# L'intention de recherche en SEO : tout comprendre pour mieux y répondre

> Comprenez l’intention de recherche, ses quatre grands types et son rôle en SEO. Apprenez à créer un contenu qui répond vraiment aux attentes.

- Source : https://julien-gourdon.fr/lexique/intention-de-recherche
- Auteur : Julien Gourdon (https://julien-gourdon.fr/auteur)
- Publié le 2025-02-23 · mis à jour le 2026-11-21

---

L'Essentiel :

L'intention de recherche désigne ce que l'internaute veut obtenir en tapant sa requête : s'informer, comparer, acheter ou rejoindre un site précis. KScorer évalue d'abord les sens possibles de la requête, puis les confronte aux pages déjà trouvées pendant l'assemblage des résultats. Pour estimer la forme de réponse attendue, Intent Brain distingue 19 intentions et prévoit une valeur « inconnue ». Orbit range chaque page de l'index dans 86 catégories. Une page alignée sur ces trois décisions part avec un avantage net. Seule réserve, ces schémas internes décryptés par RESONEO disent ce que Google mesure, sans révéler combien pèse chaque signal dans le classement final.

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 » |

Remarque :

chaque intention correspond à un stade du funnel de conversion (l'entonnoir marketing). L'informationnelle se situe en haut du parcours, la transactionnelle en marque la fin. La navigationnelle le traverse de part en part : on tape le nom d'une marque pour la découvrir comme pour se connecter à son espace client.

### 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](https://think.resoneo.com/search-intent/fr/), 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

- `IMAGE` des images : onglet Images, format RESULT_FORMAT_ID_IMAGES
- `VIDEO` des vidéos : onglet Vidéos, format RESULT_FORMAT_ID_VIDEOS
- `LOCAL` des lieux et des adresses : Maps ou pack local, format RESULT_FORMAT_ID_LOCAL
- `SHOPPING` des produits à acheter : onglet Shopping, format RESULT_FORMAT_ID_PRODUCTS
- `NEWS` de l'actualité : onglet Actualités, format RESULT_FORMAT_ID_NEWS
- `APPS` des applications : onglet Applications
- `SHORT_VIDEO` des vidéos courtes : format RESULT_FORMAT_ID_SHORT_VIDEOS

Expérience vécue et discussion · 2

- `AUTHENTICITY` une expérience vécue, le témoignage d'une personne : filtre Forums, comptée depuis le 3 juillet 2023 catégorie Orbit
- `UGC_DISCUSSION` une discussion entre internautes : filtre Forums, comptée depuis le 29 août 2023 catégorie Orbit

Sans élément de SERP dédié · 4 intentions et la valeur UNKNOWN

- `FRESH` des résultats récents, mesurés par l'âge de la date affichée dans le snippet
- `TOLEDO` une 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 2023
- `EXPLORE` explorer un sujet large, comme dans le bloc « Explore » de la SERP
- `WEB` des liens web classiques
- `UNKNOWN` valeur 0 du schéma quand l’intention est indéterminée

Type de source attendu · 6

- `INFORMATION_SOURCE_GOVERNMENT` un site officiel, une administration catégorie Orbit
- `INFORMATION_SOURCE_ENCYCLOPEDIA` une encyclopédie catégorie Orbit
- `INFORMATION_SOURCE_NEWS_PUBLISHER` un éditeur de presse catégorie Orbit
- `INFORMATION_SOURCE_MERCHANT` un marchand catégorie Orbit
- `INFORMATION_SOURCE_UGC` des contenus publiés par des utilisateurs catégorie Orbit
- `INFORMATION_SOURCE_OTHER` une autre source catégorie Orbit

Compteurs de fraîcheur (âge de la date du snippet) · 7

- `result_goodness_sum_byline_age_lt_1d` satisfaction apportée par les résultats datés de moins d'un jour
- `result_goodness_sum_byline_age_lt_3d` résultats datés de moins de trois jours
- `result_goodness_sum_byline_age_lt_30d` résultats datés de moins de 30 jours
- `result_goodness_sum_byline_age_lt_90d` résultats datés de moins de 90 jours
- `result_goodness_sum_byline_age_lt_365d` résultats datés de moins d'un an
- `result_goodness_sum_has_byline_age` tous les résultats qui affichent une date
- `result_goodness_sum_fresh_ve` satisfaction 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

- `TUTORIAL` Tutoriel filtrable
- `RECIPES` Recettes filtrable
- `STUDY_GUIDE` Guide d’étude filtrable
- `SHEET_MUSIC` Partition musicale filtrable
- `MANUAL` Manuel filtrable
- `LYRICS` Paroles de chanson filtrable
- `REPAIR` Réparation filtrable
- `DISCOGRAPHY` Discographie filtrable retirée
- `DEFINITION` Définition filtrable retirée
- `NUTRITION_FACTS` Informations nutritionnelles filtrable retirée
- `SCORES` Scores et résultats filtrable retirée
- `TRIVIA` Anecdotes ou quiz filtrable retirée
- `COMPANY_FINANCIALS` Données financières d’entreprise filtrable retirée
- `THESAURUS` Thésaurus filtrable retirée

Actions et services · 9

- `LISTEN` Écouter filtrable
- `REGISTER` Inscription filtrable
- `LOGIN` Connexion à un compte filtrable
- `CONTACT_PAGE` Page de contact filtrable
- `RESERVATION` Réservation filtrable
- `CUSTOMER_SUPPORT` Assistance clientèle filtrable
- `TRANSLATE` Traduction filtrable retirée
- `CALCULATOR` Calculateur filtrable retirée
- `DOWNLOAD` Téléchargement filtrable retirée

Commerce et choix de produits · 17

- `PROMOTION` Promotion filtrable
- `REAL_ESTATE_LISTING` Annonce immobilière filtrable
- `UNBOXING` Déballage d’un produit filtrable
- `SPECS` Caractéristiques techniques filtrable
- `RENT` Location filtrable
- `COUPON` Bon de réduction filtrable
- `JOB_POSTING` Offre d’emploi filtrable
- `SHOPPING_MERCHANT_PRODUCT` Page produit d’un marchand filtrable mesurée
- `PRODUCT_REVIEW` Test ou avis sur un produit filtrable mesurée
- `PRODUCT_COMPARISON` Comparatif de produits filtrable mesurée
- `PRODUCT_BUYING_GUIDE` Guide d’achat de produits filtrable mesurée
- `PRODUCT_TOPN` Sélection de N produits filtrable mesurée
- `SHOPPING` Shopping mesurée
- `SHOPPING_RESEARCH` Recherche avant achat
- `CATALOG` Catalogue filtrable retirée
- `BUYING_GUIDE` Guide d’achat, libellé général retirée
- `SHOPPING_REVIEW_OR_BUYING_GUIDE` Avis shopping ou guide d’achat retirée

Formats éditoriaux · 12

- `RANKING` Palmarès filtrable
- `NEWS` Actualité filtrable
- `REVIEW` Avis ou critique filtrable
- `MEME_DOCUMENT` Document de type mème
- `LISTICLE` Article présenté sous forme de liste mesurée
- `LISTICLE_OR_AGGREGATOR` Liste ou agrégateur mesurée
- `LISTICLE_EXP` Variante expérimentale de listicle mesurée
- `AGGREGATOR` Agrégateur mesurée
- `GIF` Image animée GIF filtrable retirée
- `FAN_FICTION` Fanfiction filtrable retirée
- `PREVIEW` Aperçu filtrable retirée
- `INTERVIEW` Entretien filtrable retirée

Contributions et discussions · 6

- `SOCIAL_MEDIA` Réseaux sociaux filtrable
- `FORUM` Forum filtrable
- `AUTHENTICITY` Authenticité, expérience vécue filtrable mesurée
- `QNA` Questions et réponses
- `UGC_DISCUSSION` Discussion entre utilisateurs filtrable mesurée
- `UGC_DISCUSSION_EXP` Variante expérimentale de discussion filtrable

Types de sources · 7

- `INFORMATION_SOURCE_OTHER` Autre source mesurée
- `INFORMATION_SOURCE_NEWS_PUBLISHER` Éditeur de presse mesurée
- `INFORMATION_SOURCE_ENCYCLOPEDIA` Encyclopédie mesurée
- `INFORMATION_SOURCE_MERCHANT` Marchand mesurée
- `INFORMATION_SOURCE_GOVERNMENT` Administration ou gouvernement mesurée
- `INFORMATION_SOURCE_UGC` Contenus produits par les utilisateurs mesurée
- `INFORMATION_SOURCE_RESEARCH_INSTITUTE` Institut de recherche

Santé et sujets YMYL · 4

- `SYMPTOMS` Symptômes filtrable
- `YMYL_HEALTH_OR_SAFETY` YMYL : santé ou sécurité
- `YMYL_SOCIETY` YMYL : société
- `YMYL_FINANCIAL_SECURITY` YMYL : sécurité financière

Lieux, voyages et horaires · 10

- `TRAVEL_GUIDE` Guide de voyage filtrable
- `MAP` Carte filtrable retirée
- `EVENT_LISTING` Liste d’événements filtrable retirée
- `DIRECTIONS` Itinéraire filtrable retirée
- `HOURS_OF_OPERATION` Horaires d’ouverture filtrable retirée
- `MENU` Menu filtrable retirée
- `SHOWTIMES` Horaires de séances filtrable retirée
- `CALENDAR` Calendrier filtrable retirée
- `LOCATION_FINDER` Recherche de lieux filtrable retirée
- `FLIGHT_TRACKER` Suivi de vol filtrable retirée

Autres catégories et noms internes · 7

- `SHOPAHOLIC` Accro du shopping (shopaholic)
- `GOOGLE_SCREENSHOT` Capture d’écran Google
- `MUGSHOT` Photo d'identité judiciaire
- `CRIME` Criminalité
- `TIME_SENSITIVITY` Sensibilité au temps mesurée
- `NCEI_ISPI` Images intimes non consenties et deepfakes
- `QUOTES` Citations 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.

![Répartition par intention de recherche des 332 millions de requêtes Google analysées par SparkToro et Datos](https://images.sparktoro.com/blog/wp-content/uploads/2024/12/Slide11-1-1024x576.png)

Source du graphique : [l'étude de SparkToro sur 332 millions de requêtes Google](https://sparktoro.com/blog/new-research-we-analyzed-332-million-queries-over-21-months-to-uncover-never-before-published-data-on-how-people-use-google/)

### Distribution des intentions sur ChatGPT

[L’étude de Semrush sur ChatGPT](https://www.semrush.com/news/379285-new-semrush-study-reveals-chatgpt-search-trends-insights-from-80-million-clickstream-records/) 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 %.

![Répartition des intentions de recherche des prompts ChatGPT comparée à Google, d'après les données clickstream de Semrush](https://images.sparktoro.com/blog/wp-content/uploads/2025/03/original-1536x1036.png)

Source du graphique : [l'analyse de SparkToro comparant les volumes de recherche de Google et de ChatGPT](https://sparktoro.com/blog/new-research-google-search-grew-20-in-2024-receives-373x-more-searches-than-chatgpt/)

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](https://julien-gourdon.fr/lexique/rankbrain), lancé en 2015, est le premier système de deep learning de Google Search, conçu pour interpréter les requêtes rares ou inédites. [BERT](https://julien-gourdon.fr/lexique/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](https://julien-gourdon.fr/podcast-seo/c-est-quoi-le-natural-language-processing). Détail moins connu, documenté par l'analyse de RESONEO sur [les twiddlers qui retouchent les résultats après le ranking](https://think.resoneo.com/twiddlers/fr/) : 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](https://think.resoneo.com/kscorer/fr/), 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_score` note de satisfaction des quality raters (IS) prédite à partir des clics encadré
- `user_interaction_significant_backoff` signale un score de clics emprunté à des requêtes proches, faute d'impressions suffisantes encadré
- `user_interaction_relevance_score` pertinence de l'interprétation estimée à partir des logs d'interactions avant les résultats avec les résultats
- `user_interaction_confidence` confiance dans le score de clics, N / (20 + N) impressions avec les résultats
- `goodness_imp` note IS prédite à partir des signaux de satisfaction de Glue encadré
- `goodness_imp_confidence` confiance dans cette estimation Glue, même formule encadré
- `parsing_score` correspondance 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_navfrac` entités de la question dans le top 10, pondérées par le caractère navigationnel de chaque résultat avec les résultats
- `refres_question_rank` entités de la question dans le top 10, chaque résultat pesant 1/rang avec les résultats
- `refres_answer_navfrac` meilleure entité réponse dans le top 10, pondération navigationnelle avec les résultats
- `refres_answer_rank` meilleure entité réponse dans le top 10, pondération 1/rang avec les résultats
- `refres_rank` plus fort des soutiens question et réponse, remplacé par le score multilingue s'il est plus haut avec les résultats
- `refres_navfrac` même maximum, en pondération navigationnelle avec les résultats
- `hist_refres_rank` valeur précédente de refres_rank, conservée dans Feature History avant les résultats

Les termes saillants (SALIENT_TERMS) · 9

- `pq2t_vs_assistant_ibst_cosine` termes prédits pour la requête face aux termes du type d'intention côté Assistant (trafic Assistant)
- `pq2t_vs_qibst_cosine` termes prédits pour la requête face aux termes de l'interprétation (similarité cosinus) avant les résultats
- `qibst_result_similarity` termes des résultats face à ceux de l'interprétation, moyenne pondérée par le rang avec les résultats
- `qibst_score` combinaison des deux comparaisons précédentes avec les résultats
- `qibst_confidence` confiance dans QIBST selon le volume de données avec les résultats
- `pq2t_vs_ibst_cosine` termes prédits pour la requête face aux termes du type d'intention, en repli de QIBST avant les résultats
- `ibst_z_score` termes du type d'intention face à ceux de la requête, normalisés en z-score avec les résultats
- `ibst_confidence` confiance dans IBST selon le volume de données avec les résultats
- `sbst_score` interprétation face aux termes des recherches précédentes de la session avec les résultats

Les catégories d'Orbit (ORBIT) · 5

- `orbit_salient_terms_score_no_constraints` modèle de termes d'intention d'Orbit face aux termes des résultats, pondéré par le rang avec les résultats
- `orbit_score_v2` même comparaison avec le modèle Orbit V2 et des features des résultats avec les résultats
- `orbit_results_trusted` le top 10 est-il assez fiable pour supprimer une interprétation ? avec les résultats
- `orbit_score` meilleur score Orbit entre résultats de même langue et d'autres langues avec les résultats
- `hist_orbit` score Orbit précédent, utilisable avant les résultats avant les résultats

Le contexte local (GEO) · 6

- `log_dcr` logarithme du direct click ratio, indice d'intention locale avec les résultats
- `local_supports_multiple_geo_results` la réponse locale peut-elle lister plusieurs lieux ? avec les résultats
- `user_entity_distance` distance en mètres entre l'internaute et le lieu le plus proche de l'interprétation avec les résultats
- `cond_log_user_entity_distance` même distance, en échelle logarithmique avec les résultats
- `logs_query_prior` fréquence d'affichage et de clic des résultats locaux pour les n-grammes de la requête avec les résultats
- `mean_stable_score` qualité moyenne des trois premiers résultats locaux affichés avec les résultats

Les pages en d'autres langues (CLIR, Cross-Language Information Retrieval) · 5

- `clir_question_navfrac` topicalité multilingue des entités de la question, pondération navigationnelle (seuil 0,2) avec les résultats
- `clir_question_rank` topicalité multilingue des entités de la question, pondération 1/rang (seuil 0,2) avec les résultats
- `clir_answer_navfrac` topicalité multilingue de la meilleure entité réponse, pondération navigationnelle avec les résultats
- `clir_answer_rank` topicalité multilingue de la meilleure entité réponse, pondération 1/rang avec les résultats
- `clir_pianno_rank` confiance PIANNO mesurée sur des résultats en d'autres langues, pondération 1/rang avec les résultats

Les interactions Google Assistant (AUIS) · 5

- `auis_score` interactions Google Assistant agrégées sur l'interprétation complète avant les résultats avec les résultats
- `auis_confidence` confiance dans auis_score, Q / (k + Q) requêtes Assistant avant les résultats avec les résultats
- `intent_name_auis_score` interactions Assistant agrégées par nom d'intention
- `intent_name_auis_score_exp` même score, issu d'une expérience
- `intent_name_pauis_score` score Assistant prédit par un modèle (pAUIS) au lieu d'être compté

Signaux divers (MISC) · 5

- `one_box_interpretation` l'interprétation mène à une OneBox
- `high_confidence_bit` la requête structurée marque l'interprétation comme très sûre
- `kp_intent_prior` note IS moyenne des raters pour les interprétations knowledge panel (ShowEntity) encadré
- `p13n_iq_p_good_score` prédiction personnalisée : cette interprétation satisfera-t-elle cet internaute ? avec les résultats
- `web_answers_entity_alignment` entité commune avec le passage principal du featured snippet avec les résultats retiré

Le type d'intention (INTENT) · 2

- `intent_query_name` nom de l'intention, par exemple ShowEntity pour un knowledge panel avec les résultats
- `is_implicit_intent` intention 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_rank` soutien du top 10 à l'interprétation selon la confiance PIANNO, pondération 1/rang avec les résultats
- `pianno_rank` meilleur score PIANNO, même langue ou autres langues avec les résultats

L'analyse de la formulation (PARSING) · 2

- `lp_lscorer_average_unbiased_pattern_score` score moyen des patterns de n-grammes connus dans la requête avant les résultats avec les résultats
- `lp_lscorer_known_ngram_fraction` part 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_score` moyenne harmonique des confiances de reconnaissance des entités de la requête avant les résultats avec les résultats encadré

Les quatre usages des signaux

- `PRE_RESULTS_VOTING` premier vote, sur la requête seule (11 signaux)
- `PACKER_VOTING` second vote, pendant l'assemblage de la SERP (41 signaux)
- `CARD_UTILITY` décide si un encadré de réponse, comme un knowledge panel, mérite d'être affiché (6 signaux)
- `DERIVED_INTENT_RANKING` classe les intentions dérivées, ajoutées à côté de l'interprétation de la requête

Les sept sources d'un vote

- `MAIN_GSR` les résultats web principaux
- `NEWS` les résultats d'actualité
- `LIVE_RESULT` les résultats en direct
- `CLIR_GSR` les résultats en d'autres langues
- `PERSONALIZED_RESULT` les résultats personnalisés
- `CONTEXTBOOST_RESULT` les résultats remontés par le contexte
- `SUPPORT_FROM_KSCORER` le soutien transmis par KScorer lui-même

Les trois listes de termes saillants

- `IBST` intent-based salient terms : les termes du type d'intention, communs par exemple à toutes les demandes de casting
- `QIBST` query interpretation-based salient terms : les termes propres à une interprétation, avec son sujet et ses entités
- `SBST` session-based salient terms : les termes des recherches précédentes de la session

Ce qui sort de KScorer

- `k_score` score de l'interprétation après les twiddlers
- `kscorer_rank` rang de l'interprétation, 0 pour l'interprétation dominante
- `dominant` l'interprétation l'emporte nettement

Les cinq cas où First Result Out est refusé

- `INELIGIBLE_TOP_QI_NOT_DOMINANT` l'interprétation en tête n'est pas dominante
- `INELIGIBLE_COMPETING_QI_IS_DOMINANT` une interprétation concurrente domine
- `INELIGIBLE_TOP_QI_NO_UIS` l'interprétation en tête n'a pas de données de clics
- `INELIGIBLE_KSCORER_RANK_ABOVE_THRESHOLD` son rang KScorer dépasse un seuil
- `INELIGIBLE_HTF_AND_KSCORER_SCORE_BELOW_THRESHOLD` son 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](https://julien-gourdon.fr/lexique/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](https://think.resoneo.com/navboost-glue/fr/) 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.

![La page de résultats de Google pour la requête « quel portable choisir ? » ne laisse pas de place au doute : l'intention de recherche de l'internaute est avant tout commerciale.](https://julien-gourdon.fr/static//images/serp_commerciale.JPG)

La page de résultats de Google pour la requête « quel portable choisir ? » ne laisse pas de place au doute : l'intention de recherche de l'internaute est avant tout commerciale.

### 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.

![Avec un bon prompt, ChatGPT peut déterminer efficacement l'intention de recherche d'une liste de mots-clés.](https://julien-gourdon.fr/static//images/chatgpt_determine_intention_de_recherche.JPG)

Avec un bon prompt, ChatGPT peut déterminer efficacement l'intention de recherche d'une liste de mots-clés.

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](https://julien-gourdon.fr/lexique/ymyl) santé, une page marchande n'a pas sa place.
- Travaillez les termes saillants. KScorer compare par similarité cosinus, une mesure de [proximité sémantique](https://julien-gourdon.fr/lexique/proximite-semantique), 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](https://julien-gourdon.fr/lexique/knowledge-graph) les connaît, et reliez-les à leur entité avec des [données structurées Schema.org](https://julien-gourdon.fr/lexique/donnees-structures-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](https://julien-gourdon.fr/lexique/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](https://julien-gourdon.fr/article/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](https://julien-gourdon.fr/tools/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.
