Google détient depuis juin 2022 un brevet intitulé « Contextual estimation of link information gain », et une grande partie de l'industrie du SEO continue de le citer comme preuve qu'un contenu unique se classe mieux et génère plus de citations qu'un contenu générique. Mais lire le brevet lui-même, déposé en octobre 2018 par les ingénieurs de Google Victor Carbune et Pedro Gonnet, révèle quelque chose de plus restreint : il évalue la quantité d'information nouvelle qu'apporte un document non lu par rapport à ce qu'un même utilisateur a déjà vu au cours d'une seule session de navigation, et non la façon dont une page se compare à ses concurrentes sur l'ensemble du web. Cet écart entre ce que le brevet affirme réellement et ce qui en est répété compte, car les recherches en GEO qui ont suivi ont montré que l'unicité prédit bel et bien les citations IA, mais pas par ce mécanisme.
Ce que décrit réellement le brevet sur le gain d'information
Le brevet, accordé à Google sous le numéro US 11,354,342 B2 en juin 2022 et suivi d'une continuation associée accordée en juin 2024, entraîne un modèle à comparer le sens d'un document candidat avec les documents qu'un utilisateur a déjà consultés au cours de cette session, puis à évaluer la quantité d'information nouvelle que ce candidat apporterait. Un score faible signifie que le contenu répète pour l'essentiel ce que la session a déjà couvert.
La demande de brevet présente cela dans le contexte d'assistants automatisés et de chatbots qui recommandent la prochaine chose à lire ou à écouter, le classement dans les résultats de recherche n'étant mentionné que comme un usage secondaire. Roger Montti, de Search Engine Journal, a lu l'intégralité du texte des revendications en 2024 et a souligné un point qui continue d'être oublié : rien n'y indique qu'une page contenant plus d'informations qu'une page concurrente doive être mieux classée. Le score ne compare jamais un document candidat qu'à ce qu'une seule personne a déjà vu, jamais au reste du web, et Montti n'a trouvé aucune preuve publique que Google l'applique dans les AI Overviews, le classement organique, ou tout autre produit en production.
Ce que montrent réellement les recherches indépendantes en GEO sur l'unicité et les citations
Deux études menées en 2026, indépendamment du brevet de Google, relient toutes deux l'unicité à de réels résultats en matière de citations. On-Page.ai a évalué l'originalité de 150 pages classées dans le top 3 sur une échelle de 0 à 100, et a constaté que les pages comportant quinze points de données uniques ou plus obtenaient en moyenne 62, contre 40 pour les pages n'en comportant qu'un seul ou aucun. Les positions un à trois affichaient une moyenne d'environ 51,4 sur la même échelle, l'originalité seule ne séparant que peu les premières places.
Par ailleurs, l'article qui a inventé le terme Generative Engine Optimization (GEO), signé Aggarwal et ses collègues de Princeton, a construit un benchmark de requêtes soumises à des moteurs génératifs et a montré que réécrire un contenu avec de vraies statistiques, des citations directes et des sources nommées pouvait augmenter la visibilité dans les réponses IA jusqu'à 40 %. Les réécritures surchargées de mots-clés faisaient pire que l'absence totale de modification.
Ryan Law, d'Ahrefs, résume simplement cet écart :
Le gain d'information, c'est Google qui récompense un contenu pour être différent, pas seulement meilleur.
Pourquoi le nombre de mots et le fait de couvrir plus largement qu'un concurrent ne sont pas le levier
Deux autres résultats obtenus en 2026 écartent les explications vers lesquelles on se tourne en premier. Ahrefs a mesuré une corrélation de seulement 0,04 entre le nombre de mots et les citations dans les AI Overviews sur 174 048 pages, confirmant une analyse plus approfondie sur la longueur du contenu et les citations IA qui avait trouvé quasiment le même résultat. Et lorsqu'un site publie plusieurs pages qui répondent à peu près à la même question, les moteurs IA ont tendance à les regrouper et à n'en citer qu'une seule, rarement la plus longue du groupe.
Ce second résultat est la partie que la plupart des explications sur le gain d'information passent sous silence. Le gain qu'un système d'IA tire d'un passage est mesuré par rapport à ce que le modèle pouvait déjà produire ou avait déjà récupéré ailleurs dans cette même réponse, pas par rapport à un nombre de mots ou à un décompte de faits. Les recherches sur l'éclatement de requête, cette pratique qui consiste à diviser une recherche en dizaines de sous-requêtes en arrière-plan, ont montré que le rang de récupération et la pertinence prédisaient bien mieux les citations que la couverture du sujet, parce que chaque passage est récupéré et jugé isolément. Searchbloom, une agence GEO, soutient, à partir de son propre audit non vérifié portant sur 400 pages, que la densité d'insights devrait être comptée par section plutôt que par page, précisément pour cette raison.
Le vrai problème de contenu généré par IA que cela révèle
Un rapport de position publié en 2026 par l'agence GEO Passionfruit soutient que les systèmes de récupération citent une source proportionnellement à l'information qu'elle ajoute par rapport à ce que le modèle pourrait générer seul, un phénomène que le rapport appelle un problème de redondance plutôt qu'un problème de qualité. Le texte écrit par IA, façonné par des entraînements d'alignement similaires d'un outil à l'autre, tend à converger vers des formulations et des cadrages semblables, laissant moins d'écart à combler.
Le rapport s'appuie sur des travaux distincts, évalués par des pairs, pour étayer cette thèse : une étude de 2024 publiée dans Nature sur l'effondrement des modèles dû à un entraînement répété sur des données générées par IA, et des recherches présentées à l'ICLR montrant que l'apprentissage par renforcement à partir de retours humains réduit la diversité des sorties d'un modèle. Les propres prédictions de Passionfruit issues de cette théorie sont, de l'aveu même du rapport, non testées, et l'agence vend précisément les services GEO que sa thèse recommande. À considérer comme une explication plausible à surveiller, pas comme un mécanisme confirmé.
Ce qui change réellement si vous voulez être cité par les moteurs IA
Rien de tout cela ne signifie que la longueur ou la couverture ne servent à rien, seulement qu'aucune des deux n'est le mécanisme que décrit le brevet sur le gain d'information. Le levier que les deux vraies études ont identifié indépendamment l'une de l'autre est le même : des données originales qu'un concurrent ne peut pas facilement copier, des sources nommées citées à proximité immédiate de l'affirmation précise qu'elles appuient, et des passages qui répondent à eux seuls à la formulation exacte d'une requête.
C'est la même leçon que ne cesse d'enseigner le basculement plus large du SEO vers le GEO : rien ne prouve que le brevet lui-même fonctionne dans les AI Overviews de Google ou dans un quelconque assistant que les marques peuvent auditer depuis l'extérieur, si bien qu'une stratégie construite uniquement autour de « satisfaire le gain d'information » optimise pour un mécanisme dont personne n'a confirmé qu'il était réellement actif. Les recherches confirmées, bâties sur des données de citation réelles plutôt que sur le langage du brevet, aboutissent sans cesse à la même liste pratique : de vrais chiffres, de vraies sources, et un contenu qui ne se contente pas de répéter ce qu'une douzaine d'autres pages ont déjà dit.
L'enjeu d'une mauvaise compréhension de ce mécanisme se voit déjà dans la façon dont les utilisateurs se servent des résumés IA en général. Pew Research a constaté que les utilisateurs de Google cliquaient sur un résultat traditionnel dans seulement 8 % des visites où un résumé IA apparaissait, contre 15 % lorsqu'aucun résumé n'était présent, et que seulement 1 % des visites avec un résumé se terminaient par un clic sur une source citée à l'intérieur de celui-ci.
Questions fréquemment posées
Qu'est-ce que le brevet de Google sur le gain d'information ?
C'est un brevet déposé par Google en 2018 et accordé en juin 2022 sous le numéro US 11 354 342 B2, suivi d'une continuation associée accordée en juin 2024. Il décrit un score mesurant la quantité d'information nouvelle qu'un document candidat apporte par rapport aux documents qu'un utilisateur donné a déjà consultés au cours d'une même session, principalement pour recommander ce qu'un assistant automatisé ou un chatbot devrait proposer ensuite.
Le gain d'information permet-il de prédire si les moteurs IA citeront votre contenu ?
Pas directement. Le brevet n'affirme jamais comparer une page à ses concurrentes, et rien ne prouve publiquement que Google l'utilise dans les AI Overviews ou le classement organique. Des recherches distinctes menées en 2026 montrent bien que les pages comportant davantage de données originales et de sources nommées sont citées plus souvent, mais il s'agit d'un constat indépendant, pas d'une preuve que le brevet lui-même en est le mécanisme.
Le nombre de mots influence-t-il le gain d'information ou les citations IA ?
À peine. Ahrefs n'a trouvé quasiment aucune corrélation, 0,04, entre le nombre de mots et les citations dans les AI Overviews sur plus de 174 000 pages. Ce qui corrèle réellement, c'est la donnée originale : les pages comportant quinze points de données uniques ou plus obtenaient un score nettement plus élevé dans une étude indépendante sur l'unicité que les pages n'en comportant qu'un seul ou aucun.
Comment savoir si mon contenu contient suffisamment d'informations originales ?
Vérifiez si chaque section énonce un fait, un chiffre ou un résultat que la page d'un concurrent sur le même sujet n'avance pas déjà, et si ce fait renvoie à une source nommée et vérifiable. Si une section se contente de reformuler ce que les pages déjà bien classées couvrent, elle a peu de chances d'apporter le type de gain d'information que les recherches indépendantes en GEO relient aux citations.
Utiliser l'IA pour écrire du contenu réduit-il vos chances d'être cité par les moteurs IA ?
C'est possible, selon une théorie formulée en 2026 par l'agence GEO Passionfruit, car un texte écrit par IA, entraîné avec des méthodes d'alignement similaires, tend à converger vers des formulations proches, laissant à un système de récupération moins d'information nouvelle à citer. Cette théorie s'appuie sur de véritables recherches sur l'effondrement des modèles, mais ses propres prédictions restent non testées : il faut donc la considérer comme une mise en garde plutôt que comme une règle prouvée.