High-Tech

Déjà disponible dans plus de 120 pays étrangers, AI Overviews est arrivé en France. Cet outil transforme les résultats du moteur le plus utilisé du monde en résumés sourcés. Une nouvelle fonctionnalité qui va changer les pratiques des utilisateurs, mais aussi celles des éditeurs de sites web et de contenus.

Gemini à la manœuvre

Derrière AI Overviews se cache l’IA maison, Gemini. Concrètement, lorsqu’une recherche est lancée sur Google, cette IA analyse les contenus des pages retenues dans les résultats pour en faire un résumé. L’idée étant de faire gagner du temps à l’utilisateur, tout en lui permettant d’approfondir le sujet en proposant des liens vers les contenus sourcés. Sachant, en outre, qu’AI Overviews n’apparaît pas pour toutes les requêtes, mais seulement lorsque les systèmes de Google estiment qu’elle peut apporter un avantage supplémentaire. Les recherches locales ne seront donc pas concernées (trouver un restaurant ou un autre professionnel dans une ville, par exemple).

Entre IA et moteur classique

Doté de cette nouvelle fonctionnalité, Google ne se transforme pas en IA (Gemini existe déjà), mais intègre sa puissance de synthèse et son mode conversationnel, avec l’objectif de réunir le meilleur des deux mondes. En ligne de mire : maintenir son leadership dans la recherche en ligne en offrant tous les modes de recherche possibles et, dans le même temps, préserver son modèle économique basé sur la publicité, mais aussi sur le référencement payant.

Une visibilité à repenser

AI Overviews ne se contente pas de résumer les pages qui s’affichent dans la première page de résultats de Google. Elle s’intéresse aussi aux contenus de pages moins bien classées dès lors qu’ils répondent mieux à la question. Si elle reste indispensable pour assurer la visibilité de son site, l’approche de référencement SEO doit donc être complétée par un travail d’optimisation pour les IA (Generative Engine Optimization : GEO). C’est la seule solution pour continuer à exister dans les deux mondes.

Être cité par AI Overviews

Pour répondre aux questions des internautes, AI Overviews, comme les autres interfaces de recherche générative, privilégie les contenus experts qui apportent une réponse claire et sont régulièrement mis à jour. En pratique, l’outil favorise les contenus bien structurés, sourcés, signés et rédigés dans un langage simple. Les formats les plus susceptibles d’être repris sont ceux qui vont droit au but : définitions, modes d’emploi, FAQ, comparatifs ou synthèses.

À l’inverse, les pages trop promotionnelles, peu structurées ou trop vagues ont moins de chances d’être sélectionnées. Pour les éditeurs de sites, l’enjeu n’est donc plus seulement d’apparaître en bonne position dans les résultats classiques, mais de produire des contenus « citation-ready », pensés pour être compris, extraits et réutilisés par les systèmes d’IA de Google. C’est tout l’objet du GEO.

Les enseignements américains

Déployé dès 2024 aux États-Unis, AI Overviews a déjà commencé a transformé le paysage de la recherche et l’économie du trafic internet. En plaçant un résumé en tête des résultats, l’outil a modifié les comportements de clic. Les données collectées par plusieurs agences SEO et cabinets d’analyse américains (BrightEdge, Conductor, Seer Interactive) permettent de mesurer les premiers impacts à l’échelle des États-Unis.

Tout d’abord, on note que sur Google, les résumés s’affichent, désormais, dans presque 50 % des requêtes et quasiment dans la totalité de celles formulées en question directe de type : « qui, quoi, comment ? ».

En outre, en présence d’un résumé, dans plus de 60 % des cas, l’internaute n’effectue aucun clic et se contente de l’information fournie par AI Overviews. Conséquence : le taux de clic des premiers résultats des pages de recherche de Google est passée, en quelques mois, de 30 % à moins de 20 %.

Autre information notable : entre 60 % et 80 % des liens cités au sein des résumés d’AI Overviews proviennent de pages qui ne figuraient pas dans le top 10 des résultats de recherches classiques pour la même requête, la primeur étant désormais donnée non plus aux contenus les plus « connus », mais aux plus experts, sourcés et pertinents.

Depuis l’explosion des intelligences artificielles génératives en 2022, et leur intégration progressive dans les outils du quotidien, les entreprises de toutes tailles se tournent de plus en plus vers ces technologies pour optimiser leur fonctionnement. Et demain, le recours devrait être encore plus massif, certain estimant qu’à terme les entreprises consommeront de l’IA comme aujourd’hui elles consomment de l’énergie. Une tendance qui pose la question de la tarification des services des IA et donc celle des fameux tokens.

Qu’est-ce qu’un token ?

En intelligence artificielle, et plus spécifiquement dans le traitement du langage naturel (TLN), un token est la plus petite unité de texte qu’un modèle peut comprendre et manipuler. Ce n’est pas toujours une lettre ni un mot entier, et, pour couronner le tout, toutes les IA n’en ont pas la même définition.

La « tokenisation », quant à elle, est le processus par lequel un texte est découpé en un certain nombre de ces unités. Sur ce point, les modèles d’IA modernes, comme ceux d’OpenAI, Google ou Anthropic, emploient des méthodes basées sur la tokenisation par sous-mots. Cela signifie qu’un mot comme « indéchiffrable », par exemple, pourrait être scindé en plusieurs tokens (« in », « déchiff », « rable ») par certains de ces modèles.

Pourquoi cette granularité ? Elle permet aux IA de mieux gérer les mots qu’elles n’ont jamais rencontrés lors de leur entraînement (mots rares, néologismes), de réduire le volume de leur vocabulaire interne, et de s’adapter à des langues ayant des structures de mots différentes. Le revers de la médaille, c’est qu’une même phrase peut générer un nombre de tokens légèrement différent d’un modèle à l’autre, compliquant la comparaison tarifaire entre les IA. Sans parler du fait que certains fournisseurs, comme Google, ont décidé d’opter pour une facturation au nombre de caractères, rendant toute analyse comparative encore plus ardue.

Comment sont-ils tarifés ?

Le lien entre les tokens et le coût des services d’IA est direct. Les fournisseurs ont besoin d’une métrique quantifiable pour mesurer l’utilisation de leurs modèles et facturer en conséquence. Les tokens sont cette métrique.

La facturation repose généralement sur deux types de tokens :
• Les tokens d’entrée (input tokens) : ce sont ceux que vous envoyez au modèle, c’est-à-dire votre requête, votre question ou le texte que l’IA doit analyser. Si vous demandez « Rédige une note de synthèse sur la réunion d’hier », le nombre de tokens dans cette phrase constitue vos tokens d’entrée.

• Les tokens de sortie (output tokens) : ce sont les tokens générés par le modèle en réponse à votre demande. La note de synthèse produite sera mesurée en tokens de sortie.

Il est courant que le coût par token de sortie soit légèrement supérieur à celui des tokens d’entrée. La raison est simple : la génération de texte est souvent plus gourmande en ressources de calcul que la simple analyse du texte d’entrée.

Les prix varient considérablement d’un fournisseur à l’autre et d’un modèle à l’autre. Les modèles les plus performants et les plus récents (comme GPT-4 ou Claude 3 Opus) sont naturellement plus chers au token que leurs prédécesseurs ou leurs homologues plus petits et plus rapides (comme GPT-3.5 Turbo ou Claude 3 Haiku). Cette variabilité est aussi influencée par la « fenêtre de contexte » du modèle, c’est-à-dire le nombre maximal de tokens qu’il peut traiter simultanément. Une fenêtre plus large permet de gérer des documents plus longs, mais peut entraîner un coût supérieur.

Le tableau comparatif suivant permet d’avoir une idée plus précise des tarifs pratiquées par ChatGPT, Gemini (Google), Claude et Mistral.

Des entreprises dépendantes

Aujourd’hui, il n’existe pas de contrat garantissant des prix fixes et inchangés sur des période de plus d’un an. Les fournisseurs justifient cette flexibilité par l’innovation constante du secteur, la fluctuation des coûts des ressources (processeurs, énergie) et la nécessité de s’adapter rapidement au marché. Cette situation crée une incertitude budgétaire non négligeable. Une entreprise qui intègre une IA dans son processus critique (par exemple, un support client automatisé ou un outil de rédaction de fiches produits) se retrouve à la merci d’éventuelles augmentations tarifaires décidées unilatéralement par le fournisseur.

Certes, les très grandes entreprises peuvent négocier des contrats sur mesure, incluant des tarifs préférentiels, des crédits d’utilisation ou des paliers de consommation garantis. Mais ces contrats « grand comptes », s’ils peuvent offrir une certaine stabilité, sont l’exception et ne concernent pas la majorité des PME et des TPE. De plus, même ces contrats n’offrent que rarement une garantie absolue contre toute fluctuation. Les fournisseurs s’engagent tout au plus à respecter un préavis (souvent 30, 60 ou 90 jours) avant toute modification tarifaire significative, laissant aux clients « le temps » de s’adapter ou de chercher des alternatives.

Cette dépendance progressive, combinée à l’imprévisibilité des coûts sur le long terme, doit inciter les entreprises à effectuer une veille constante. Elles doivent non seulement régulièrement évaluer les performances des différentes IA, mais aussi surveiller de près leurs modèles de tarification pour ne pas se retrouver dans une trop grande situation d’incertitude tarifaire.

Reste à espérer que l’émergence de modèles open source performants, ou la possibilité d’héberger des modèles en interne, pourra, à terme, offrir des voies de diversification pour réduire cette dépendance et mieux maîtriser les budgets et la durée de vie des modèles économiques.