accès : nous les décrivons à partir de son code. La query expansion, la partie la plus simple de la préparation de la requête, fait exception : RESONEO a trouvé comment l’extraire.
En analysant les synonymes que Google retient pour une requête, on voit comment il l’interprète.
Google élargit la requête, puis score chaque page mot par mot
Prenons la requête « stage pilotage voiture ». Google y ajoute « stages », « pilote », « automobile », « voitures » et même « ferrari ». Au retrieval, il récupère donc aussi les pages qui contiennent « automobile ».
Au scoring, Google compte le mot tel que l’utilisateur l’a tapé. Aucun des neuf titles ne contient « voiture » : huit pages sur neuf obtiennent entre 0 et 0,9 pour ce mot. « Stage » et « pilotage », présents dans presque tous les titles, obtiennent 2,7 à 5,7.
Ce score est lexical : Google le calcule d’après la présence du mot exact dans le title, l’URL et le texte de la page, et selon le poids du mot dans la requête. Google classe ensuite les pages avec les clics, les liens et les embeddings : drive2spot.com, premier résultat, obtient 4,70 pour « stage », moins que quatre pages classées plus bas (5,36 à 5,69).
En direct
Testez votre requête
Flexions, synonymes, mots liés au contexte : Google ajoute des variantes à la plupart des mots, rarement aux marques
La query expansion dépend de la requête entière : Google ajoute « ferrari » à « voiture » dans « stage pilotage voiture », « psg » au n-gram « paris saint germain ». Certaines variantes valent pour plusieurs mots à la fois.
Prenons la requête paris saint germain match
« psg » et « parissaintgermain » valent pour les trois mots du nom du club, « parissaint » et « saintgermain » pour deux. Seul, « saint » reçoit « saints » et « st », « germain » reçoit « germaine », « germains » et « german ». « paris » ne reçoit rien hors des n-grams, « match » rien du tout.
Flexions
stage → stagescher → chère, chers, chèresitalien → italienne, italiensPluriel, féminin, formes conjuguées : Google les ajoute à la plupart des mots.
Synonymes
tarif → prix, forfait, promo, remisearnaque → escroquerie, frauderestaurant → bistrot, resto, trattoriaUn mot courant reçoit jusqu’à une dizaine de synonymes.
Traductions
prépayée → prepaidbillet → ticket, ticketscoiffeur → barberSur une requête française, Google accepte aussi le mot anglais.
Formes sans accent
gâteau → gateau, gateauxvélo → velo, velosGoogle ajoute la forme sans accent du mot et de ses flexions. Au scoring, il la compte comme le mot exact.
Variantes d’un n-gram
paris saint germain → psgcoffre de toit → coffredetoitlave linge → lavelingeGoogle ajoute certaines variantes à plusieurs mots à la fois : le sigle, un synonyme du n-gram ou sa forme collée en un seul mot.
Mots liés au contexte
voiture → ferraribricolage → bricoramamagasin → mrEn fonction du reste de la requête, Google ajoute une marque ou une enseigne : « ferrari » avec « stage pilotage », « bricorama » et « mr » (Mr Bricolage) avec « magasin bricolage ».
Google ajoute rarement des variantes aux marques
Sur nos requêtes de test, Google n’ajoute rien à qonto, sfr, zalando, sncf, ratp, leboncoin, darty, vinted, cdiscount, blablacar ou trustpilot.
À d’autres marques, il ajoute une autre graphie (decathlon → décathlon, backmarket → black market) ou un nom proche (ouigo → tgv, iphone → apple).
Google ignore les stop words
Google écarte « de », « la », « du », « ou », « en » et « à » et leur donne un score de 0.
Il garde « de » dans « coffre de toit » et « salle de bain », où le mot obtient jusqu’à 8, mais il l’écarte dans « pomme de terre ».
Dans le code de Google, les trois corrections orthographiques que voit l’utilisateur
DID_YOU_MEANGoogle suggère : il affiche les résultats de la requête tapée et propose la forme corrigée.INCLUDING_RESULTS_FORGoogle mélange : il ajoute les résultats de la forme corrigée à ceux de la requête tapée.FULL_PAGE_REPLACEMENTGoogle remplace : il affiche toute la SERP de la forme corrigée, avec un lien qui relance la requête tapée. Une marque dont le nom ressemble à un mot courant mal orthographié risque ce remplacement.
Google, How Search worksThis involves steps as seemingly simple as recognizing and correcting spelling mistakes, and extends to our sophisticated synonym system that allows us to find relevant documents even if they don’t contain the exact words you used.How Search works: ranking results
Dès 2010, Steven Baker, ingénieur chez Google, écrivait que ce système de synonymes avait demandé plus de cinq ans de travail et qu’il intervenait dans 70 % des recherches, dans plus de 100 langues (blog officiel de Google, 19 janvier 2010).
Sur une requête locale, Google ajoute des catégories d’établissements, des enseignes et, aux États-Unis, des zones géographiques
Prenons la requête restaurant asiatique paris
En ocre, les catégories de l’annuaire d’établissements de Google (« yp », pour yellow pages). Google les ajoute au n-gram « restaurant asiatique », comme sa forme collée « restaurantasiatique ». « paris » ne reçoit rien : sur nos requêtes, Google ajoute des zones géographiques aux villes américaines seulement.
Sur « restaurant asiatique paris », Google ajoute huit catégories de son annuaire : restaurants chinois, japonais, thaïlandais, vietnamiens, de sushis, et même indiens. Il peut donc récupérer la fiche d’un établissement classé « Restaurant japonais » dans Google Business Profile, même sans le mot « asiatique ».
Avec « meilleur » devant, Google n’ajoute plus qu’une catégorie générique, « restaurants » : les huit types de cuisine disparaissent.
Sur « magasin bricolage paris », Google ajoute 13 catégories : il cherche aussi les quincailleries, les drogueries et les négoces de matériaux. Il ajoute aussi des enseignes : « bricorama » à « bricolage », « mr » (Mr Bricolage) à « magasin ».
Aux États-Unis, Google ajoute au nom de la ville des zones géographiques d’environ 40 km de côté : neuf pour San Francisco, huit pour New York, six pour Chicago. Une page ou un établissement rattaché à l’une de ces zones peut correspondre au lieu sans le nom de la ville.
Dans le code de Google, parmi les annotations de QRewrite
LocalwebPretriggerDecisionGoogle décide à cette étape s’il déclenche des résultats locauxLocationImportanceLevelOutputle poids du lieu dans la requêteLocationBasedSalientTermsOutputles termes attendus en fonction du lieuChainAnnotationsOutputles enseignes à plusieurs points de vente reconnues dans la requête
Ce que QRewrite change pour le SEO
Google récupère les pages avec des synonymes, mais les note sur les mots exacts
Google apprend des synonymes du pogo-sticking : l’utilisateur clique sur un résultat, revient sur la SERP et reformule sa requête avec un autre mot. Dans un brevet, Google retient ce mot comme synonyme candidat ; dans un autre, il garde ou retire chaque synonyme selon les clics et les skips. Une page qui n’emploie que le synonyme peut donc être récupérée, mais Google la note sur le mot tapé.
Selon le jugement de 2024 du procès antitrust, les termes saillants (QBST) sont les mots qu’une page pertinente contient en bonne place ; Google s’en sert dès le retrieval.
Dans le code de Google
PogoSynonymsQueryBasedSalientTermsOutputGoogle rattache à une requête générique le site que les utilisateurs cherchent juste après
Avec Navsmear, un modèle de Google, QRewrite annote une requête de marque avec le site qu’elle vise. Dans un brevet, Google attribue ce site à la requête générique tapée juste avant : il rattache ainsi une marque très cherchée aux requêtes génériques de son secteur. À « backmarket », Google ajoute aussi « black market » et récupère des pages qui contiennent ces mots (testez votre marque).
Dans le code de Google
NavsmearSiteAnnotationGoogle interprète la requête du jour avec les pages classées la veille
KScorer, le composant de Google Search qui score les interprétations d’une requête, calcule un premier score avec l’historique récent de deux features des pages classées : leur score dans Orbit, le système de Google qui classe les pages par intention, et leur rang en pertinence thématique (topicality). Sur une requête ambiguë, l’interprétation qui domine le top 10 se maintient donc d’un jour à l’autre, et une page qui traite une autre interprétation a moins de chances d’y entrer (l’outil affiche celle qui domine).
Dans le code de Google
FreshFeatureHistoryGoogle choisit le format de la SERP avant de classer les pages
Avant le ranking, Google calcule à partir des clics les grandes intentions de la requête et décide s’il déclenche le pack local. Sur une requête où il affiche un pack local ou un bloc vidéo, ces places reviennent aux fiches d’établissement et aux vidéos, quelle que soit la qualité du texte d’une page.
Pour la vidéo, Toledo, le système de Google qui répartit les résultats YouTube en catégories, repère aussi les vidéos doublées : une vidéo anglaise doublée en français peut remonter sur une requête française.
Dans le code de Google
IntentBrainServletOutputLocalwebPretriggerDecisionToledoServletOutputSur une requête locale, Google ajoute des catégories d’établissements et mesure le poids de la proximité
Google se sert des catégories qu’il ajoute à la requête (section 05) pour récupérer des fiches Google Business Profile : les catégories secondaires d’une fiche comptent dès le retrieval, et l’outil affiche celles que Google ajoute à vos requêtes. Dans un brevet, Google calcule le poids du lieu à partir de la distance médiane des résultats cliqués : quand les utilisateurs cliquent sur des résultats proches, la proximité pèse davantage dans le ranking.
Dans le code de Google
LocationImportanceLevelOutputGemini puise ses sources dans un classement par embeddings, distinct de la SERP
RankEmbed, le modèle de retrieval par embeddings révélé au procès antitrust, est un dual encoder (notes d’un entretien avec Pandu Nayak, vice-président de Google Search) : Google calcule l’embedding de chaque page à l’indexation, celui de la requête à chaque recherche, puis récupère les pages dont l’embedding est proche. Google compte sur RankEmbed là où les clics manquent, notamment sur les requêtes long tail.
Pour le grounding de Gemini, Google lance FastSearch, une recherche rapide tirée surtout de RankEmbed. Selon la décision de 2025 du même procès, FastSearch renvoie un classement abrégé que Google n’utilise pas pour la SERP : une page peut servir de source à Gemini sans être en tête de la SERP, et inversement.
Dans le code de Google
RankEmbedOutputFastResultsOutputAI Mode calcule sa propre intention shopping
Google calcule deux fois l’intention shopping et le niveau SafeSearch d’une requête : une fois en préparant la requête pour la SERP classique, une fois sur les serveurs d’AI Mode. Pour une même requête, Google peut donc afficher des produits dans la SERP et pas dans AI Mode, ou l’inverse : un e-commerçant visible dans les blocs produits de la SERP peut être absent d’AI Mode.
Dans le code de Google
ShoppingIntentOutputSafeSearchQueryAnnotationGoogle peut changer une SERP d’actualité en une dizaine de minutes
Komodo, le système de fraîcheur de Google, conserve requête par requête les clics des dernières 24 heures, avec une dizaine de minutes de retard, y compris ceux des requêtes affinées, que les utilisateurs tapent juste après. Avec Instant NavBoost, Google les ajoute à la requête. Il en donne un exemple dans un document du procès antitrust : le jour de l’attentat de Nice, Google retire le bloc d’images de « nice pictures ». Une page publiée tôt récolte ces premiers clics : ciblez aussi la requête affinée (année, nom de l’événement).
Dans le code de Google
KomodoInstantNavboostDataKomodoRefinedQueryInstantNavboostDataGoogle convertit « ce week-end » ou « demain » en dates
Google convertit aussi « ce soir » en moment de la journée. Pour un événement, une billetterie ou un restaurant, il rapproche ensuite la date de la requête de celle de la page : une page qui écrit ses dates et ses horaires en clair, et les balise (données structurées Event, horaires d’ouverture), correspond à « concert ce week-end ».
Dans le code de Google
DateAnnotationsOutput
Avant le retrieval, QRewrite ajoute à la requête des variantes, des catégories, des enseignes, des dates et des intentions. Google récupère les pages qui correspondent à cette requête réécrite, les note sur les mots exacts de l’utilisateur, puis les classe avec les clics, les liens et les embeddings.