L’IA divise la recherche Web en trois réalités différentes

De nouvelles recherches révèlent que Google utilise désormais trois systèmes d’information différents au sein de son propre empire de recherche, avec la recherche classique, les aperçus de l’IA et Gemini, qui favorisent tous des sources, des classements et des contenus différents.

Le réductionnisme domine. Au cours des douze derniers mois, le mème “Laissez-moi chercher sur Google pour vous” a été dépassé par une nouvelle tendance “Laissez-moi résumer les résultats de recherche Google pour vous”, dans laquelle les aperçus de l’IA dans les résultats de recherche épargnent de plus en plus aux lecteurs la peine de cliquer sur les liens de recherche (ce qui définance potentiellement les sites sources dans le processus), en condensant les résultats de recherche entiers en quelques paragraphes générés.

On pourrait penser que les connaissances de base affichées et le choix des sites à partir desquels tirer ces connaissances seraient relativement similaires dans les trois méthodes les plus populaires de recherche d’informations sur Internet: la recherche classique sur le Web; les aperçus de l’IA (AIO) qui sont maintenant en tête de la plupart des résultats de recherche Web; et l’utilisation croissante de LLM tels que ChatGPT en tant qu’oracles Web (avec ou sans appels RAG externes).

Cependant, des recherches récentes menées aux États-Unis indiquent que ce n’est pas le cas; et que même au sein de la trinité des oracles de Google – les résultats de recherche classiques, les résumés de l’IA et l’interaction directe avec la série de LLM Gemini – il semble y avoir des écarts significatifs et intéressants, pour chaque voie.

Division en trois voies

Dans un nouvel article clair et détaillé, intitulé Comment l’IA générative perturbe la recherche: une étude empirique de la recherche Google, Gemini et des aperçus de l’IA, six chercheurs de l’Institut de technologie du New Jersey décrivent les moyens par lesquels les trois méthodes de recherche sont en train de diverger, et proposent quelques théories possibles pour ces fractures dans l’approche.

L’article indique:

‘[Premièrement, nous] constatons que pour 51,5 % des requêtes représentatives et réelles des utilisateurs, les aperçus de l’IA sont générés et affichés au-dessus des résultats de recherche organiques. Les questions controversées donnent souvent lieu à un aperçu de l’IA.

‘Deuxièmement, nous montrons que les sources récupérées sont substantiellement différentes pour chaque moteur de recherche (similitude de Jaccard moyenne inférieure à 0,2). La recherche Google classique est nettement plus susceptible de récupérer des informations à partir de sites Web populaires ou institutionnels dans les gouvernements ou l’éducation, tandis que les moteurs de recherche génératifs sont nettement plus susceptibles de récupérer du contenu appartenant à Google.

‘Troisièmement, nous observons que les sites Web qui bloquent le crawleur d’IA de Google sont nettement moins susceptibles d’être récupérés par les aperçus de l’IA, malgré l’accès au contenu.’

Puisque l’article est un véritable trésor d’informations fascinantes, plutôt que de suivre le flux de travail habituel linéaire et méthodique, nous allons examiner ces points et quelques autres des résultats les plus surprenants et les plus éclairants de l’étude.

L’ancien “Deux-Un”

L’une des découvertes intéressantes de l’étude indique que les aperçus de l’IA de Google tendent à être supprimés pour les événements d’actualité brûlante, car les premières sources disponibles et les plus précises peuvent ne pas être les plus précises.

Ce système ne fonctionne pas toujours: dans l’exemple ci-dessous, noté par les chercheurs, un aperçu de l’IA de Google concernant le résultat d’un match de boxe a attribué la victoire au mauvais boxeur, même si la seule source indiquant ce résultat (incorrect) était un flux satirique de sports sur Facebook:

L’une des raisons pour lesquelles les aperçus de l’IA de Google évitent les résumés en temps critique est que les premières informations peuvent être incomplètes ou complètement incorrectes. Dans ce cas, le boxeur Jake Paul a réellement perdu le match. Source

Les auteurs notent que les aperçus de l’IA tendent à apparaître lorsque l’événement est d’au moins cinq jours, ce qui le qualifie d’anomalie – mais néanmoins, une anomalie que les chercheurs ont pu facilement reproduire.

Les aperçus de l’IA étaient plus susceptibles d’être générés lorsque la requête se terminait par un point d’interrogation, et que l’intention de la requête était un facteur dans la présentation d’un aperçu de l’IA:

Pourcentage d’incidents où un résumé de recherche de l’IA a été produit dans l’une des séries de tests des chercheurs. Ici, ‘informationnel’ indique des questions directes, qui tendent à produire des aperçus de l’IA plus que tout autre type d’interaction.

De plus, l’article soutient que les requêtes plus longues tendent à être plus susceptibles de produire un résumé de l’IA au lieu de simples résultats de recherche, même si les auteurs ne proposent pas encore de théorie pour expliquer cela.

Un royaume divisé

Le résultat le plus surprenant de cette nouvelle étude est peut-être la faible chevauchement des résultats de qualité/type entre les trois plateformes de recherche de Google.

L’article montre à plusieurs reprises que la recherche Google classique, les aperçus de l’IA et Gemini (LLM) récupèrent des sources très différentes pour la même requête, avec des scores de chevauchement suffisamment bas pour impliquer trois logiques de récupération en concurrence au sein d’une seule entreprise, alors que les utilisateurs pourraient supposer que Google a un index unique et une philosophie de classement unique:

Même au sein de l’écosystème de Google, le chevauchement entre la recherche classique, les aperçus de l’IA et Gemini s’est avéré étonnamment faible, avec la même requête produisant souvent des listes de sources substantiellement différentes en fonction du système Google qui a traité la requête. Dans cette comparaison, nous voyons à quel point les trois systèmes se sont rapprochés les uns des autres sur des milliers de requêtes de recherche, allant des sujets de débat et de shopping à des recherches locales et des questions de connaissances générales, avec des scores plus bas indiquant moins d’accord entre les sources sélectionnées.

En ce qui concerne cette section de leur analyse, les auteurs déclarent^†:

‘[Le tableau ci-dessus] présente la similitude moyenne entre la liste des sources renvoyées par l’AIO, Gemini et la recherche classique pour chaque requête dans l’ensemble de données de référence.

‘La principale conclusion est que quelle que soit la sous-requête et quelle que soit la paire de moteurs de recherche comparés, les listes récupérées sont dissimilaires, malgré le fait que les trois soient développés par Google.’

Les chercheurs déclarent en outre qu’aucun moteur de recherche testé n’a prouvé avoir un chevauchement biaisé de classement (RBO) supérieur à 0,27, ce qui est un score très bas. Ils notent en outre que les requêtes Amazon Retail et les requêtes localisées (c’est-à-dire ‘magasins près de moi’) ont eu la similarité la plus faible entre les méthodes de recherche.

Ils attribuent la faible concordance à une ‘incohérence fondamentale entre les moteurs de recherche’, notant que ni le hasard ni aucun autre facteur évident ne peut être rendu responsable de cette désynchronisation.

Une explication intuitive, à l’argumentation, est que les points de données de formation sont attribués un rang de manière très différente de celle des méthodes que Google a développées pour PageRank et ses successeurs au cours des deux dernières décennies. De plus, dans l’hypothèse que l’algorithme de recherche Google a un agenda secret, ce type d’ingérence ou de « jeu » est beaucoup plus difficile à mettre en œuvre de manière cohérente dans les IA basées sur la diffusion telles que Gemini (même via le filtrage, les invites de système et les diverses autres méthodes de canalisation imposées aux modèles commerciaux).

Service auto..?

Certains sites Web, ou catégories de sites Web, semblent avoir été affectés par l’avènement des résumés de l’IA et l’intrusion de la recherche basée sur les LLM dans l’espace de recherche classique – à la fois négativement et positivement, selon le cas:

Comparés à la recherche Google classique, les aperçus de l’IA et Gemini ont tous deux réduit les citations de nombreux sites Web importants, tout en augmentant la visibilité d’un petit nombre de domaines favorisés. YouTube s’est avéré être l’un des plus grands bénéficiaires des deux systèmes, tandis que Reddit, Wikipedia, Facebook et de nombreuses sources institutionnelles sont apparus moins fréquemment dans les récupérations générées par l’IA.

Les auteurs notent que certaines préférences inattendues émergent parmi les trois méthodes, lors des tests:

‘Nous avons trois principales conclusions à tirer de [les graphiques ci-dessus]. Premièrement, les grands et bien connus sites Web sont les plus touchés (à la fois positivement et négativement). C’est intuitif, car les grands sites Web ont la réputation et la diversité de contenu pour être pertinents pour de nombreuses requêtes différentes.

‘Deuxièmement, la majorité écrasante de ces sites Web reçoit moins de citations globales et moins de citations dans les trois premiers avec les moteurs de recherche génératifs (indiqués par des barres rouges et des nombres négatifs dans [les graphiques ci-dessus]). Cela suggère que la recherche générative tend à puiser des informations dans des sources plus spécialisées que les moteurs de recherche classiques.

‘Troisièmement, les aperçus de l’IA de Google favorisent les sites Web de Google (c’est-à-dire les domaines google.com et youtube.com).

‘Gemini favorise également YouTube par rapport à la recherche Google classique, mais la différence absolue est plus faible.’

Des bloqueurs..?

L’étude a également constaté que les éditeurs qui bloquent le crawleur Web d’IA de Google – le robot automatisé qui scrape les données à partir de votre site à moins que vous ne le disiez pas avec un fichier robots.txt – tendent à ne pas apparaître dans les résumés de l’IA.

Cela peut sembler une blessure auto-infligée, mais en fait, Google a déclaré publiquement que le contenu des plateformes qui bloquent les crawleurs d’IA ne sera pas empêché d’apparaître dans les résumés de l’IA; plutôt, les éditeurs ne verront simplement pas leurs données scrapées, curées dans une collection et exécutées dans le prochain cycle de formation pour Gemini et d’autres projets d’IA de Google.

Cependant, ce n’était pas la conclusion à laquelle les chercheurs de la nouvelle étude sont parvenus, constatant plutôt que les éditeurs populaires qui interdisent les crawleurs d’IA étaient très rarement cités par Gemini, soit dans la version LLM, soit dans la version de résultats de recherche plus légère et plus agile. Les éditeurs « effectivement bannis » ont été signalés par l’article comme étant NYTimes, CNN, BBC, ScienceDirect, Reuters, Wiley, Nature, ESPN, Business Insider, CNBC, NPR, WIRED, USA Today, NBC News, Genius, National Geographic, The Conversation, U.S. News & World Report, Scientific American, Consumer Reports et STAT.

Certains des interdictions de scraping d’IA effectuées par les éditeurs mentionnés ci-dessus. Mais cela a-t-il conduit à une censure plus large de la part de Google?

Les auteurs déclarent:

‘Dans nos analyses des domaines les plus touchés, nous avons constaté que 21 éditeurs populaires (qui sont récupérés pour au moins 20 requêtes uniques par la recherche Google et les aperçus de l’IA) n’ont jamais été cités par Gemini.

‘Plusieurs médias sociaux populaires (Facebook, Instagram, Tiktok) et des sites Web de critique (IMDb, Yelp, Tripadvisor) ont également reçu zéro citation de Gemini. Après une enquête plus approfondie, nous avons constaté que tous ces sites Web bloquent le robot Google-Extended dans leurs fichiers robots.txt.’

Si cette constatation se vérifie ailleurs et persiste, on pourrait spéculer que ces sociétés sont potentiellement sous pression de la part de Google pour se conformer à ses opérations d’IA via une déréférencement partiel. À première vue, les résultats semblent punitifs – mais alors, les résultats de la nouvelle étude sont plus indicatifs de chaos que de préméditation; par conséquent, le seul commentaire raisonnable que l’on puisse faire est que ces résultats semblent superficiellement « mesquins », quelle que soit la cause réelle.

Conclusion

Opinion C’est un article clair et détaillé, dont les dix pages principales se déroulent en une cascade presque écrasante de découvertes supplémentaires. Puisque nous n’avons eu le temps de couvrir qu’une petite partie de celles-ci, je recommande le PDF source même au lecteur occasionnel (un événement rare).

Bien qu’une disposition « jaune » puisse jeter un regard négatif sur les découvertes des auteurs, le travail est peut-être mieux traité comme indicatif d’un leader technologique mondial qui tente d’obtenir et de maintenir un avantage mondial dans la recherche basée sur l’IA, en utilisant des plateformes très contrastées qui se sont développées dans des circonstances très différentes et à des époques très différentes.

Alors que trois méthodes de recherche sont examinées dans l’article, la véritable controverse est entre les résultats de recherche classiques et les méthodes de sélection basées sur la distribution qui dominent la curation de données et la formation de l’IA.

IA comme en 1999

Avant l’avènement de Google, il était possible de « manipuler » les résultats de recherche grâce à un simple volume, et de cette façon, on pouvait souvent obtenir un placement en première page des résultats de recherche avec un effort minimal (souvent automatisé). Ce « jeu de nombres » a été effectivement mis fin vers 2002 par l’algorithme de classement de recherche plus sophistiqué et secret de Google. Mais puisque les enjeux étaient importants, le contenu à faible qualité et à grande échelle n’a jamais vraiment disparu d’une manière significative.

Par conséquent, lorsque des collections à grande échelle telles que Common Crawl ont jeté les bases de la révolution de l’IA moderne, la prééminence des données a été destinée à être dominée par la mesure dans laquelle les processus automatisés pouvaient filtrer et classer la qualité des données entrantes, et (beaucoup moins probablement), la mesure dans laquelle de l’argent était disponible pour payer les gens pour classer ces données.

Il y avait beaucoup de mauvaises ou de mauvaises données de qualité dans ces grandes collections indiscrètes; des données qui n’auraient peut-être pas inclus de nudité ou de jurons ou de stéréotypes racistes, ou tout autre chose qui est relativement facile à filtrer des ensembles de données de formation – mais qui étaient néanmoins auto-serviables et abondantes, tout comme les résultats de la recherche Internet vers 1999-2001.

Puisque ces processus d’induction de données ne sont toujours pas très bons, il est très difficile, même pour Google, d’obtenir que l’IA agisse de manière commerciale, puisque les décisions de style PageRank de Gemini sont dictées non par les ingénieurs de politique de Google, mais par une compréhension imparfaite de la façon dont les données à grande échelle se transforment en distributions de données et en embeddings latents pendant la formation d’un modèle d’IA.

* Pages de résultats de recherche.

^† Emphase des auteurs, et non la mienne. Cependant, j’ai substitué le gras à l’italique, puisque l’italique d’emphasis ne fonctionne pas bien dans les citations qui sont déjà principalement en italique.

Publié pour la première fois le mercredi 13 mai 2026