L'intention de recherche (ou search intent) correspond à l'objectif réel d'un internaute lorsqu'il saisit une requête dans Google ou dans un moteur IA comme ChatGPT. Derrière les mots tapés, il attend un sens précis, un format de réponse adapté et un type de source légitime. Une page qui se trompe sur l'un de ces points concourt pour une intention que la SERP a déjà écartée, et ses chances d'atteindre la première page deviennent minces, quelle que soit la qualité de sa rédaction.
Pendant des années, j'ai expliqué ce mécanisme avec RankBrain, BERT et beaucoup d'observation des pages de résultats. À l'automne 2026, RESONEO a publié une série d'analyses intitulée « Comprendre Google », fondée sur des schémas internes du moteur, ces fichiers qui décrivent champ par champ les données manipulées par ses systèmes, souvent avec les commentaires de ses ingénieurs. J'ai réécrit cette définition à partir de ces travaux, avec un lien vers l'article concerné à chaque fois qu'une information en vient. Les listes complètes de critères et de catégories qu'ils décrivent s'ouvrent dans des fenêtres dédiées, que vous pouvez copier en un clic.
Les différents types d'intention de recherche
Le métier du SEO classe les requêtes en quatre grandes intentions : informationnelle, commerciale, transactionnelle et navigationnelle. Le tableau les relie à l'objectif de l'internaute, à sa position dans le parcours d'achat et à des requêtes types.
| Type d'intention | Objectif de l'internaute | Étape du parcours | Exemples de requêtes |
|---|---|---|---|
| Informationnelle | Comprendre un sujet | Haut du parcours | « qu'est-ce que le SEO ? », « pourquoi le ciel est bleu ? » |
| Commerciale | Comparer avant d'acheter | Milieu du parcours | « meilleur logiciel SEO », « comparatif voiture électrique » |
| Transactionnelle | Agir : acheter, s'abonner, télécharger | Bas du parcours | « acheter abonnement Ahrefs », « télécharger logiciel » |
| Navigationnelle | Accéder à un site ou à une marque | Tout au long du parcours | « Google Search Console login », « Julien Gourdon SEO » |
Dix-neuf grandes intentions et 86 catégories de pages chez Google
Ces quatre familles existent bien chez Google, avec un niveau de détail que le métier n'imaginait pas. L'article de RESONEO consacré à Intent Brain et Orbit, les deux systèmes qui associent les pages à l'intention de recherche, décrit deux nomenclatures internes qui se répondent :
- Intent Brain distingue 19 grandes intentions, les « broad intents ». Elles couvrent notamment les images, la vidéo, le local, le shopping, l'actualité, la fraîcheur, l'expérience vécue et les discussions entre internautes. Neuf d'entre elles déclenchent un élément visible de la SERP, comme un onglet mis en avant ou le filtre Forums. Une valeur supplémentaire,
UNKNOWN, indique que l'intention reste indéterminée. - Six de ces intentions désignent la source attendue par l'internaute : administration, encyclopédie, éditeur de presse, marchand, contenus d'utilisateurs ou autre source.
- Orbit attribue à chaque page de l'index un score de 0 à 100 pour 86 catégories cumulables, qui décrivent ce que la page permet de faire (réserver, se connecter), sa forme (tutoriel, test, forum) et son éditeur. Un comparatif d'assurances auto publié par un assureur est ainsi à la fois un comparatif, une page de marchand et un contenu YMYL financier.
Le détail le plus parlant pour un SEO tient dans ces catégories : les quatre intentions du métier y figurent. LOGIN, CONTACT_PAGE ou REGISTER couvrent le navigationnel, TUTORIAL, MANUAL ou STUDY_GUIDE l'informationnel, PRODUCT_REVIEW, PRODUCT_COMPARISON ou PRODUCT_TOPN le commercial, SHOPPING_MERCHANT_PRODUCT, RESERVATION ou JOB_POSTING le transactionnel. Même constat pour la méthode des « 3 C » popularisée par Ahrefs : Orbit nomme le type de contenu et son format, et laisse l'angle éditorial au rédacteur. J'y vois la validation de plusieurs années de lecture manuelle des SERP. Nos cases de travail correspondent aux étiquettes internes de Google, découpées plus finement.
Intent Brain calcule, pour chaque requête, chaque langue et chaque pays, la probabilité de ces 19 grandes intentions à partir des clics comptés par Glue. Le schéma BroadIntent compte 20 valeurs au total, en incluant la valeur UNKNOWN pour une intention indéterminée. Huit d'entre elles portent le nom d'une catégorie de pages d'Orbit : la requête et la page sont décrites avec les mêmes mots. Les compteurs de fraîcheur qui calculent l'intention FRESH figurent en fin de liste.
Onglets et formats de résultat · 7
IMAGEdes images : onglet Images, format RESULT_FORMAT_ID_IMAGESVIDEOdes vidéos : onglet Vidéos, format RESULT_FORMAT_ID_VIDEOSLOCALdes lieux et des adresses : Maps ou pack local, format RESULT_FORMAT_ID_LOCALSHOPPINGdes produits à acheter : onglet Shopping, format RESULT_FORMAT_ID_PRODUCTSNEWSde l'actualité : onglet Actualités, format RESULT_FORMAT_ID_NEWSAPPSdes applications : onglet ApplicationsSHORT_VIDEOdes vidéos courtes : format RESULT_FORMAT_ID_SHORT_VIDEOS
Expérience vécue et discussion · 2
AUTHENTICITYune expérience vécue, le témoignage d'une personne : filtre Forums, comptée depuis le 3 juillet 2023 catégorie OrbitUGC_DISCUSSIONune discussion entre internautes : filtre Forums, comptée depuis le 29 août 2023 catégorie Orbit
Sans élément de SERP dédié · 4 intentions et la valeur UNKNOWN
FRESHdes résultats récents, mesurés par l'âge de la date affichée dans le snippetTOLEDOune vidéo adaptée à l'usage (apprendre, s'informer, se divertir, retrouver un morceau, voir une version doublée), selon le système vidéo TOLEDO, comptée depuis le 9 octobre 2023EXPLOREexplorer un sujet large, comme dans le bloc « Explore » de la SERPWEBdes liens web classiquesUNKNOWNvaleur 0 du schéma quand l’intention est indéterminée
Type de source attendu · 6
INFORMATION_SOURCE_GOVERNMENTun site officiel, une administration catégorie OrbitINFORMATION_SOURCE_ENCYCLOPEDIAune encyclopédie catégorie OrbitINFORMATION_SOURCE_NEWS_PUBLISHERun éditeur de presse catégorie OrbitINFORMATION_SOURCE_MERCHANTun marchand catégorie OrbitINFORMATION_SOURCE_UGCdes contenus publiés par des utilisateurs catégorie OrbitINFORMATION_SOURCE_OTHERune autre source catégorie Orbit
Compteurs de fraîcheur (âge de la date du snippet) · 7
result_goodness_sum_byline_age_lt_1dsatisfaction apportée par les résultats datés de moins d'un jourresult_goodness_sum_byline_age_lt_3drésultats datés de moins de trois joursresult_goodness_sum_byline_age_lt_30drésultats datés de moins de 30 joursresult_goodness_sum_byline_age_lt_90drésultats datés de moins de 90 joursresult_goodness_sum_byline_age_lt_365drésultats datés de moins d'un anresult_goodness_sum_has_byline_agetous les résultats qui affichent une dateresult_goodness_sum_fresh_vesatisfaction obtenue dans un élément frais de la page, comme un bloc d'actualités
Orbit attribue à chaque page de l'index un score de 0 à 100 pour chacune de ces catégories, qui se cumulent. 59 sont en service, 27 marquées comme retirées (deprecated) : la plupart décrivent un besoin que Google satisfait lui-même dans la SERP ou dans Maps. « Filtrable » signale une catégorie à laquelle Google peut restreindre une recherche (option add_restrict, 35 catégories en service), « mesurée » une catégorie suivie dans les statistiques tirées des logs (option should_log, 19 catégories).
Savoirs et contenus pratiques · 14
TUTORIALTutoriel filtrableRECIPESRecettes filtrableSTUDY_GUIDEGuide d’étude filtrableSHEET_MUSICPartition musicale filtrableMANUALManuel filtrableLYRICSParoles de chanson filtrableREPAIRRéparation filtrableDISCOGRAPHYDiscographie filtrable retiréeDEFINITIONDéfinition filtrable retiréeNUTRITION_FACTSInformations nutritionnelles filtrable retiréeSCORESScores et résultats filtrable retiréeTRIVIAAnecdotes ou quiz filtrable retiréeCOMPANY_FINANCIALSDonnées financières d’entreprise filtrable retiréeTHESAURUSThésaurus filtrable retirée
Actions et services · 9
LISTENÉcouter filtrableREGISTERInscription filtrableLOGINConnexion à un compte filtrableCONTACT_PAGEPage de contact filtrableRESERVATIONRéservation filtrableCUSTOMER_SUPPORTAssistance clientèle filtrableTRANSLATETraduction filtrable retiréeCALCULATORCalculateur filtrable retiréeDOWNLOADTéléchargement filtrable retirée
Commerce et choix de produits · 17
PROMOTIONPromotion filtrableREAL_ESTATE_LISTINGAnnonce immobilière filtrableUNBOXINGDéballage d’un produit filtrableSPECSCaractéristiques techniques filtrableRENTLocation filtrableCOUPONBon de réduction filtrableJOB_POSTINGOffre d’emploi filtrableSHOPPING_MERCHANT_PRODUCTPage produit d’un marchand filtrable mesuréePRODUCT_REVIEWTest ou avis sur un produit filtrable mesuréePRODUCT_COMPARISONComparatif de produits filtrable mesuréePRODUCT_BUYING_GUIDEGuide d’achat de produits filtrable mesuréePRODUCT_TOPNSélection de N produits filtrable mesuréeSHOPPINGShopping mesuréeSHOPPING_RESEARCHRecherche avant achatCATALOGCatalogue filtrable retiréeBUYING_GUIDEGuide d’achat, libellé général retiréeSHOPPING_REVIEW_OR_BUYING_GUIDEAvis shopping ou guide d’achat retirée
Formats éditoriaux · 12
RANKINGPalmarès filtrableNEWSActualité filtrableREVIEWAvis ou critique filtrableMEME_DOCUMENTDocument de type mèmeLISTICLEArticle présenté sous forme de liste mesuréeLISTICLE_OR_AGGREGATORListe ou agrégateur mesuréeLISTICLE_EXPVariante expérimentale de listicle mesuréeAGGREGATORAgrégateur mesuréeGIFImage animée GIF filtrable retiréeFAN_FICTIONFanfiction filtrable retiréePREVIEWAperçu filtrable retiréeINTERVIEWEntretien filtrable retirée
Contributions et discussions · 6
SOCIAL_MEDIARéseaux sociaux filtrableFORUMForum filtrableAUTHENTICITYAuthenticité, expérience vécue filtrable mesuréeQNAQuestions et réponsesUGC_DISCUSSIONDiscussion entre utilisateurs filtrable mesuréeUGC_DISCUSSION_EXPVariante expérimentale de discussion filtrable
Types de sources · 7
INFORMATION_SOURCE_OTHERAutre source mesuréeINFORMATION_SOURCE_NEWS_PUBLISHERÉditeur de presse mesuréeINFORMATION_SOURCE_ENCYCLOPEDIAEncyclopédie mesuréeINFORMATION_SOURCE_MERCHANTMarchand mesuréeINFORMATION_SOURCE_GOVERNMENTAdministration ou gouvernement mesuréeINFORMATION_SOURCE_UGCContenus produits par les utilisateurs mesuréeINFORMATION_SOURCE_RESEARCH_INSTITUTEInstitut de recherche
Santé et sujets YMYL · 4
SYMPTOMSSymptômes filtrableYMYL_HEALTH_OR_SAFETYYMYL : santé ou sécuritéYMYL_SOCIETYYMYL : sociétéYMYL_FINANCIAL_SECURITYYMYL : sécurité financière
Lieux, voyages et horaires · 10
TRAVEL_GUIDEGuide de voyage filtrableMAPCarte filtrable retiréeEVENT_LISTINGListe d’événements filtrable retiréeDIRECTIONSItinéraire filtrable retiréeHOURS_OF_OPERATIONHoraires d’ouverture filtrable retiréeMENUMenu filtrable retiréeSHOWTIMESHoraires de séances filtrable retiréeCALENDARCalendrier filtrable retiréeLOCATION_FINDERRecherche de lieux filtrable retiréeFLIGHT_TRACKERSuivi de vol filtrable retirée
Autres catégories et noms internes · 7
SHOPAHOLICAccro du shopping (shopaholic)GOOGLE_SCREENSHOTCapture d’écran GoogleMUGSHOTPhoto d'identité judiciaireCRIMECriminalitéTIME_SENSITIVITYSensibilité au temps mesuréeNCEI_ISPIImages intimes non consenties et deepfakesQUOTESCitations ou cotations filtrable retirée
Quelle est la répartition des intentions de recherche ?
Les définitions ne disent rien du poids réel de chaque intention dans les recherches. Deux jeux de données apportent des ordres de grandeur, l'un pour Google, l'autre pour ChatGPT.
Distribution des intentions sur Google
SparkToro et Datos (Semrush) ont analysé 332 millions de requêtes Google entre janvier 2023 et septembre 2024. Leur répartition par intention est la suivante :
- 52,65 % des requêtes sont informationnelles,
- 32,15 % sont navigationnelles,
- 14,51 % sont commerciales,
- 0,69 % seulement sont transactionnelles.
La majorité des recherches vise donc à s'informer ou à rejoindre un site déjà connu. Les requêtes d'achat immédiat pèsent peu en volume, ce qui ne dit rien de leur valeur : ce sont souvent elles qui convertissent.

Distribution des intentions sur ChatGPT
L’étude de Semrush sur ChatGPT s’appuie sur des données de navigation recueillies aux États-Unis. La répartition ci-dessous porte sur les prompts observés en octobre et novembre 2024.
- Semrush classe environ 70 % des prompts dans la catégorie « intention inconnue » (unknown). Les demandes de rédaction ou de brainstorming en sont des exemples possibles. Leur part exacte dans cette catégorie reste inconnue.
- Sur l'ensemble des prompts de l'échantillon, 15,7 % sont classés comme informationnels, 10,3 % comme navigationnels, 2,3 % comme transactionnels et 1,8 % comme commerciaux. Ces quatre parts arrondies totalisent 30,1 %.

Google reste l'outil privilégié pour chercher des informations factuelles, des marques et des produits. Mais ChatGPT, Gemini, Perplexity et l'AI Mode de Google progressent vite, et leurs usages évoluent avec chaque nouveau modèle. Pour une marque, travailler sa visibilité dans ces moteurs (le GEO, pour Generative Engine Optimization) devient un chantier à part entière, à mener en parallèle du SEO.
Pourquoi l'intention de recherche est-elle essentielle en SEO ?
Longtemps, le SEO a consisté à positionner des pages sur des expressions cibles, souvent sans se demander si elles répondaient à ce que l'internaute cherchait. Cette approche a perdu en efficacité à mesure que Google a appris à comprendre le langage.
RankBrain, lancé en 2015, est le premier système de deep learning de Google Search, conçu pour interpréter les requêtes rares ou inédites. BERT lit chaque mot dans le contexte de toute la phrase : « vole » n'a pas le même sens dans « un oiseau vole dans le ciel » et dans « il vole son banquier ». Les deux reposent sur l'apprentissage automatique et le traitement du langage naturel. Détail moins connu, documenté par l'analyse de RESONEO sur les twiddlers qui retouchent les résultats après le ranking : une partie de ce que produit RankBrain s'applique dans Superroot, sur une liste de résultats déjà notée.
Sur « avocat », Google peut envisager le juriste comme le fruit dès la lecture de la requête. Les premières pages trouvées fournissent ensuite à KScorer des indices pour départager ces deux sens. Quand un pack local de cabinets suivi d'annuaires apparaît en tête sur google.fr, c'est le sens juridique qui domine. Un guide sur la maturité du fruit a alors peu de chances d'y trouver sa place.
Comment Google détermine l'intention de recherche des utilisateurs ?
La série de RESONEO décrit cinq systèmes qui contribuent à interpréter la requête et à composer la page de résultats. Le tableau résume le rôle de chacun et le moment où il agit.
| Système | Moment d'action | Rôle principal | Repère chiffré |
|---|---|---|---|
| NavBoost et Glue | En continu, et sur les dernières 24 heures pour Instant Glue | Mémoriser les clics et la satisfaction sur chaque résultat et chaque bloc de la SERP | 34 familles de signaux par résultat, 13 mois d'historique |
| Orbit | À l'indexation pour les pages | Classer les pages par action, format et éditeur. La requête porte aussi sa propre catégorie Orbit. | 86 catégories notées de 0 à 100 |
| KScorer | Avant l'arrivée des résultats, puis pendant l'assemblage de la SERP | Départager les sens possibles et élire l'interprétation dominante | 56 signaux, 12 familles, 2 votes |
| Intent Brain | Pendant la compréhension de la requête | Estimer la forme de réponse et le type de source attendus pour une requête, une langue et un pays | 19 intentions identifiées, plus la valeur UNKNOWN |
| Superroot | Juste avant l'affichage | Assembler la SERP, après le passage des twiddlers | Liens, blocs d'images, pack local, vidéos |
Une précision de méthode avant d'entrer dans le détail. Ces schémas décrivent les données que manipulent les systèmes de Google et les commentaires de leurs ingénieurs. Ils ne livrent pas le poids de chaque signal dans le classement final, et RESONEO qualifie lui-même certaines lectures de probables. Je m'en sers comme d'une carte des mécanismes, à confronter aux SERP réelles.
KScorer tranche entre les sens possibles
« Jaguar vitesse » peut viser la vitesse du félin comme celle de la voiture. KScorer, le système qui choisit le sens d'une recherche, note chaque interprétation candidate avec 56 signaux répartis en 12 familles. Il vote deux fois : sur la requête seule d'abord (11 signaux, étape PRE_RESULTS_VOTING), puis une fois les résultats trouvés (41 signaux, étape PACKER_VOTING, pendant l'assemblage de la SERP). L'interprétation qui l'emporte nettement reçoit le rang 0. Elle oriente toute la page de résultats et permet même d'envoyer le premier bloc de la SERP avant que le reste soit prêt, grâce au mécanisme First Result Out.
Les clics pèsent à plusieurs étapes. Pendant les votes, user_interaction_relevance_score estime la pertinence d'une interprétation à partir des logs d'interactions. Pour décider de l'affichage d'un encadré, user_interaction_score va plus loin et transforme les clics en prédiction de la note de satisfaction (Information Satisfaction) que donneraient les quality raters de Google. Ces évaluateurs humains ne voient qu'une petite partie des requêtes, les clics prennent le relais pour toutes les autres.
KScorer note chaque interprétation possible d'une requête avec ces 56 signaux, répartis en 12 familles. Les étiquettes indiquent quand chaque signal intervient : avant les résultats (11 signaux), avec les résultats (41) ou pour juger l'utilité d'un encadré (6). Les signaux sans étiquette servent à d'autres classements, notamment côté Google Assistant. Les descriptions résument les commentaires des ingénieurs de Google rapportés par RESONEO.
Les clics (UIS, User Interaction Signals) · 7
user_interaction_scorenote de satisfaction des quality raters (IS) prédite à partir des clics encadréuser_interaction_significant_backoffsignale un score de clics emprunté à des requêtes proches, faute d'impressions suffisantes encadréuser_interaction_relevance_scorepertinence de l'interprétation estimée à partir des logs d'interactions avant les résultats avec les résultatsuser_interaction_confidenceconfiance dans le score de clics, N / (20 + N) impressions avec les résultatsgoodness_impnote IS prédite à partir des signaux de satisfaction de Glue encadrégoodness_imp_confidenceconfiance dans cette estimation Glue, même formule encadréparsing_scorecorrespondance de la formulation avec des patterns connus, de 0 à 1 avant les résultats avec les résultats
Les entités repérées dans le top 10 (REFRES) · 7
refres_question_navfracentités de la question dans le top 10, pondérées par le caractère navigationnel de chaque résultat avec les résultatsrefres_question_rankentités de la question dans le top 10, chaque résultat pesant 1/rang avec les résultatsrefres_answer_navfracmeilleure entité réponse dans le top 10, pondération navigationnelle avec les résultatsrefres_answer_rankmeilleure entité réponse dans le top 10, pondération 1/rang avec les résultatsrefres_rankplus fort des soutiens question et réponse, remplacé par le score multilingue s'il est plus haut avec les résultatsrefres_navfracmême maximum, en pondération navigationnelle avec les résultatshist_refres_rankvaleur précédente de refres_rank, conservée dans Feature History avant les résultats
Les termes saillants (SALIENT_TERMS) · 9
pq2t_vs_assistant_ibst_cosinetermes prédits pour la requête face aux termes du type d'intention côté Assistant (trafic Assistant)pq2t_vs_qibst_cosinetermes prédits pour la requête face aux termes de l'interprétation (similarité cosinus) avant les résultatsqibst_result_similaritytermes des résultats face à ceux de l'interprétation, moyenne pondérée par le rang avec les résultatsqibst_scorecombinaison des deux comparaisons précédentes avec les résultatsqibst_confidenceconfiance dans QIBST selon le volume de données avec les résultatspq2t_vs_ibst_cosinetermes prédits pour la requête face aux termes du type d'intention, en repli de QIBST avant les résultatsibst_z_scoretermes du type d'intention face à ceux de la requête, normalisés en z-score avec les résultatsibst_confidenceconfiance dans IBST selon le volume de données avec les résultatssbst_scoreinterprétation face aux termes des recherches précédentes de la session avec les résultats
Les catégories d'Orbit (ORBIT) · 5
orbit_salient_terms_score_no_constraintsmodèle de termes d'intention d'Orbit face aux termes des résultats, pondéré par le rang avec les résultatsorbit_score_v2même comparaison avec le modèle Orbit V2 et des features des résultats avec les résultatsorbit_results_trustedle top 10 est-il assez fiable pour supprimer une interprétation ? avec les résultatsorbit_scoremeilleur score Orbit entre résultats de même langue et d'autres langues avec les résultatshist_orbitscore Orbit précédent, utilisable avant les résultats avant les résultats
Le contexte local (GEO) · 6
log_dcrlogarithme du direct click ratio, indice d'intention locale avec les résultatslocal_supports_multiple_geo_resultsla réponse locale peut-elle lister plusieurs lieux ? avec les résultatsuser_entity_distancedistance en mètres entre l'internaute et le lieu le plus proche de l'interprétation avec les résultatscond_log_user_entity_distancemême distance, en échelle logarithmique avec les résultatslogs_query_priorfréquence d'affichage et de clic des résultats locaux pour les n-grammes de la requête avec les résultatsmean_stable_scorequalité moyenne des trois premiers résultats locaux affichés avec les résultats
Les pages en d'autres langues (CLIR, Cross-Language Information Retrieval) · 5
clir_question_navfractopicalité multilingue des entités de la question, pondération navigationnelle (seuil 0,2) avec les résultatsclir_question_ranktopicalité multilingue des entités de la question, pondération 1/rang (seuil 0,2) avec les résultatsclir_answer_navfractopicalité multilingue de la meilleure entité réponse, pondération navigationnelle avec les résultatsclir_answer_ranktopicalité multilingue de la meilleure entité réponse, pondération 1/rang avec les résultatsclir_pianno_rankconfiance PIANNO mesurée sur des résultats en d'autres langues, pondération 1/rang avec les résultats
Les interactions Google Assistant (AUIS) · 5
auis_scoreinteractions Google Assistant agrégées sur l'interprétation complète avant les résultats avec les résultatsauis_confidenceconfiance dans auis_score, Q / (k + Q) requêtes Assistant avant les résultats avec les résultatsintent_name_auis_scoreinteractions Assistant agrégées par nom d'intentionintent_name_auis_score_expmême score, issu d'une expérienceintent_name_pauis_scorescore Assistant prédit par un modèle (pAUIS) au lieu d'être compté
Signaux divers (MISC) · 5
one_box_interpretationl'interprétation mène à une OneBoxhigh_confidence_bitla requête structurée marque l'interprétation comme très sûrekp_intent_priornote IS moyenne des raters pour les interprétations knowledge panel (ShowEntity) encadrép13n_iq_p_good_scoreprédiction personnalisée : cette interprétation satisfera-t-elle cet internaute ? avec les résultatsweb_answers_entity_alignmententité commune avec le passage principal du featured snippet avec les résultats retiré
Le type d'intention (INTENT) · 2
intent_query_namenom de l'intention, par exemple ShowEntity pour un knowledge panel avec les résultatsis_implicit_intentintention implicite : la requête nomme une chose sans rien demander (ShowEntity, ShowXConcept) avec les résultats
Les annotations de pages à l'indexation (PIANNO) · 2
noclir_pianno_ranksoutien du top 10 à l'interprétation selon la confiance PIANNO, pondération 1/rang avec les résultatspianno_rankmeilleur score PIANNO, même langue ou autres langues avec les résultats
L'analyse de la formulation (PARSING) · 2
lp_lscorer_average_unbiased_pattern_scorescore moyen des patterns de n-grammes connus dans la requête avant les résultats avec les résultatslp_lscorer_known_ngram_fractionpart des patterns de n-grammes connus dans la requête avant les résultats avec les résultats
La reconnaissance des entités de la requête (QREF) · 1
qref_confidence_scoremoyenne harmonique des confiances de reconnaissance des entités de la requête avant les résultats avec les résultats encadré
Les quatre usages des signaux
PRE_RESULTS_VOTINGpremier vote, sur la requête seule (11 signaux)PACKER_VOTINGsecond vote, pendant l'assemblage de la SERP (41 signaux)CARD_UTILITYdécide si un encadré de réponse, comme un knowledge panel, mérite d'être affiché (6 signaux)DERIVED_INTENT_RANKINGclasse les intentions dérivées, ajoutées à côté de l'interprétation de la requête
Les sept sources d'un vote
MAIN_GSRles résultats web principauxNEWSles résultats d'actualitéLIVE_RESULTles résultats en directCLIR_GSRles résultats en d'autres languesPERSONALIZED_RESULTles résultats personnalisésCONTEXTBOOST_RESULTles résultats remontés par le contexteSUPPORT_FROM_KSCORERle soutien transmis par KScorer lui-même
Les trois listes de termes saillants
IBSTintent-based salient terms : les termes du type d'intention, communs par exemple à toutes les demandes de castingQIBSTquery interpretation-based salient terms : les termes propres à une interprétation, avec son sujet et ses entitésSBSTsession-based salient terms : les termes des recherches précédentes de la session
Ce qui sort de KScorer
k_scorescore de l'interprétation après les twiddlerskscorer_rankrang de l'interprétation, 0 pour l'interprétation dominantedominantl'interprétation l'emporte nettement
Les cinq cas où First Result Out est refusé
INELIGIBLE_TOP_QI_NOT_DOMINANTl'interprétation en tête n'est pas dominanteINELIGIBLE_COMPETING_QI_IS_DOMINANTune interprétation concurrente domineINELIGIBLE_TOP_QI_NO_UISl'interprétation en tête n'a pas de données de clicsINELIGIBLE_KSCORER_RANK_ABOVE_THRESHOLDson rang KScorer dépasse un seuilINELIGIBLE_HTF_AND_KSCORER_SCORE_BELOW_THRESHOLDson score KScorer et le score HTF sont sous leur seuil
Intent Brain choisit la forme de la réponse
Intent Brain calcule, pour chaque requête, chaque langue et chaque pays, la probabilité des 19 grandes intentions à partir des clics comptés par Glue. « Mercure planète » appelle des vidéos, des images et une encyclopédie, « hôtel mercure lyon » un pack d'hôtels et des pages de réservation, « thermomètre au mercure cassé » des forums et des sites de questions-réponses. Une requête trop rare pour avoir ses propres statistiques emprunte celles de requêtes voisines qui partagent ses termes caractéristiques, une technique que les schémas appellent smearing.
NavBoost et Glue, la mémoire des clics
Derrière KScorer et Intent Brain se tient la mémoire comportementale de Google. NavBoost conserve l'historique des clics de chaque couple requête-document, et Glue étend cette mémoire à tous les blocs de la SERP : vidéos, pack local, « Autres questions posées », AI Overviews. L'analyse de RESONEO sur ce que NavBoost et Glue retiennent de chaque recherche montre qu'un clic n'est jamais compté seul. Google enregistre le temps pendant lequel chaque résultat reste visible à l'écran, les survols du pointeur, les clics courts suivis d'un retour rapide à la SERP, les reformulations, et le dernier clic, le plus long, celui qui conclut la recherche.
Comment identifier l'intention de recherche ?
Au début de ma carrière, j'ai passé des soirées entières devant des fichiers de 3 000 mots-clés, les yeux rougis par l'écran, à cocher presque au hasard « commercial » ou « transactionnel » faute de méthode. Avec le temps, j'ai compris que l'exercice est bien plus accessible qu'il n'y paraît, et l'IA générative l'a encore accéléré. J'utilise aujourd'hui deux méthodes complémentaires, la lecture de la SERP à la main et la pré-catégorisation par un modèle de langue.
Lire la SERP de Google comme un relevé de mesures
Personne ne connaît mieux l'intention d'un internaute que Google, et sa page de résultats traduit ce que les clics ont validé, requête par requête et pays par pays. Quatre indices s'y lisent directement :
- Le vote du top 10 d'abord. Dans KScorer, chaque résultat vote pour le sens dont il parle, avec un poids égal à 1/rang : le premier pèse dix fois plus que le dixième (signal refres_question_rank). Si la plupart des pages bien placées parlent du félin, l'interprétation animale l'emporte.
- Viennent ensuite les blocs et l'ordre des filtres sous la barre de recherche. Un pack d'hôtels, des vidéos courtes ou des résultats de forums traduisent les grandes intentions d'Intent Brain. Passer à l'onglet Images, Maps ou Shopping compte aussi comme une réponse, si bien que Google sait si une requête se satisfait d'un bloc dans la page ou si les gens préfèrent l'onglet complet.
- Regardez aussi le format et l'éditeur des pages en tête. Comparatifs, listes, fiches marchandes, forums, sites officiels ou encyclopédies : les catégories d'Orbit qui dominent le top 10 indiquent le type de page attendu.
- Dernier indice, l'âge des dates affichées dans les snippets. Intent Brain mesure le besoin de fraîcheur (la grande intention FRESH) en ventilant la satisfaction selon l'âge de cette date, sur cinq paliers allant de 1 à 365 jours. Sur « mercure rétrograde 2026 », sept snippets sur dix affichaient une date de l'année.
Concrètement, des sites e-commerce et un bloc de produits signalent une requête transactionnelle. Un tableau comparatif en featured snippet ou des vidéos de tests trahissent une intention commerciale. Une fiche Wikipédia et des « Autres questions posées » orientent vers l'informationnel. Un site officiel en tête, avec sa page de connexion ou son espace client, signe une requête navigationnelle.
Pré-classer des milliers de mots-clés avec un LLM
Quand la liste dépasse quelques centaines de mots-clés, je confie la pré-catégorisation à un modèle de langue (ChatGPT, Claude ou Gemini), avec un prompt qui précise le rôle, l'objectif, le contexte et la grille de classement. Le gain de temps est considérable, à condition de vérifier les résultats à la main, car l'erreur est… LLM.
Un LLM seul a pourtant un angle mort. Il ne voit ni l'historique des clics de Glue ni les arbitrages de KScorer dans votre pays, et il classe les mots-clés d'après ce qu'il sait du langage. La méthode la plus fiable couple l'IA à une récupération du top 10 réel (titres, types de pages, dates affichées, blocs visibles), pour que le modèle déduise l'intention que Google a validée sur votre marché au lieu de la deviner.
Comment optimiser son contenu selon l'intention de recherche ?
Identifier l'intention ne sert à rien si la page ne suit pas. L'objectif est d'envoyer à Orbit, à KScorer et à Glue des signaux cohérents avec ce que la SERP attend. Le tableau croise chaque intention avec les catégories d'Orbit qui lui correspondent et l'indicateur à suivre.
| Intention | Objectif | Catégories Orbit correspondantes | KPI à suivre |
|---|---|---|---|
| Informationnelle | Instruire, répondre | TUTORIAL, MANUAL, STUDY_GUIDE, REPAIR, RECIPES, INFORMATION_SOURCE_ENCYCLOPEDIA | Temps de lecture, CTR organique, retours rapides à la SERP |
| Commerciale | Comparer, conseiller | PRODUCT_REVIEW, PRODUCT_COMPARISON, PRODUCT_BUYING_GUIDE, PRODUCT_TOPN, SPECS | Clics vers les offres ou le CTA |
| Transactionnelle | Convertir | SHOPPING_MERCHANT_PRODUCT, RESERVATION, COUPON, RENT, REAL_ESTATE_LISTING, JOB_POSTING | Taux de conversion |
| Navigationnelle | Orienter vers l'entité | LOGIN, REGISTER, CONTACT_PAGE, CUSTOMER_SUPPORT | CTR sur les requêtes de marque |
Cinq leviers rendent une page compatible avec les systèmes d'intention de Google. Ils découlent tous des mécanismes décrits plus haut :
- Choisissez la catégorie de page avant d'écrire. Test, comparatif, guide d'achat, top N et fiche marchande sont cinq catégories distinctes, que Google peut filtrer et qu'il mesure chacune à part. Si la SERP affiche surtout des listes ou des discussions de forum, un guide théorique part battu. Sur une requête qui appelle une source officielle, comme « mercure dans le poisson », où Orbit range les pages en tête parmi les sites gouvernementaux et les contenus YMYL santé, une page marchande n'a pas sa place.
- Travaillez les termes saillants. KScorer compare par similarité cosinus, une mesure de proximité sémantique, les termes prédits pour la requête, ceux de l'interprétation et ceux des pages du top 10. Pour la voiture Jaguar, on attend « moteur », « chevaux » ou « 0 à 100 km/h », pour le félin « prédateur », « forêt » ou « proie ». Ces mots doivent figurer en bonne place dans la page.
- Levez toute ambiguïté sur les entités. QRef, le système qui reconnaît les entités de la requête, combine leurs confiances par une moyenne harmonique : une seule entité douteuse tire toute l'interprétation vers le bas (0,9 et 0,2 donnent 0,33, contre 0,55 en moyenne arithmétique). Côté page, nommez marques, modèles et lieux comme le Knowledge Graph les connaît, et reliez-les à leur entité avec des données structurées Schema.org et la propriété sameAs.
- Affichez une date réelle quand la fraîcheur compte. Sur une requête sensible au temps (catégorie TIME_SENSITIVITY, grande intention FRESH), une page sans date visible sort des compteurs de satisfaction liés à l'âge des snippets. La mise à jour doit être réelle, car les twiddlers de fraîcheur lisent aussi la date que Google estime pour le contenu à partir du texte, des ancres et des pages liées.
- Soignez l'accueil pour éviter le clic court. Glue lit un retour rapide à la SERP comme une déception et attribue la recherche au dernier clic, le plus long. Livrez la réponse promise dès le haut de page, puis accompagnez l'internaute vers les sous-questions qui suivent. Dans vos statistiques, repérez les pages d'arrivée dont une part anormale des visites venues de Google s'arrête avant même la lecture.
Questions fréquemment posées sur l'intention de recherche
Une requête peut-elle avoir plusieurs intentions de recherche ?
Oui, c'est même le cas le plus fréquent. « Chaussures Adidas » est navigationnelle puisque la marque est nommée, transactionnelle si l'internaute veut acheter une paire, commerciale s'il compare des modèles, et informationnelle s'il s'intéresse à l'histoire de la marque. KScorer note chaque interprétation candidate et les classe. Quand l'une domine nettement, elle prend le rang 0 et impose ses blocs à la SERP. KScorer consulte aussi Orbit (signal orbit_results_trusted) pour juger si les pages du top 10 sont assez fiables pour écarter une interprétation. Pour viser un sens secondaire, ciblez une requête qui le nomme, comme « Jaguar F-Type vitesse maximale » plutôt que « jaguar vitesse ».
L'intention de recherche d'une requête peut-elle varier avec le temps ?
Oui, avec l'actualité comme avec les saisons. « Coupe du monde de rugby » est plutôt transactionnelle avant le tournoi, quand on cherche des billets, puis informationnelle pendant l'événement (résultats, interviews d'après-match). Google suit ces bascules de deux façons. Instant Glue tient les mêmes compteurs que Glue sur les dernières 24 heures : un document interne de 2018, cité lors du procès antitrust américain, raconte comment la requête « nice pictures » est devenue une requête d'actualité le jour de l'attentat de Nice. KScorer fait aussi passer ses scores par des twiddlers. Un boost de fraîcheur y avantage le sens qui fait l'actualité (le jour où Jaguar présente un nouveau modèle, la voiture peut passer devant l'animal), un boost de périodicité celui qui revient à date fixe, comme les soldes ou un tournoi annuel.
Les intentions de recherche sont-elles les mêmes d'un pays et d'un moteur à l'autre ?
Non. Intent Brain calcule ses probabilités séparément pour chaque requête, chaque langue et chaque pays. Le relevé publié par RESONEO le montre : le 28 octobre 2026, le top 10 de « mercure » sur google.fr votait à 50 % pour la planète, quand celui de « mercury » sur google.com renvoyait à 82 % vers une fintech américaine. KScorer intègre aussi la distance en mètres entre l'internaute et les lieux de l'interprétation (user_entity_distance), et des signaux multilingues (CLIR, pour Cross-Language Information Retrieval) qui laissent des pages en d'autres langues voter pour le sens d'une requête peu couverte localement. Les moteurs IA ajoutent leur propre couche en décomposant souvent la demande en sous-requêtes, à l'image du query fan-out de Google. Vérifiez donc la SERP de chaque marché, et le comportement de chaque moteur qui compte pour vous, avant de rédiger.
Quel lien entre l'intention de recherche et le Knowledge Panel d'une marque ?
Dans KScorer, l'affichage d'un knowledge panel correspond à une intention implicite, ShowEntity : la requête nomme une chose sans rien demander à son sujet. Une étape dédiée, CARD_UTILITY, décide si l'encadré mérite d'être affiché à partir de six signaux. Quatre viennent des clics, un de la note moyenne que les quality raters donnent aux knowledge panels, le dernier de la confiance dans la reconnaissance des entités. Un score de clics devient fiable à 50 % après 20 impressions et à 83 % après 100, selon la formule N / (20 + N). Pour une marque, le knowledge panel tient tant que les internautes y trouvent des informations justes, sur le site officiel, dans la fiche Google Business Profile et dans Wikidata.
Quels outils peuvent m'aider à identifier les intentions de recherche ?
La SERP reste le premier outil, gratuit et toujours à jour. La Search Console complète la lecture en montrant les requêtes sur lesquelles vos pages apparaissent déjà, et Semrush ou Ahrefs attribuent une intention à chaque mot-clé, utile pour trier un gros fichier à condition de la recouper avec la SERP. Pour aller plus loin, j'ai développé AI Search Intent, qui récupère les pages classées sur une requête et en extrait le corpus (termes, entités nommées, questions, balises) pour comparer votre contenu à ce que Google a validé. RESONEO trace d'ailleurs trois chantiers pour les outils de suivi de positions : afficher le nombre de snippets datés et l'âge moyen de leurs dates, classer chaque résultat du top 10 dans les catégories d'Orbit, et rapprocher les blocs affichés des grandes intentions d'Intent Brain, pays par pays. Tant qu'aucun outil ne les affiche, la lecture manuelle de la SERP garde toute son utilité.
Commentaires
Aucun commentaire pour le moment. Soyez le premier à commenter !
Ajouter un commentaire