De la requête à la tâche : ce que Google ATLAS change pour le SEO et le GEO

Google a observé près de 15 millions d’interactions réelles

Les études sur les usages de l’intelligence artificielle reposent souvent sur des questionnaires, des projections ou des tests de capacités. ATLAS adopte une autre approche. Google a travaillé à partir d’un échantillon de conversations réellement engagées avec ses produits entre le 6 et le 19 avril 2026.

Les interactions ont été désidentifiées, résumées, regroupées par proximité sémantique, puis rattachées à des nomenclatures professionnelles et domestiques. Le corpus final couvre un terrain considérable.

La valeur du rapport tient à ce point : il décrit ce que les utilisateurs demandent réellement aux modèles, et non leurs seules capacités théoriques.

ATLAS agrège cependant plusieurs produits dont les usages diffèrent. Les données professionnelles incluent l’API Gemini, tandis que l’analyse de la vie quotidienne se concentre sur Gemini App et AI Mode. Il ne s’agit donc pas d’une étude isolée de Google AI Mode.

Au travail, l’IA intervient surtout à l’intérieur des tâches

L’un des résultats les plus intéressants concerne l’écart entre la diffusion de l’IA et la profondeur de son utilisation. Google observe un usage significatif dans 68 % des professions détaillées étudiées. Ces professions représentent un peu plus de 88 % de l’emploi civil américain.

Dans la profession médiane où un usage est observé, Gemini n’intervient pourtant que sur 21 % des tâches associées au métier. Seulement 3 % des professions présentent un usage sur plus des trois quarts de leurs tâches.

L’IA circule donc dans une grande partie de l’économie, tout en restant concentrée sur des portions ciblées du travail : analyser un résultat, préparer un document, chercher une procédure, comparer des options ou résoudre un problème.

Le rapport le montre particulièrement bien pour les tâches cognitives non routinières, celles qui mobilisent le jugement, la créativité, la résolution de problèmes ou la stratégie. Elles représentent environ 35 % des tâches recensées dans O*NET (référentiel américain des métiers et compétences), mais 65 % des interactions professionnelles observées avec Gemini.

La rédaction, la recherche et l’idéation dominent l’automatisation

Google a classé les demandes professionnelles selon le rôle confié à l’IA. Pour les tâches cognitives non routinières, l’automatisation complète reste minoritaire.

Le chiffre de 6,5 % mérite l’attention. Dans ces activités complexes, l’utilisateur demande rarement au modèle de prendre en charge toute la tâche. Il cherche plus souvent un partenaire de travail capable de produire une première matière, d’éclairer une décision ou de l’aider à franchir une étape.

Pour un éditeur ou une marque, cette observation ouvre une question décisive : de quelle ressource l’utilisateur et l’IA ont-ils besoin à ce moment du travail ?

Une étude nourrit l’analyse, un comparatif soutient la décision, un modèle accélère la production, une checklist contrôle le résultat et un outil exécute une opération délimitée. Ces ressources peuvent traiter du même sujet sans remplir la même fonction.

L’intention de recherche ne suffit pas à décrire la conversation

La notion d’intention de recherche reste un excellent point de départ. Elle permet de distinguer un besoin d’information, de comparaison, de navigation ou d’action. Dans une interface conversationnelle, cette intention s’inscrit toutefois dans une séquence plus longue.

Prenons une demande comme :

« Comment mesurer la visibilité de ma marque dans ChatGPT et décider des actions prioritaires ? »

Cette formulation contient déjà plusieurs opérations. L’utilisateur doit comprendre ce qui peut être mesuré, choisir un panel de prompts, collecter des réponses, repérer les citations, comparer sa marque à ses concurrents et transformer les résultats en décisions.

Le moteur peut décomposer cette demande en sous-requêtes. C’est le mécanisme de query fan-out utilisé par les moteurs IA. Mon analyse de 221 query fan-out de GPT-5.5-thinking montre d’ailleurs qu’une recommandation complexe passe par plusieurs couches : cartographier le marché, qualifier les candidats, puis vérifier les preuves.

ATLAS ajoute une dimension complémentaire. Le fan-out décrit les recherches lancées pour documenter la réponse. La tâche décrit ce que l’utilisateur cherche à accomplir grâce à cette réponse.

Cinq fonctions éditoriales pour accompagner une tâche

À partir de la taxonomie proposée par Google, nous pouvons construire une matrice directement exploitable pour la stratégie de contenu.

Cette matrice ne remplace pas la recherche de mots-clés. Elle l’enrichit. Deux pages peuvent traiter du même univers sémantique tout en occupant des places distinctes dans le travail de l’utilisateur.

Elle permet aussi d’éviter un défaut fréquent : l’article qui prétend tout couvrir et finit par survoler chaque besoin. Une page de fond peut expliquer. Une autre peut comparer. Un outil peut exécuter. Le maillage interne organise alors le passage d’une étape à la suivante.

Les utilisateurs consultent l’IA là où la friction est forte

ATLAS ne s’arrête pas aux usages professionnels. Plus de 86 % des conversations étudiées dans Gemini App et AI Mode concernent des activités extérieures au travail formel.

L’éducation représente 20,7 % de ces échanges, les activités domestiques 11 %, la recherche d’achats 5,2 % et les services personnels ou professionnels 4,8 %.

La comparaison avec le temps réellement consacré à ces activités est encore plus instructive. Aux États-Unis, l’éducation est environ 5,8 fois plus représentée dans les conversations IA que dans l’emploi du temps quotidien. Les services personnels et professionnels dépassent un facteur sept, la recherche d’achats approche un facteur trois et les démarches administratives ou civiques atteignent presque un facteur vingt.

Ces usages se concentrent sur des sujets à forte friction : vocabulaire spécialisé, procédures, incertitude, coût d’une erreur ou indisponibilité d’un interlocuteur. Près de la moitié des conversations sur la santé, le droit, la finance ou les services publics ont lieu en dehors des horaires de bureau.

Pour les marques, il faut donc repérer ce qui ralentit la personne : informations à réunir, critères à comprendre, documents à produire, erreurs à éviter et résultat à contrôler.

Concevoir un contenu comme une pièce utile du travail

Une page bien positionnée sur un sujet garde sa valeur. Dans une expérience conversationnelle, sa capacité à fournir un composant réutilisable devient également déterminante.

Le contenu doit pouvoir être retrouvé, extrait et mobilisé sans perdre son sens. Cela rejoint mon guide sur la manière de structurer un contenu pour les IA génératives. La structure aide le lecteur, mais aussi le moteur à identifier le rôle de chaque passage.

Pour soutenir une tâche, une ressource gagne à préciser :

• le résultat que l’utilisateur cherche à obtenir ;
• les informations ou prérequis nécessaires ;
• les étapes à suivre et leur ordre ;
• les critères qui permettent de choisir ;
• un exemple suffisamment concret pour être transposé ;
• les limites, risques et cas où la méthode ne convient pas ;
• la source des données et leur date ;
• le prochain contrôle à effectuer.

Ces éléments transforment une réponse générique en matériau de travail, exploitable pour une sous-question précise.

Organiser les contenus autour d’une architecture de tâches

Chaque page n’a pas besoin de couvrir les cinq fonctions. Le niveau pertinent est souvent celui du cluster éditorial.

Sur un sujet stratégique, l’architecture peut associer plusieurs ressources :

• une page de référence pour comprendre les notions ;
• un comparatif pour explorer les options ;
• un modèle ou un exemple pour produire ;
• une checklist ou une étude de cas pour vérifier ;
• un outil, un workflow ou une prestation pour agir.

Le gain d’information prend ici une dimension très concrète. Une nouvelle page mérite d’exister lorsqu’elle apporte une étape, une preuve ou une capacité qui manque aux ressources précédentes. La progression du lecteur devient aussi la progression documentaire du site.

Cette approche rejoint une stratégie de contenu SEO fondée sur des décisions plutôt que sur l’empilement d’idées. Avant de créer, il faut vérifier ce qui existe, le rôle de la future page et le lien qu’elle entretiendra avec l’offre.

Exemple : aider une marque absente des réponses de ChatGPT

Imaginons un dirigeant qui demande à une IA :

« Ma marque n’apparaît jamais dans ChatGPT. Comment comprendre le problème et corriger la situation ? »

La requête paraît unique. Le travail à accomplir comporte pourtant plusieurs étapes, chacune pouvant mobiliser des sources différentes.

Une définition du GEO ne couvre qu’une partie du besoin. Le protocole, les critères de comparaison, les exemples de diagnostic et la méthode de suivi rendent la marque utile au fil de la tâche.

Le parcours peut ensuite conduire vers un audit, un outil ou un système éditorial SEO piloté par l’humain et augmenté par l’IA. La dimension commerciale naît de cette continuité, pas d’un appel à l’action ajouté artificiellement.

Mesurer la visibilité selon le rôle joué dans la tâche

Le classement d’un mot-clé reste un indicateur utile. Il ne permet pas, à lui seul, de comprendre comment une page intervient dans une réponse générée ou dans une décision.

Une mesure plus mature peut rapprocher plusieurs signaux :

• la famille de prompts ou de sous-requêtes où la page apparaît ;
• l’étape de la tâche à laquelle elle contribue ;
• le type de passage cité ou reformulé ;
• la présence de la marque dans la recommandation finale ;
• les visites référentes, recherches de marque et conversions associées ;
• l’évolution après une mise à jour éditoriale.

Les limites du rapport évitent les conclusions trop rapides

ATLAS fournit une photographie rare, mais elle reste une première version. Plusieurs précautions doivent accompagner son utilisation.

D’abord, l’échantillon ne couvre que deux semaines et exclut les requêtes de moins de dix tokens. Les demandes courtes, fréquentes dans la recherche classique, sont donc absentes. Le rapport ne permet pas de comparer directement la longueur ou la structure des requêtes entre Google Search et les interfaces conversationnelles.

Ensuite, plusieurs produits majeurs ne figurent pas dans le corpus, notamment AI Overviews, Google Workspace, Google Translate et les usages professionnels payants de Gemini API pour les analyses détaillées. Les résultats ne décrivent pas tout l’écosystème IA de Google.

Enfin, la classification devient moins précise à mesure qu’elle descend vers une tâche très détaillée. Google annonce environ 72 % de précision sur les grandes catégories professionnelles, contre 22,6 % sur l’identification exacte parmi près de 19 000 tâches O*NET. Les tendances agrégées sont donc plus fiables que les observations portant sur un micro-usage.

Le rapport mesure aussi une interaction, pas son résultat. Une conversation terminée ne prouve ni le gain de temps, ni la qualité de la décision, ni la réussite de la tâche.

Le prochain réflexe éditorial

Le mot-clé décrit la formulation visible. L’intention éclaire l’objectif général. La tâche révèle l’opération que l’utilisateur essaie de faire avancer.

Avant de valider un nouveau contenu, cinq questions peuvent désormais guider la décision :

1. Quelle tâche concrète l’utilisateur poursuit-il ?
2. À quelle étape rencontre-t-il une difficulté ?
3. Quelle information, preuve ou ressource lui manque ?
4. Quelle page du site l’aide avant et après cette étape ?
5. Quel signal permettra de vérifier que le contenu a été utile ?

À mes yeux, Google ATLAS apporte surtout ce changement de focale. Les interfaces conversationnelles transforment la recherche en espace de travail. Pour rester visible dans cet environnement, une marque doit proposer des contenus qui répondent avec précision, puis qui donnent à l’utilisateur de quoi continuer.