Le 3 juin 2026, Google a introduit les rapports de performances de l’IA générative de recherche dans la Search Console, des vues dédiées des impressions au sein des fonctionnalités d’IA générative de la recherche, telles que les aperçus de l’IA et le mode IA. Enfin, il existe des rapports officiels de présentation de l’IA indiquant la fréquence à laquelle ces fonctionnalités impliquent vos pages. Ce qu’il n’inclut pas, ce sont les requêtes derrière l’activité de l’IA, et le rapport concerne uniquement l’interface utilisateur. J’ai vérifié à nouveau sur ma propre propriété le 11 août 2026 que ni l’API Search Analytics ni l’exportation groupée BigQuery n’exposent les données génératives de l’IA. Il n’existe donc aucun moyen officiel de suivre le trafic du mode IA au niveau des requêtes.
Sauf que les requêtes arrivent quand même. Des fragments de véritables conversations d’IA, des réponses telles que « oui, continuez », des suivis et des invites entières collées ont commencé à apparaître sous forme de requêtes ordinaires dans le rapport de performances. Anastasia Kourou a publié un article sur les chaînes étranges sur LinkedIn, et John Mueller de Google a répondu, confirmant que ces données avaient toujours été disponibles dans le rapport de performances et pointant vers la documentation de Google.
J’ai écrit le compte complet avec 16 mois de mes propres données séparément et déployé ma méthode d’extraction de ces requêtes via mon MCP de la console de recherche de Google. Ce qui suit n’est donc que les moyens pratiques d’extraire les requêtes d’IA dans la console de recherche au grand jour, ainsi qu’un outil gratuit alimenté par mon propre modèle d’apprentissage automatique personnalisé qui le fait pour vous.
La ruée vers les requêtes
Une fois la fuite rendue publique, les référenceurs ont commencé à trouver des moyens d’extraire ces requêtes.
La première vague, en juin 2025, était une regex de comptage de mots, faisant apparaître de longues requêtes conversationnelles uniquement en fonction de leur longueur, de plus de 32 mots, par exemple. Barry Schwartz a résumé ces premières tentatives, en attribuant le mérite à Metehan Yeşilyurt, Vijay Chauhan et David Konitzny. Depuis, les approches sont devenues beaucoup plus précises.
Méthode 1 : inventaire complet de Glenn Gabe dans Excel
L’interface utilisateur du rapport de performances limite n’importe quelle table à 1 000 lignes. Ainsi, sur un site de grande taille, la plupart des données de votre requête restent masquées avant que vous ne commenciez. La réponse de Glenn Gabe est d’ignorer l’interface utilisateur. Il extrait l’ensemble des requêtes complètes via l’API Search Analytics à l’aide d’Analytics Edge dans Excel, puis demande à Claude d’organiser la liste et de signaler les requêtes probables en mode IA. Si vous vivez déjà dans Excel, cela place l’inventaire complet dans le flux de travail que vous connaissez.
Méthode 2 : Regex personnalisée de Jean-Christophe Chouinard
Jean-Christophe Chouinard s’est attaqué au même problème depuis l’intérieur du rapport. Le 14 août 2026, il a publié une expression régulière sur LinkedIn qui signale les chaînes de conversation directement dans le filtre de requête du rapport sur les performances, à l’aide de l’option d’expression régulière personnalisée. Il l’a construit en comparant les invites que les gens saisissent couramment dans les LLM, à partir des données auxquelles il a accès, avec des chaînes rarement vues dans GSC avant les aperçus de l’IA.
Le résultat est une longue alternance couvrant les verbes invites (écrire, rédiger, générer, résumer, expliquer, agir comme), les salutations, les remerciements (oui, ok, ça sonne bien, oui continue), les refus et les suivis (plus, continuer, montre-moi plus, toute autre option). Collez-le dans le filtre et vous obtiendrez un aperçu instantané et gratuit du rapport que vous avez déjà ouvert.
Par ailleurs, son étude de cas du 12 janvier 2026 a montré que les clics en mode IA sont suivis dans la Search Console, mais que les requêtes qui les sous-tendent sont presque exclusivement anonymisées, une mise en garde qui pèse sur chaque méthode ici.
Méthode 3 : Visualiseur GSC avancé d’Amin Foroutan
Advanced GSC Visualizer d’Amin Foroutan est une extension Chrome gratuite qui intègre des graphiques avancés, des annotations et un assistant IA sur les données de votre Search Console, avec un accès API en un clic. Il n’y a pas de filtre spécifique au mode AI.
Méthode 4 : Mes serveurs MCP
Ma Search Console MCP intègre le détecteur de conversation en tant qu’outil appelé genai_conversation_queries, et mon BigQuery MCP exécute le même détecteur pour l’exportation groupée, où se trouve le pool de requêtes anonymisées. Les deux fonctionnent localement, de sorte que vos données circulent uniquement entre vous et Google. Ce qu’ils font bien, c’est l’automatisation et la mise à l’échelle avec des étiquettes au niveau de la requête sur chaque ligne. La limite est la configuration plutôt que la détection, puisque vous avez besoin d’un client MCP et d’une configuration, ils conviennent donc aux utilisateurs techniques.
Les 4 méthodes côte à côte
| Méthode | Fort à | Limites |
|---|---|---|
| Glenn Gabe, API vers Excel avec Claude | Inventaire complet des requêtes dans un workflow Excel | Tri par exécution, basé sur des modèles |
| Jean-Christophe Chouinard, regex personnalisé | Filtre gratuit instantané dans le rapport | Liste de modèles anglais |
| Amin Foroutan, Visualiseur GSC avancé | Cartographie et exploration sans exportations | Pas de filtre spécifique au mode AI |
| Mes MCP | Automatisation et mise à l’échelle, étiquettes sur chaque requête | Nécessite un client MCP et une configuration |
Regardez la colonne Limites et les trois premiers partagent un écart. Les listes de modèles et le tri par exécution ne peuvent pas détecter de manière fiable les cas extrêmes tels que les sondes de suivi de classement, les invites de harnais d’agent, les chaînes collées ou les sondes « ma position est ». Ils sont également conçus pour l’anglais, donc une réponse en tamoul ou une chaîne en hinglish mélangée à du code circule sans étiquette. La méthode 4 résoudra ce problème avec un modèle ML personnalisé.
Pourquoi cela nécessite un modèle ML
Classer chaque requête dans des compartiments nommés, dans toutes les langues, avec les étranges chaînes générées par la machine incluses est très difficile à faire avec précision avec les méthodes conventionnelles. Parce qu’il existe de nombreux cas extrêmes, etc. Le seul moyen fiable de faire fonctionner cela est donc de former un modèle d’apprentissage automatique.
J’ai donc décidé d’en construire un.
Comment j’ai construit le détecteur
Le détecteur comporte deux parties. Les règles déterministes possèdent les classes exactes (artefacts de réponse, sondes de suivi, invites d’utilisation d’agents) et un modèle entraîné possède la frontière floue entre conversationnel, longue traîne et ordinaire.
Le modèle est la base xlm-roberta de FacebookAI, pré-entraînée sur 100 langues et affinée sur mon propre échappement de conversation étiqueté Search Console ainsi que des lignes synthétiques dans huit langues, y compris un mélange de code Tanglish et Hinglish. Je l’ai validé sur un peu plus de 120 000 requêtes évaluées et je l’ai recyclé deux fois sur ce qui tombait en panne. Il fonctionne de manière quantifiée sur un conteneur Cloudflare à l’échelle zéro, et le même modèle alimente désormais un outil gratuit que tout le monde peut utiliser sans aucune configuration.
L’outil
Cet outil est le classificateur de requêtes AI Mode et AI Overview, gratuit sur ce site, et vous n’avez pas besoin de vous inscrire ni de me donner votre e-mail.
Si l’itinéraire GSC MCP ressemblait à un effort, il s’agit du même détecteur sans cet effort.
Comment ça marche
Déposez les exportations de requêtes Search Console ou BigQuery au format CSV et plusieurs fichiers s’empilent en une seule exécution.
Étape 1 : Le modèle classera vos requêtes dans l’un des sept compartiments.
Étape 2 : Si vous ajoutez un rapport d’IA génératif de la Search Console, l’outil extraira les données de la page et les mappera à vos requêtes. (Dans votre rapport, vous verrez une colonne « Page AI ». Vous verrez l’URL complète lorsque vous exporterez le CSV.)
Les règles déterministes étiquettent les compartiments évidents directement dans votre navigateur, et ces requêtes ne quittent jamais votre appareil. Je fais cela parce que je veux minimiser la quantité de données que je traite et accélérer les choses.
Tout le reste va au modèle, est classé en mémoire et rien de tout cela n’est stocké. Chaque requête revient avec un bucket et un score de confiance. En termes simples, les catégories sont des requêtes conversationnelles complètes, des réponses courtes comme « oui, continuez », des pivots de suivi comme « et le plan professionnel », des sondes de suivi de classement, des invites d’exploitation d’agents, des chaînes collées et des recherches ordinaires. Vous pouvez filtrer par compartiment, classificateur et confiance, puis exporter chaque ligne étiquetée au format CSV sans limite de ligne.
Comment l’utiliser
Cinq étapes, du début à la fin.
- Sortez vos requêtes. Avec environ 1 000 requêtes, l’exportation normale du rapport de performances est déjà terminée. Les sites plus importants peuvent empiler plusieurs exportations filtrées, extraire la liste complète via l’API avec Search Analytics for Sheets ou Looker Studio, ou transférer la table d’exportation groupée BigQuery au format CSV. Si vous êtes SEO, vous savez déjà comment obtenir plus de 1000 requêtes sur GSC.
- Déposez le ou les CSV sur la page.
- Appuyez sur Classer.
- Filtrez ou recherchez dans la table étiquetée.
- Exportez le CSV étiqueté.
Limites
L’outil gère confortablement jusqu’à 100 000 requêtes uniques par exécution dans le navigateur, et une exécution importante nécessite que l’onglet reste ouvert, ce qui, j’accepte, est une façon de calculer très 2010. La deuxième limite s’applique à toutes les façons de suivre le mode AI dans Google Search Console, y compris la mienne. Google anonymise les requêtes rares ; les chaînes de conversation sont rares et une partie du pool ne s’affiche jamais, alors traitez les résultats de sortie comme un sous-dénombrement. Mon exportation BigQuery montre que 57,7 % de mes impressions ont été enregistrées dans le pool anonymisé au cours des 59 derniers jours, mesurés le 11 août 2026.
Le modèle me coûte de l’argent réel à utiliser, et comme vous me connaissez déjà, je ne vends rien et aucun de mes outils ne nécessite une quelconque forme d’inscription ou de paywall. Je dois donc mettre quelques limitations et plafonds pour que tout le monde puisse utiliser cet outil.
Alors, s’il vous plaît, jouez gentiment. Vous ne voulez pas être la personne qui gâche les choses.
L’outil est en version bêta et si de nombreuses personnes commencent à l’utiliser, il ralentira et le traitement pourrait prendre plus de temps. Dans ce cas, attendez et réessayez.
Veuillez également noter que j’offre mon temps et mon expertise gratuitement, alors n’exigez pas de support client, etc. Oui, je dois écrire ce genre de choses parce que certaines personnes n’agissent pas comme des adultes raisonnables.
Plus de 100 000 requêtes
Au-dessus de 100 000 requêtes uniques, nous devons plutôt effectuer une exécution par lots. Envoyez le vôtre, et mon agence l’exécutera comme un travail par lots approprié, puis vous enverra par e-mail les résultats complets. Nous pouvons également transformer les résultats en un rapport complet et exploitable, ou vous aider dans votre travail plus large de référencement IA.
Plus de ressources :
Cet article a été initialement publié sur Suganthan.
