Le brevet US11769017B1 publié par Google en mars 2023 offre un aperçu unique des mécanismes techniques qui sous-tendent les AI Overviews. Car le système qu’il décrit ressemble tellement aux aperçus IA qu’il est dfficile de ne pas faire le rapprochement sur la fonctionnalité qui a fait son apparition dans les labs quelques semaines après (sous le nom de Search Generative Experience)

Mais comme d’habitude, il y’a des différences entre le brevet et l’implémentation réelle. Nous allons donc voir d’une part ce que le brevet peut apporter comme éclairages sur le fonctionnement des AIOs. Mais dans un deuxième temps, nous

Architecture de Sélection des Sources : Les Révélations du Brevet

Le brevet révèle que Google avait conçu un système de sélection des documents sources bien plus sophistiqué que ce qui est actuellement déployé. L’architecture prévoit quatre catégories distinctes de Search Result Documents (SRDs), chacune répondant à des logiques spécifiques.

Les query-responsive SRDs constituent la base classique, mais leur sélection combine trois types de métriques :

• query-dependent measures (ranking, taux de sélection spécifique, adaptation géographique),
• query-independent measures (fiabilité, fraîcheur, popularité globale)
• et user-dependent measures basées sur le profil et l’historique utilisateur.

Différence détectée : Les AI Overviews actuelles ne montrent aucune adaptation basée sur les user-dependent measures. Tous les utilisateurs reçoivent des réponses identiques, suggérant l’abandon de cette personnalisation sophistiquée.

Mécanismes de Corrélation Inter-Requêtes

Le brevet décrit ensuite l’intégration de related-query-responsive SRDs, sélectionnés selon les patterns de recherche séquentielle. Le système analyse « la quantité d’occurrences de la requête et de la requête liée émises par un appareil ou compte correspondant dans une proximité temporelle ».

Cette innovation permet d’enrichir les réponses avec des informations connexes issues de requêtes fréquemment associées. Si de nombreux utilisateurs cherchent « installation Docker » puis « erreur port 8080 », les documents sur les ports enrichissent automatiquement les futures réponses Docker.

Différence détectée : Bien que Google confirme utiliser une « query fan-out technique », l’implémentation semble beaucoup plus basique que le système de corrélation temporelle décrit dans le brevet.

Adaptation Contextuelle et Requêtes Implicites

Le brevet révèle deux mécanismes avancés d’adaptation contextuelle. Les recent-query-responsive SRDs exploitent l’historique de session pour maintenir une cohérence, adaptant le niveau technique selon les recherches antérieures de l’utilisateur.

Plus innovant encore, le système génère automatiquement des implied-query-responsive SRDs basés sur le contexte et les données de profil, anticipant des besoins informationnels non explicitement exprimés.

Différence détectée : Aucun mécanisme d’adaptation contextuelle n’est observable dans les AI Overviews actuelles. Les réponses ne s’adaptent pas selon l’historique de recherche ou le niveau d’expertise présumé de l’utilisateur.

Mécanismes d’Apprentissage Post-Interaction