Article arrêté au 12 août 2026. Deux éléments de ce dossier ont bougé cette année : les mécanismes de marquage des textes générés et le cadre réglementaire européen. Les sources sont en fin d’article.
Un modèle de langage écrit un article de 1 500 mots en quarante secondes (pas de source, vérifiez par vous-même). C’est facile et tout le monde le fait. Ce qui est toujours compliqué c’est ranker les contenus sur les moteurs de recherche.
J’ai construit un pipeline de rédaction assistée pour ce site : recherche de mots-clés, génération de brief, itération d’un article par plusieurs agents, vérification et enfin publication. Tout n’a pas fonctionné du premier coup, évidemment, mais surtout, j’ai choisi de dé-automatiser certaines parties.
1. Choisir les mots-clés : pas d’IA
Commençons par le contre-intuitif : c’est sur la recherche de mots-clés que les modèles de langage sont les moins fiables, alors que c’est le premier usage que la plupart des gens en font.
Pourquoi ? Un modèle n’a pas accès aux volumes de recherche. Quand vous lui demandez « donne-moi les mots-clés les plus recherchés sur ce sujet », il produit des expressions plausibles mais pas les expressions réelles. Si vous lui demandez des volumes, il va simplement inventer.
C’est une règle générale, déjà mentionnée, mais il ne faut jamais faire confiance aux chiffres de volume de recherche provenant d’un modèle de langage.
On peut tout de même s’en servir pour :
- L’expansion sémantique. À partir d’une liste réelle, on génère des reformulations, des termes connexes, tout le vocabulaire adjacent que vous n’auriez pas listé.
- La classification d’intention en masse. Trier des centaines de requêtes entre informationnelles, comparatives, transactionnelles et navigationnelles. C’est long et subjectif, autant le faire faire par une IA.
- Le regroupement en clusters. Pour regrouper les mots clés et voir que quinze requêtes nécessitent une seule page, et que deux autres en nécessitent deux distinctes.
- La génération d’angles. Pour une requête donnée, proposer douze approches éditoriales différentes.
Le workflow qui fonctionne pour moi est donc l’inverse de l’ordre habituel : d’abord les données réelles, puis le modèle pour les organiser, et enfin moi (l’humain) pour faire le tri.
Et la meilleure source de données n’est pas un outil payant : c’est ma propre Search Console. Les requêtes sur lesquelles j’apparaît en position 8 à 20 constituent le gisement le plus immédiatement exploitable qui existe. Google trouve que mon site est déjà pertinent, mais pas assez.
Mes critères de sélection : d’abord, l’intention correspond-elle à ce que je vends ? La difficulté est-elle compatible avec mon autorité actuelle ? Et seulement ensuite : quel volume ? Les mots clés sur lesquels je travaille ne sont presque jamais les plus recherchés.
2. Du mot-clé au brief
Si vous promptez en mode : « Écris-moi un article sur [sujet] », le résultat sera moyen, parce que vous ne fournissez pas de contexte.
Un brief exploitable contient :
- L’intention visée et le format que la SERP attend ;
- L’angle, la thèse que l’article défend ;
- Ce que le lecteur doit pouvoir faire une fois l’article terminé ;
- Les contraintes factuelles : vos chiffres, vos observations, vos contre-exemples. C’est le seul apport que le modèle ne peut pas fabriquer ;
- Ce qu’il ne faut pas dire, les affirmations que vous refusez de reprendre, les formulations à éviter ;
- Le registre et le niveau de lecteur visé.
Ce brief se génère en partie automatiquement à partir de l’analyse du SERP et de des pages existantes. En revanche, c’est moi qui décidede des contraintes factuelles et de l’angle.
L’itération multi-agents. Plutôt qu’une génération unique, le pipeline enchaîne trois rôles distincts : un modèle rédacteur qui produit, un modèle critique qui évalue contre le brief et liste les manques et enfin un modèle correcteur qui applique les changements. Le point important est la séparation des rôles : un modèle à qui l’on demande de critiquer un texte produit une évaluation nettement plus sévère et plus utile que le même modèle à qui l’on demande d’améliorer son propre texte dans la même passe.
La limite : Au-delà de deux ou trois passes, le gain devient négatif. Le texte converge vers une version de plus en plus lisse : les aspérités disparaissent, les formulations tranchées s’arrondissent, et on obtenez un article complètement tiède. J’ai tenté différents nombres de relectures, mais plus l’article est modifié par des IA, plus il a justement l’air d’avoir été écrit par une IA.
3. L’édition humaine
Je relis systématiquement les articles en entier, et je les édite entièrement.
Il y a certain marqueurs à supprimer systématiquement :
- Les formules de remplissage : « il est important de noter », « dans le monde d’aujourd’hui », « à l’ère du numérique » ;
- La triade systématique : les IA ont tendance à donner toujours 3 exemples ;
- La symétrie parfaite des sections, toutes de la même longueur, alors qu’un vrai sujet a des parties inégales ;
- L’absence de chiffres précis, remplacés par « de nombreux » et « la plupart » ;
- L’absence de position : un texte qui n’affirme rien qu’on puisse contester ;
- La conclusion qui résume l’article au lieu d’ajouter quelque chose.
J’ajoute également des infos et du contenu :
- Une donnée propriétaire. Un chiffre issu de mon activité, que personne d’autre ne peut publier.
- Une opinion réfutable. Une position qu’un concurrent compétent pourrait contester. Si personne ne peut être en désaccord, je n’ai rien dit d’intéressant.
- Un exemple vécu et daté. Pas de formulation vague, comme « une entreprise du secteur », mais plutôt des exemples concrets.
- Une contradiction avec le consensus. Le point où mon expérience diverge de ce que tout le monde dit.
Je vérifie aussi l’ensemble des chiffres. Les modèles produisent des statistiques plausibles assorties de sources plausibles. J’ai eu des chiffres inventés attribués à des cabinets réels, dans des rapports qui n’existaient pas. Chaque nombre, chaque citation, chaque nom propre est vérifié à la source. J’ai testé la relecture par IA, notamment avec Claude, avec du succès relatif, mais je repasse quand même derrière.
4. Faire ranker
Aucun article ne se positionne sur la seule qualité de son texte. Il faut aussi, par ordre d’importance décroissante :
Matcher l’intention. Le SERP vous dit déjà ce que Google considère comme la bonne réponse : un comparatif, un tutoriel, une définition, une page produit en fonction du mot clé. Si je rédige un excellent article de fond là où les résultats sont tous des listes courtes, aucune chance de ranker.
La couverture du sujet. Mieux vaut un article qui traite les questions adjacentes que se pose le lecteur qu’un article plus long qui ne traite que de la question principale en délayant.
Le maillage interne. Un article isolé démarre avec un handicap. C’est le même mécanisme que celui décrit dans mon étude de cas sur le SEO programmatique.
L’autorité du domaine. Sans elle, un contenu excellent plafonne. C’est le facteur le plus déterminant et le moins actionnable à court terme.
Le délai. Un article ne se juge pas en trois semaines. A court terme on peut déjà se demandé si l’article est indexé ?
Ce qui a changé en 2026 : les politiques anti-spam de Google couvrent désormais explicitement les AI Overviews et l’AI Mode. Autrement dit, il n’existe pas de couche « GEO » régie par des règles distinctes où le contenu de faible valeur passerait plus facilement. Les mêmes politiques (abus de contenu à grande échelle, pages satellites, récupération de contenu sans valeur ajoutée) s’appliquent aux réponses génératives.
5. Le fingerprinting
C’est la grande nouveauté de l’année !
Le marquage à la génération
Le principe : un modèle produit son texte token par token, en choisissant à chaque étape parmi des candidats probables. Le marquage biaise imperceptiblement ces probabilités selon un motif pseudo-aléatoire dérivé d’une clé secrète. Le texte reste naturel, mais l’ensemble porte une signature statistique qu’un détecteur disposant de la clé peut retrouver.
C’est la technologie SynthID de Google DeepMind, dont l’approche pour le texte a été publiée en open source et intégrée à la bibliothèque Hugging Face Transformers.
Il y a trois limites cependant :
- Seul le détenteur de la clé peut vérifier. Google seul peut confirmer une signature SynthID. Aucun outil grand public ne lit ce filigrane, ni les autres entreprises d’IA.
- La couverture est partielle. Le marquage s’applique uniquement aux sorties des modèles qui l’implémentent. Il n’existe pas de standard universel de marquage pour le texte.
- Ça ne survit pas à une réécriture substantielle. Un texte réellement retravaillé perd le motif statistique, mais il faut réécrire pratiquement chaque phrase.
Les détecteurs statistiques
Ce que vous utilisez quand vous collez un texte dans un outil de détection est autre chose : une analyse de régularité : perplexité faible, rythme de phrases uniforme, vocabulaire prévisible. Ces outils ne lisent aucun filigrane. Ils estiment une probabilité à partir de propriétés de style.
Leur taux de faux positifs est documenté et important, en particulier sur les textes techniques, les textes traduits et les textes rédigés par des non-natifs, qui présentent naturellement les régularités que ces outils interprètent comme artificielles. Un score de détection n’est pas une preuve, et ne devrait jamais être traité comme telle.
Le mythe à écarter
L’affirmation qui circule le plus : Google utiliserait ces signaux pour déclasser les contenus identifiés comme générés par IA, un prétendu filtre anti-IA associé aux mises à jour de 2026.
Rien dans la communication officielle de Google ne soutient cette lecture. La position est constante depuis 2023 et n’a pas varié : la méthode de production est indifférente, c’est la valeur apportée qui est évaluée. La politique visant les abus de contenu à grande échelle s’applique explicitement quelle que soit la façon dont le contenu a été créé. Les systèmes anti-spam n’ont d’ailleurs pas besoin d’établir l’origine d’un texte pour identifier un site qui publie en masse du contenu sans valeur : c’est visible sans cela.
La conclusion pratique : Ce n’est pas grave que Google identifie que le texte a peut être été écrit avec de l’IA. Le risque est de publier quelque chose qui n’apporte rien, et ce risque existait déjà avant l’IA.
En revanche, l’obligation légale existe
Lisez attentivement :
Depuis le 2 août 2026, les obligations de transparence de l’article 50 du règlement européen sur l’IA sont applicables. Elles ne prévoient ni seuil de taille, ni classification de risque : un indépendant est concerné au même titre qu’un grand groupe. Les manquements relèvent d’un palier de sanction élevé, avec un plafond aménagé pour les PME.
Ce qu’il faut retenir pour de la production éditoriale :
- Une mention enterrée dans les CGU ne suffit pas. L’information doit être claire et perceptible au niveau du contenu lui-même.
- Le texte publié pour informer le public sur des sujets d’intérêt général fait l’objet de dispositions spécifiques, assorties d’une exemption lorsque le contenu a fait l’objet d’un contrôle éditorial humain et qu’une personne en assume la responsabilité éditoriale.
- L’obligation de marquage lisible par machine pèse sur les fournisseurs de systèmes d’IA générative, avec un délai supplémentaire jusqu’au 2 décembre 2026 pour les systèmes déjà commercialisés, ce n’est pas à vous de l’implémenter.
Je ne suis pas juriste, et la qualification dépend étroitement de la nature de vos publications : faites-la valider. Mais la posture robuste est simple à décrire : une relecture humaine réelle, une responsabilité éditoriale nommée, et une politique de transparence assumée. Ce qui est, accessoirement, exactement ce que la qualité éditoriale exigeait déjà.
6. Automatiser, ou pas ?
Le pipeline complet est facilement réalisable de bout en bout. Il ne faut cependant pas tout automatiser.
Ce que j’automatise sans problème : la collecte des données de mots-clés (automatisé mais sans IA), le regroupement et la classification, l’analyse des SERP, la génération du brief, la première version, les vérifications mécaniques (longueur des métadonnées, présence des balises, maillage interne, données structurées), la mise en ligne, et le suivi post-publication.
Ce que je n’automatise pas : la sélection finale du sujet, la validation des faits, la relecture.
Pourquoi pas le pipeline entièrement autonome ?. Le problème estqu’il fonctionne parfaitement et produit, régulièrement, du contenu correct, propre, sans erreur, mais aussi sans le moindre intérêt. La quantité de contenu est un critère trop faible que ce soit intéressant de l’automatiser.
Et on perd au passage le seul actif que ce travail pouvait créer : un corpus qui vous distingue.
Il y a deux avantages réels : le gain de temps de la partie mécanique qu’on peut réinvestir en temps passé sur la relecture et la sélection des sujets intéressants, ainsi que les données récupérées dans la Search Console grâce au large nombre d’articles qu’on a publiés.
7. Ce que je mesure
- Le temps de production par article, séparé entre partie automatisée et partie humaine, en gros 3/4h par article, de la sélection du thème à la publication.
- Le taux d’indexation et le délai avant indexation ;
- La position moyenne à 90 jours ;
Ce que je retiens
L’IA a rendu la production d’un texte correct quasi gratuite. Mécaniquement, la valeur s’est déplacée vers ce qu’elle ne produit pas : mes données, mon jugement, mes avis intéressants, ma responsabilité éditoriale.
Le pipeline me sert donc à une chose : libérer du temps pour la partie qu’aucun modèle ne peut faire à ma place (pour l’instant ?).
Sources
- Commission européenne, Code de bonnes pratiques sur la transparence des contenus générés par l’IA — digital-strategy.ec.europa.eu
- Les règles de transparence de l’AI Act : guide pratique de l’article 50 — artificialintelligenceact.eu
- Blog du Modérateur, IA Act : ce qui change le 2 août 2026 — blogdumoderateur.com
- PPC Land, Les politiques anti-spam de Google couvrent désormais les AI Overviews et l’AI Mode, mai 2026
- Google Search Central — documentation sur le contenu généré par IA et politiques anti-spam
- Google DeepMind — SynthID (implémentation texte disponible via Hugging Face Transformers)
Un doute sur votre propre dispositif de production éditoriale ? Écrivez-moi.