Au-delà du tab «AI» dans la barre Google
Quand un utilisateur clique sur le tab «AI» de Google, il quitte le SERP de liens bleus pour entrer dans une interface conversationnelle où Gemini compose une réponse longue, structurée, accompagnée de cartes-sources. AI Mode n'est pas une fonction supplémentaire greffée sur la recherche : c'est un produit parallèle qui partage l'index mais pas la logique de classement. La distinction est opérationnelle. Un site qui ranke en position 3 sur une requête peut être totalement absent des sources citées par AI Mode pour cette même requête, et inversement, une page de profondeur en position 9 peut figurer en première carte de la réponse génératée.
Lancé en mars 2025 en expérimentation Search Labs, ouvert au grand public américain en mai puis étendu à l'international fin 2025, AI Mode revendique 75 millions d'utilisateurs (déclaration de Nick Fox relayée par Search Engine Journal, décembre 2025). Son adoption a été multipliée par environ quatre entre mai et juillet 2025, passant de 0,25% à plus de 1% des requêtes selon une étude Semrush publiée en septembre 2025. La courbe d'usage compte plus que le chiffre absolu : en six mois, on est passé d'une curiosité à un canal de visibilité que les annonceurs n'ignorent plus, eMarketer projetant les dépenses publicitaires search IA aux États-Unis de 2,08 milliards de dollars en 2026 à 25,93 milliards en 2029, soit de 1,3% à 13,6% du marché search total.
À ne pas confondre avec les AI Overviews, le bloc génératif qui apparaît en haut du SERP classique sur 13,14% des requêtes en mars 2025 selon Semrush, contre 7,64% en février. Les AI Overviews vivent dans le SERP traditionnel ; AI Mode est une interface dédiée. Les deux puisent dans le même index et la même famille de modèles Gemini, mais leur déclenchement et leurs critères de sourcing diffèrent. Un audit de visibilité IA sérieux les mesure séparément, pas sous une métrique fourre-tout «visibilité générative» qui agrège tout et n'éclaire rien.
La mécanique 2026 : query fan-out et Gemini custom
La mécanique technique d'AI Mode repose sur le query fan-out, dont les principes sont décrits dans plusieurs brevets Google récents autour du grounding et de la recherche multi-étapes. Quand l'utilisateur tape une requête, le système ne lance pas une seule recherche : il décompose la question en plusieurs sous-requêtes parallèles couvrant les facettes implicites. Une question comme «comment choisir un CRM B2B en 2026» devient en interne une dizaine de sous-recherches : critères de sélection, comparatifs de modèles, fourchettes de prix, intégrations, retours utilisateurs, alternatives open-source, intégration RGPD, etc.
Chaque sous-requête frappe l'index Google et ramène ses propres top résultats. C'est la version custom de Gemini intégrée à AI Mode qui ingère ensuite cet ensemble de pages, en extrait les passages pertinents et compose la réponse synthétique. Le modèle Gemini utilisé n'est pas exactement celui de l'app gemini.google.com : il est ajusté pour le grounding sur l'index Search, avec des contraintes de sourcing strictes et un comportement plus extractif que conversationnel libre. Google le décrit dans sa documentation Search Central comme un modèle conçu pour minimiser les écarts factuels par rapport aux sources de grounding.
La conséquence pratique pour un éditeur est lourde. Un site n'a plus à ranker une seule fois sur la requête principale : il doit ranker sur la mosaïque de sous-requêtes que le fan-out génère. C'est un changement de modèle mental que beaucoup d'agences traditionnelles n'ont pas encore intégré. En audit, on observe que les pages qui figurent le plus souvent dans les sources AI Mode sont rarement les mêmes que celles qui rankent en position 1 sur la requête tête : ce sont des pages de profondeur sémantique sur des sous-thèmes précis, pas les hub pages génériques qui captaient historiquement le clic.
Pour cartographier les sous-requêtes que Google génère sur les thématiques d'un client, on simule le fan-out en interrogeant l'API Gemini avec un prompt qui mime le comportement observé, puis on croise avec les SERP réels de chaque sous-requête. Le mécanisme exact est documenté dans la fiche dédiée au query fan-out. Sans cette cartographie, une stratégie de contenu pour AI Mode tourne au tâtonnement.
Comment AI Mode sélectionne et affiche les sources
Comment Google choisit et affiche les sources est la question que les concurrents qui rankent sur ce sujet traitent en surface. Le mécanisme observable repose sur trois filtres successifs, qu'on déduit des comportements répétés en audit et de ce que Google a documenté dans son blog Search Central depuis fin 2024.
Premier filtre, le grounding factuel. Gemini privilégie les sources qui contiennent une assertion explicite, datée, attribuée. Une page qui cite une étude nommée avec son année et un chiffre précis a plus de chances d'être citée qu'une page qui paraphrase la même idée sans source. Le modèle est entraîné à minimiser l'hallucination : il s'accroche aux pages qui réduisent son risque. Pour un éditeur, l'implication est concrète : sourcer ses affirmations devient un levier de visibilité IA, pas seulement une coquetterie éditoriale.
Deuxième filtre, l'autorité topique calculée sur l'index Search. Le ranking classique sert d'input. Une page qui n'apparaît dans aucun top 30 sur les sous-requêtes du fan-out ne sera quasiment jamais citée. AI Mode n'invente pas un nouvel univers de sources, il réordonne et synthétise depuis le SERP organique. Les liens entrants comptent, mais c'est leur effet sur le ranking qui est le levier réel : un backlink qui ne fait pas bouger le ranking ne fait pas non plus bouger la citation AI Mode.
Troisième filtre, la diversité de réponse. Gemini est explicitement contraint à varier les sources d'une réponse, à ne pas piocher cinq passages du même domaine. Cela crée une fenêtre d'opportunité pour les sites éditoriaux owned : sur une requête où trois ou quatre majors du secteur dominent le top 10 classique, AI Mode pioche fréquemment une cinquième ou sixième source pour la diversité, et c'est souvent un média éditorial spécialisé qui prend la place. Pour monitorer la fréquence à laquelle un domaine est cité dans les réponses AI Mode, on échantillonne les requêtes prioritaires d'un client et on logue les sources citées dans le temps. Le pattern d'éligibilité émerge sur quatre à six semaines, pas sur quelques jours.
Ce que ça change dans une opération de netlinking
L'impact concret sur une opération de netlinking en 2026 est moins révolutionnaire que ce que prédisaient les pessimistes en 2024. Le netlinking reste le premier levier d'autorité topique, mais la métrique cible se déplace : on ne se contente plus de regarder le ranking sur les requêtes principales, on suit aussi la part de citation AI Mode et AI Overviews sur le cluster sémantique du client. Données contre-intuitives observées en audit : sur des requêtes où l'AIO apparaît, le paid CTR a légèrement augmenté en Q1 2026 selon Seer Interactive (de 14,6% à 16,2%), tandis que sur les requêtes sans AIO il a baissé. L'effet sur l'organique est plus nuancé que la panique initiale ne le laissait prévoir.
Trois changements concrets dans la doctrine de campagne. D'abord la profondeur sémantique des contenus liés prend le pas sur les hub pages génériques. Une campagne qui pousse uniquement vers la home et les pages catégories laisse filer la visibilité AI Mode, qui se joue au niveau des pages de profondeur. Ensuite la qualité éditoriale du site source compte plus qu'avant : Gemini lit le contenu pour décider s'il cite, et un article rédigé en automation médiocre ne rentrera pas dans les sources même si la page reçoit du DR 60. Enfin les ancres d'attribution conceptuelle gagnent en importance : un lien dont l'ancre nomme précisément le concept aide Google à associer le site source au champ sémantique correspondant, ce qui pèse dans le grounding du modèle.
Stringer Network opère 28 médias éditoriaux internes calibrés sur cette logique : pages de profondeur sémantique, sourcing factuel, diversité topique. Quand un client doit figurer dans les réponses AI Mode sur un cluster donné, on structure une campagne autour des sous-requêtes du fan-out plutôt que sur la seule requête tête. Cette approche change aussi l'allocation budgétaire : moins de liens en quantité brute, plus de liens posés sur les sous-thèmes que le fan-out fait remonter. C'est un déplacement de granularité, pas un abandon du levier backlink.
Tactiques et erreurs d'optimisation récurrentes
Les erreurs d'optimisation qu'on voit revenir en audit reflètent l'écart entre le discours marketing 2024 sur la «mort du SEO» et la réalité opérationnelle de 2026.
Première erreur, traiter AI Mode comme un canal séparé qui demanderait une infrastructure dédiée. Les sources AI Mode sortent de l'index Search, pas d'un nouveau corpus. Un site qui n'est pas indexé proprement, qui a des problèmes de canonicalisation, qui sert du JavaScript lourd au crawler, ne deviendra pas magiquement visible en réécrivant ses pages en mode Q/R. Le socle technique reste la fondation. Avant de penser AI Mode, on s'assure que le rendu HTML est propre côté Googlebot.
Deuxième erreur, bourrer les pages de questions/réponses style FAQ pour «plaire aux LLM». Les pages qui se font citer sont des pages éditoriales denses, pas des FAQ stéréotypées. En audit qualitatif, on observe que les sources AI Mode sont massivement des articles de fond ou des pages produits éditorialisées, beaucoup plus rarement des FAQ structurées en JSON-LD pur. La FAQ aide pour les People Also Ask et pour les snippets enrichis, pas pour la citation AI Mode.
Troisième erreur, ignorer la fraîcheur. AI Mode est sensible à la date de mise à jour visible des sources sur les requêtes à composante temporelle. Une page mise à jour il y a dix-huit mois sur un sujet où la concurrence publie en 2026 est filtrée par le grounding, même si son ranking historique est solide. Les rédactions qui ne maintiennent pas leur stock voient leur part de citation AI Mode s'éroder en six à neuf mois. Calibrer un cycle de rafraîchissement annuel par défaut, semestriel sur les thématiques mouvantes (IA, fiscalité, réglementation), devient un investissement de visibilité IA aussi important que la production de neuf.
Quatrième erreur, optimiser pour la «citation» au détriment du ranking. Le SERP classique reste le filtre amont. On a vu en audit des consultants pousser leurs clients à reformatter leurs pages en pyramide inverse pour «mieux passer aux LLM», au prix d'une chute de performance organique. Le bon sens éditorial : écrire des contenus denses, sourcés, datés, structurés en sections autonomes, sans sacrifier la lisibilité humaine. Ce qui rankait bien rankait déjà comme ça. AI Mode n'invente pas une nouvelle école d'écriture, il récompense plus durement celle qui était déjà la bonne.