Deep dive : comment Discover prédit votre attention (scores, personnalisation, embeddings)

Chaque carte de votre flux porte des prédictions

Ouvrez Discover. Chaque carte que vous voyez, et chaque carte que vous ne verrez jamais, a été évaluée par une batterie de modèles qui prédisent votre comportement : allez-vous vous arrêter, cliquer, lire en profondeur ? Ces prédictions existent, elles sont chiffrées, et depuis des mois nous en observons les traces sur de vrais flux.

Cet article détaille ce que nous avons appris de ces scores : comment ils se structurent, comment ils collent au comportement réel, et pourquoi la personnalisation, bien plus que le sujet de l'article, décide de l'amplification. Le vocabulaire n'est d'ailleurs plus un secret : une offre d'emploi récente de Google pour son équipe « Discover Ranking » nomme noir sur blanc les briques du système : « retrieval, prediction, ranking, embedding ». Nous décrivons ici les traces mesurables des deux dernières. Le détail de nos sources et de nos limites est regroupé en fin d'article, dans la section Méthodo.

Neuf scores, deux dimensions

Le fait de départ : chaque carte Discover porte un lot de scores de prédiction, des probabilités comprises entre 0 et 1. Nous en avons isolé environ neuf. Nous les avions évoqués publiquement fin 2025 sous le nom de « scores multi-objectifs » (voir Inside Google Discover's New Internal Signals, décembre 2025). À l'époque, impossible de savoir à quoi correspondait chacun. Depuis, en croisant beaucoup de données, nous avons pu leur donner des rôles, avec des niveaux de confiance variables.

Malgré leur nombre, ces scores se ramènent pour l'essentiel à deux dimensions indépendantes :

• Un axe attention, propre à l'article. Il répond à la question « l'utilisateur va-t-il s'arrêter sur cette carte ? ». Il varie peu d'un utilisateur à l'autre pour un même article. Il regroupe un score d'arrêt visuel et son miroir presque parfait, un score de « scroll-past » (le risque que la carte soit dépassée sans un regard).
• Un axe engagement, propre au couple utilisateur/contenu. Il répond à « l'utilisateur va-t-il cliquer, lire en profondeur, interagir ? ». Il varie beaucoup d'un utilisateur à l'autre pour un même article. Il regroupe un score d'engagement profond et un score de profondeur de lecture.

Les deux axes sont peu corrélés entre eux : ils mesurent des choses différentes. Un titre peut capter l'attention sans engager (le schéma classique du clickbait), ou engager fortement une niche sans capter l'œil de la majorité.

Chaque point est une carte de notre panel, positionnée par son score d'attention (horizontal) et son score d'engagement profond (vertical). Les deux varient presque indépendamment (corrélation proche de zéro). En haut à droite, le contenu qui capte et engage. En bas à droite, ce qui capte l'œil sans retenir (le schéma clickbait). En haut à gauche, ce qui engage une niche sans capter la majorité. Les lignes marquent les médianes du panel.

Des prédictions calibrées sur le comportement réel

Loin d'être décoratifs, ces scores s'alignent, dans nos mesures, sur l'engagement observé :

• Plus le score d'engagement profond est élevé, plus le taux d'interaction observé sur notre panel monte, dans un rapport d'environ 2 entre le bas et le haut de l'échelle.
• Le score de scroll-past va dans l'autre sens : plus il est haut, moins la carte est consultée, avec une pente régulière et continue.
• Combinés (forte profondeur d'engagement et faible scroll-past), le taux d'interaction observé double à nouveau, à peu près.

Les tendances relatives sont nettes : les prédictions de Google collent au comportement que nous observons ensuite.

Indice d'interaction relatif sur notre panel (100 = moyenne), analyse mai 2026. À gauche, le score d'engagement profond : l'interaction monte avec le score, dans un rapport d'environ 2 entre le bas et le haut. À droite, le score de scroll-past : l'interaction baisse de façon régulière. Ce sont des tendances relatives, pas des taux de clic absolus.

La personnalisation est le vrai sujet

D'abord, le meilleur prédicteur n'est pas le même selon l'utilisateur. Sur certains de nos comptes, c'est le score d'attention qui anticipe le mieux le clic. Sur d'autres, c'est la profondeur d'engagement. Google semble pondérer ses modèles selon le comportement propre à chaque profil, plutôt que d'appliquer une recette unique.

Ensuite, l'affinité entre un lecteur et une source fait monter les scores d'engagement prédits pour ce contenu, ce qui fait monter l'amplification, ce qui apporte plus d'impressions. Le bouton « Suivre » est l'un des signaux qui nourrissent cette affinité ; les deux exemples ci-dessous montrent qu'il en faut d'autres. La boucle s'auto-renforce et favorise structurellement les sources avec lesquelles le lecteur a déjà un historique, même quand un concurrent moins familier propose un contenu au potentiel comparable.

Premier exemple, sur nos comptes de test. Prenons deux éditeurs de sport, sur la même verticale et les mêmes comptes. Leur potentiel de sujet, mesuré par un score d'engagement calculé en amont de la personnalisation, est du même ordre. Mais l'un des deux est bien plus présent dans le flux et, surtout, le modèle le juge plus engageant pour ces lecteurs. Résultat : son engagement profond prédit est environ 2 fois plus haut, et son amplification finale environ 8 fois plus forte. À potentiel de sujet égal, c'est donc la prédiction personnalisée (est-ce que ce lecteur précis va s'engager ?) qui pilote l'amplification, bien au-delà du thème de l'article. Détail frappant : l'éditeur dominant est celui que les comptes de notre panel suivent le moins, au sens du bouton « Suivre » de Google. Ce qui joue, c'est l'affinité déjà installée entre ces lecteurs et la source, davantage que le suivi déclaré. Nous présentons ce cas comme une illustration sur un petit échantillon.

Sur nos comptes de test, deux éditeurs de sport à potentiel de sujet quasi identique. Celui que le modèle prédit plus engageant (L'Équipe) obtient un engagement profond prédit environ 2 fois plus élevé et une amplification finale de l'ordre de 8 fois, alors même que les comptes du panel le suivent moins que l'autre.

Le même test, répliqué sur un panel américain avec deux éditeurs de sport US (ESPN et le site officiel de la ligue, NFL.com), montre la même mécanique avec un effet plus modeste : engagement profond prédit supérieur (0,22 contre 0,13) et amplification finale ×1,28 pour la source que le modèle juge plus engageante, à potentiel de sujet comparable. L'ampleur varie selon les marchés et les panels ; la direction, elle, est constante.

Réplication sur panel US : ESPN vs NFL.com, à potentiel de sujet comparable. Même direction que le cas français, avec un écart plus modeste (amplification ×1,28).

Second exemple, en miroir : le poids du suivi à source constante. Pour un même éditeur tech (9to5Google), à potentiel de sujet égal, les comptes qui le suivent obtiennent un engagement profond prédit presque deux fois supérieur à celui des comptes qui ne le suivent pas, une profondeur de lecture un peu plus haute, et une amplification légèrement supérieure. Pris isolément, le bouton « Suivre » agit comme un signal parmi d'autres qui nourrit l'affinité ; ajouté à un historique déjà installé avec la source, il tire nettement la prédiction d'engagement vers le haut. C'est le pendant du premier cas : l'affinité fait la décision, le suivi y contribue.

Même éditeur (9to5Google), sur nos comptes de test, à potentiel de sujet égal. Base 100 = comptes qui ne suivent pas la source. Les comptes qui la suivent ont un engagement profond prédit presque doublé, une profondeur de lecture un peu plus haute et une amplification légèrement plus forte, alors que le potentiel de sujet reste identique (le contrôle).

« Engaging » n'est pas « useful »

Google lui-même distingue, dans sa communication comme dans sa recherche publiée, l'engagement de la satisfaction : cliquer et rester n'est pas la même chose qu'être satisfait. Ces scores portent le versant engagement. Le versant « utile » (la qualité, la satisfaction réelle) semble porté par d'autres signaux. Un score d'engagement élevé ne raconte donc qu'une moitié de l'histoire.

En amont des prédictions : comment l'utilisateur est représenté

Pour prédire, le système a besoin d'une représentation compacte de l'utilisateur et du contenu. Ce sont les embeddings¹ : des vecteurs de nombres qui placent côte à côte les utilisateurs et les contenus qui se ressemblent.

Nos observations convergent : Google paraît maintenir plusieurs familles de représentations par utilisateur, plutôt qu'un vecteur unique, chacune sur une fenêtre de temps et un usage différents :

• les intérêts Discover, sous la forme d'un profil principal et d'une variante de court terme, une famille que nous avons relevée sous le nom interne « Astria »,
• une famille orientée tendances, « Hobbes »,
• une famille temps réel, « Deep Now »,
• une famille, « Monet », repérée d'abord côté shopping. Un canal de retrieval du même nom apparaît aussi derrière des cartes de résumé par IA sur la presse finance et tech, ce qui suggère un usage plus large que le seul shopping. Ce rapprochement repose sur le seul nom du canal : une piste à suivre.

Ces vecteurs alimentent un retrieval dit « à deux tours »² : une tour pour l'utilisateur, une tour pour le contenu, et une recommandation naît d'une proximité entre les deux dans l'espace vectoriel.

Au-delà de ces familles, Google paraît aussi garder un profil distinct par canal de retrieval, et apprendre quels canaux servent le mieux chaque utilisateur : en plus des représentations multiples de la personne, une forme de mémoire de quels canaux lui conviennent.

« Monet » semble par ailleurs reposer sur des embeddings « orthogonalisés », conçus pour résister à la manipulation : un signal gonflé artificiellement cesse d'influencer les recommandations, sans que le contenu soit pour autant marqué comme indésirable (d'après des travaux publics de Google sur ce type d'embeddings).

L'utilisateur est représenté par plusieurs familles d'embeddings nommées (Astria pour les intérêts Discover, profil principal et variante court terme, Hobbes pour les tendances, Deep Now en temps réel, Monet, orthogonalisé, repéré côté shopping et, sous le même nom, derrière des résumés par IA de presse). Ces vecteurs alimentent une tour utilisateur ; le contenu alimente une tour contenu ; la proximité des deux dans un espace vectoriel partagé produit les candidats récupérés. Schéma : noms observés, rôles interprétés.

Ce que ça change pour un éditeur

Trois conséquences pratiques ressortent de tout cela :

1. L'affinité installée pilote l'amplification. À potentiel égal, la prédiction personnalisée, nourrie par l'historique entre le lecteur et la source, fait la différence. Fidéliser (lectures répétées, interactions, suivi) est un levier mesurable de la diffusion de vos contenus dans les flux et, dans nos tests, il pèse davantage que le suivi déclaré via le bouton « Suivre ».
2. L'attention et l'engagement se travaillent séparément. Un titre qui capte sans retenir nourrit le mauvais axe ; un contenu profond qui n'arrête pas l'œil n'entre jamais dans la boucle. Les deux axes étant quasi indépendants, les diagnostics le sont aussi.
3. L'engagement n'est que la moitié de l'histoire. Les signaux de satisfaction existent à côté ; optimiser le clic au détriment de la satisfaction, c'est gagner un axe en perdant l'autre.

Ces mécanismes bougent encore. Nous continuerons à les suivre, carte après carte. C'est notre façon de naviguer : sans le plan du navire, mais en relevant chaque signal qui passe, et en tenant la carte à jour.

Méthodo et limites

Nos observations viennent d'un panel de comptes de test suivis dans la durée, sur de vrais flux Discover (analyse des scores : mai 2026). « Suivi » s'entend partout au sens du bouton « Suivre » de Google, mesuré sur les comptes de notre panel. Les libellés donnés aux scores (attention, scroll-past, engagement profond, profondeur de lecture) sont nos hypothèses, fondées sur leur comportement : nous ignorons comment Google les nomme, et au moins deux scores résistent encore à une lecture propre. Les valeurs absolues dépendent de notre méthode de mesure ; seules les tendances relatives font foi. Les cas éditeurs (L'Équipe/FootMercato et ESPN/NFL.com pour la personnalisation, 9to5Google pour le suivi) sont des illustrations sur de petits échantillons : ils montrent une mécanique, ils ne la démontrent pas à l'échelle. Les noms de familles d'embeddings (Astria, Hobbes, Deep Now, Monet) sont observés ; les rôles que nous leur prêtons sont des interprétations, et le rapprochement Monet shopping/presse repose sur le seul nom du canal. Certains points resteront indécidables de l'extérieur ; là où nous ne pouvons pas trancher, nous le signalons. Données et observations : 1492.vision, à partir de l'analyse de vrais flux Google Discover et de la recherche publique disponible ; les mécanismes internes présentés sont nos interprétations, pas des confirmations de Google. Google et Google Discover sont des marques déposées de Google Inc. Nous n'avons aucun lien avec Google.