Qu’est-ce que l’intention de recherche en SEO ?

L’intention de recherche (ou search intent) désigne l’objectif principal et la motivation d’un internaute lorsqu’il saisit une requête dans un moteur de recherche. En SEO, on classe traditionnellement cette intention en quatre grandes catégories : informationnelle, navigationnelle, commerciale et transactionnelle.

Le concept vient directement de l’IR (Information Retrieval). Avant même l’ère des LLM, les moteurs modélisaient déjà la requête comme un signal ambigu à désambiguïser. En 2026, cette lecture est devenue neuronale, contextuelle et multimodale — mais le socle reste le même : matcher un besoin humain avec un document.

Cet article se concentre sur la taxonomie des intentions et le mapping contenu ↔ intention. Pour une vue d’ensemble du fonctionnement de l’algorithme Google, remontez vers l’article pilier du cluster.

Comment classer les types d’intentions de recherche ?

Cette taxonomie n’est pas cosmétique : elle correspond à des signatures observables dans la SERP. Un même mot-clé change d’intention selon les modificateurs, la saisonnalité, la localisation. Un SEO qui ne lit pas la SERP avant d’écrire travaille à l’aveugle.

Qu’est-ce qu’une intention informationnelle ?

L’intention informationnelle se caractérise par la recherche d’une réponse, d’une donnée ou d’une explication sans volonté d’achat immédiat. L’utilisateur veut comprendre, apprendre, se documenter.

Ces requêtes se reconnaissent aux modificateurs interrogatifs : comment, pourquoi, qu’est-ce que, définition, guide, tutoriel. Elles déclenchent typiquement dans la SERP :

• des Featured Snippets (position zéro extrayant une réponse courte) ;
• des Knowledge Panels quand l’entité est présente dans le Knowledge Graph ;
• des blocs People Also Ask qui déclinent les sous-questions ;
• des résultats vidéo ou Google Images selon la modalité du besoin.

Concrètement : « qu’est-ce que le BM25 » ou « comment fonctionne RankBrain » sont des intentions informationnelles. Le contenu attendu est pédagogique, structuré en questions-réponses, avec des définitions extractibles. C’est ici que la citabilité par les LLM devient un enjeu de fond : une intention informationnelle mal servie perd le clic ET la citation.

Comment identifier une intention navigationnelle ?

L’intention navigationnelle intervient lorsque l’utilisateur cherche à atteindre un site, une page ou une marque spécifique dont il connaît déjà l’existence.

Requêtes typiques : « iaba tech », « connexion linkedin », « blog abondance ». L’utilisateur ne veut pas comparer, il veut arriver. L’enjeu SEO se déplace :

Quelle est la différence entre intention commerciale et transactionnelle ?

L’intention commerciale correspond à la phase de comparaison et d’investigation avant achat, tandis que l’intention transactionnelle traduit une volonté d’achat immédiate et précise.

Cette nuance est vitale et pourtant régulièrement écrasée dans les briefs. Les deux intentions demandent des formats radicalement différents :

Confondre les deux, c’est envoyer une page produit sur une requête « meilleur X » (échec quasi-garanti) ou pousser un comparatif éditorial sur « acheter X » (mismatch d’intention, taux de rebond élevé, chute progressive du classement).

Comment l’algorithme de Google analyse-t-il l’intention de l’utilisateur ?

Pour comprendre le fonctionnement de l’algorithme Google, il faut s’intéresser à ses modèles de traitement du langage naturel. Google ne « lit » pas une requête comme un humain : il la projette dans un espace vectoriel, la confronte à des documents indexés, puis rerange les résultats à partir de signaux comportementaux et de qualité.

Quel est le rôle de RankBrain, BERT et MUM ?

RankBrain, BERT et MUM sont des systèmes d’intelligence artificielle utilisés par Google pour analyser le contexte d’une requête et comprendre l’intention réelle derrière des mots ambigus.

Chacun couvre un rôle distinct dans la chaîne de traitement :

1. RankBrain (2015)

   Premier système de machine learning intégré au ranking. Il projette les mots dans un espace vectoriel (word embeddings) pour rapprocher des requêtes jamais vues auparavant de requêtes déjà comprises. Utile sur les requêtes rares et longues, qui représentent une part significative du trafic quotidien.

2. BERT (2019)

   Bidirectional Encoder Representations from Transformers. Lit une phrase dans les deux sens simultanément, ce qui lui permet de saisir le rôle des mots-outils (prépositions, conjonctions). Une requête comme « voyage Brésil vers USA visa 2026 » n’a pas le même sens si l’on inverse « vers ». BERT s’occupe précisément de ce contexte.

3. MUM (2021)

   Multitask Unified Model, présenté comme 1 000 fois plus puissant que BERT selon Google. Multimodal (texte, image), multilingue, capable de raisonner sur des tâches complexes. Utilisé sur des requêtes exploratoires où plusieurs sources et langues doivent être combinées.

4. Neural matching

   Système transverse qui rapproche requêtes et documents par concepts et synonymes, au-delà des mots exacts. C’est lui qui permet à une page parlant de « voiture électrique autonomie » de matcher une requête « combien de km fait une Tesla ».

Comment le BM25 et le TF-IDF évaluent-ils la pertinence textuelle ?

Le BM25 et le TF-IDF sont des algorithmes de recherche d’information mesurant l’importance d’un terme dans un document par rapport à un corpus global. Ils constituent le socle historique sur lequel les couches neuronales sont venues se greffer.

Le TF-IDF (Term Frequency – Inverse Document Frequency) repose sur une idée simple : un mot est important dans un document s’il y apparaît souvent (TF) et s’il est globalement rare dans le corpus (IDF). Un mot omniprésent partout (« de », « le ») n’apporte aucune information discriminante ; un mot rare qui revient dans une page signale que la page traite vraiment de ce sujet.

Le BM25 (Best Matching 25, Robertson & Zaragoza) est une évolution probabiliste du TF-IDF avec deux améliorations majeures :

C’est précisément ce qui permet au moteur de mapper un texte long à une intention courte : le BM25 « voit » qu’un article de 3 000 mots répond à une requête de 4 mots, à condition que la densité et la structure soient cohérentes. Pour aller plus loin sur ce socle, voir le focus TF-IDF et BM25 du cluster.

Quel est l’impact du Knowledge Graph sur le contexte ?

Le Knowledge Graph permet à Google de passer d’une logique de chaînes de caractères à une logique d’entités, structurant ainsi l’intention autour de concepts réels. C’est le fameux slogan interne : « things, not strings ».

Pour un SEO, la conséquence est directe : lier explicitement votre marque, vos auteurs et vos concepts à leurs identifiants Wikidata via sameAs aide Google à comprendre de quoi parle votre page, et donc à quelle intention elle répond. Une page auteur sans identité vérifiable est un signal faible sur les requêtes YMYL.

« L’intention de recherche n’est plus interprétée mot par mot. Elle est projetée dans un graphe d’entités, croisée avec un historique de session et pondérée par la qualité perçue de la source. Écrire pour Google en 2026, c’est écrire pour ce triple filtre. »

Comment faire le mapping parfait entre contenu et intention ?

Quels formats de contenu pour quelles intentions ?

Le format du contenu doit refléter la taxonomie de la requête : articles de fond pour l’informationnel, comparatifs pour le commercial, landing pages optimisées pour le transactionnel.

Mais cette règle générale ne suffit pas. En pratique, la SERP dicte l’UX bien plus que les guides théoriques. Si Google affiche dix listes à puces pour une requête, l’intention exige un format liste — quelle que soit votre préférence éditoriale.

Retour terrain — sur un client du secteur SaaS B2B, nous avons observé qu’un simple repositionnement d’une page produit vers un format comparatif (l’intention réelle de la requête ciblée était commerciale, pas transactionnelle) suffisait à débloquer une progression durable sur plusieurs mois, sans modification du netlinking. La forme ne fait pas tout, mais un mismatch de forme plafonne tout.

Comment les Quality Raters évaluent-ils la satisfaction de l’intention ?

Les Quality Raters humains de Google évaluent si un contenu répond à l’intention de recherche en se basant sur le critère Needs Met (Besoins satisfaits) et les signaux E-E-A-T.

Les Quality Raters ne classent pas directement les pages : ils évaluent la qualité perçue de la SERP pour entraîner et calibrer les algorithmes. Leurs Search Quality Rater Guidelines (document public de plus de 170 pages) définissent une échelle Needs Met :

Le lien avec l’E-E-A-T est direct : sur les requêtes YMYL, l’intention ne peut être considérée comme satisfaite si l’auteur ne démontre pas Expérience, Expertise, Autorité et Fiabilité. Un article médical parfaitement écrit par un anonyme sans crédential ne « Meets » jamais l’intention sur ces requêtes.

Quelles sont les statistiques clés sur l’intention de recherche ?

Que nous disent les données sur le comportement de recherche ?

Face à ce phénomène, l’intention transactionnelle devient le nerf de la guerre : elle génère encore des clics rentables. L’informationnelle, elle, demande d’optimiser pour le Featured Snippet, le Knowledge Panel et — de plus en plus — pour la citation par les moteurs génératifs (ChatGPT, Perplexity, Gemini, Claude, AI Overviews). On accepte parfois de « sacrifier le clic » pour gagner en autorité topique et en présence dans les réponses IA.

C’est là que le GEO prend le relais du SEO classique sur l’intention informationnelle. Chez iaba, agence GEO, on observe régulièrement que les pages structurées en questions-réponses courtes, avec définitions extractibles et sources vérifiables, sont mieux reprises par les IA génératives — même quand elles perdent le clic dans la SERP classique.

« Sur les intentions informationnelles à faible potentiel de conversion, le vrai KPI n’est plus le clic mais la citation. Une page qui n’est pas citée par ChatGPT ou Perplexity sur sa requête cible perd deux fois : une fois dans la SERP zéro-clic, une fois dans la réponse IA. »

L’intention de recherche en résumé

La taxonomie en quatre types — informationnelle, navigationnelle, commerciale, transactionnelle — reste le point d’entrée. Mais elle n’est utile que si elle guide vers un mapping opérationnel : lire la SERP, aligner le format, servir l’entité, prouver l’expertise. Les modèles neuronaux (RankBrain, BERT, MUM) et probabilistes (BM25, TF-IDF) n’inventent pas l’intention : ils la révèlent, à condition qu’un humain ait pris le temps de la comprendre.

La bascule 2026 ajoute une couche : la citabilité par les moteurs génératifs. Une page bien mappée dans la SERP classique peut être ignorée par les LLM si elle n’est pas structurée en réponses autonomes, sourcée et rattachée à des entités reconnues. L’intention utilisateur reste le socle ; sa satisfaction se joue désormais sur deux écrans à la fois.

Questions fréquentes sur l’intention de recherche