Mise à jour BERT
La mise à jour BERT est le déploiement réalisé par Google en octobre 2019 qui a introduit BERT, un modèle de langage transformeur bidirectionnel, dans le classement de la recherche et la sélection des featured snippets. Il s'agissait du plus grand changement algorithmique opéré par Google en cinq ans et de la première fois que des modèles transformeurs profonds intervenaient dans la recherche en temps réel à grande échelle.
La mise à jour BERT est le déploiement réalisé par Google en octobre 2019 qui a introduit BERT, un modèle de langage transformeur bidirectionnel, dans le classement de la recherche et la sélection des featured snippets. Il s'agissait du plus grand changement algorithmique opéré par Google en cinq ans et de la première fois que des modèles transformeurs profonds intervenaient dans la recherche en temps réel à grande échelle.
Pourquoi c'est important
BERT a fait le pont entre la recherche par correspondance de mots-clés et la recherche fondée sur le sens. Avant BERT, Google pouvait comprendre mot à mot les requêtes « isolées » mais butait sur les prépositions, la négation et l'ordre des mots. Après BERT, des requêtes comme « 2019 brazil traveler to usa need a visa » pouvaient être correctement comprises : Google a saisi que « to » avait son importance et que la requête concernait des Brésiliens voyageant vers les États-Unis, et non des Américains voyageant vers le Brésil. Ce fut le début de l'ère des transformeurs chez Google, menant directement à MUM (2021), aux AI Overviews (2024) et à l'AI Mode (2025). Comprendre BERT aide à expliquer pourquoi « écrire pour le lecteur, pas pour les mots-clés » est devenu une véritable stratégie SEO et pas seulement un slogan.
Ce que fait réellement BERT
BERT, pour Bidirectional Encoder Representations from Transformers, est un modèle de Google Research datant de 2018. La partie « bidirectionnelle » est essentielle : contrairement aux modèles antérieurs qui lisaient le texte de gauche à droite, BERT examine chaque mot d'une phrase dans le contexte de tous les autres mots, dans les deux directions, simultanément. Cela lui permet de comprendre :
L'ordre des mots : « Can you get medicine for someone pharmacy » et « Can someone get medicine at a pharmacy for you », des sens différents.
Les prépositions : « to », « from », « for », « with », de petits mots qui inversent l'intention de la requête.
La négation : « do not » et « do », facilement manquée par les modèles fondés sur les mots-clés.
La polysémie : « bank » (rive) et « bank » (établissement financier), tranchée par les mots environnants.
Là où Google a utilisé BERT
Compréhension des requêtes : déterminer ce que l'utilisateur voulait réellement dire.
Sélection des featured snippets : choisir le passage qui répond véritablement à la question, et non simplement celui qui contient des mots-clés correspondants.
Ajustement du classement : a affecté environ 10 % des requêtes de recherche en anglais au lancement, le plus grand changement depuis RankBrain (2015).
Extension multilingue : en quelques mois, Google a étendu BERT à plus de 70 langues, dont le coréen.
Ce que BERT n'a pas fait
Backlinks : BERT a changé la façon dont Google comprenait les requêtes, pas la façon dont il valorisait les liens.
Détection de la qualité du contenu : cela est venu plus tard avec les mises à jour helpful content.
Autorité du site : les signaux d'autorité de domaine n'ont pas été directement affectés.
Compatibilité mobile, Core Web Vitals : des signaux distincts.
BERT portait spécifiquement sur la couche de compréhension du langage de la recherche.
Comment BERT a changé la pratique du SEO
Le bourrage de mots-clés est devenu encore moins efficace : répéter 30 fois « meilleure plateforme de blog SEO » a nui plutôt qu'aidé pour une requête que BERT comprenait comme « quelle est la meilleure plateforme pour le blog SEO ? »
Les requêtes conversationnelles de longue traîne sont devenues plus faciles à cibler : les pages rédigées comme de véritables réponses à de véritables questions ont commencé à mieux se classer que les listes optimisées pour les mots-clés.
Le contenu fondé sur les questions a gagné du terrain : les pages structurées autour de « qu'est-ce que X » et « comment faire Y » en ont profité, car BERT a rendu Google meilleur pour associer les questions aux réponses contenues dans les passages.
Le trafic de longue traîne a explosé pour les sites qui écrivaient naturellement : en particulier sur les marchés non anglophones où les outils de mots-clés étaient faibles.
Cessez d'essayer de déjouer l'algorithme : BERT a été le moment où « écrire pour les humains » est passé du cliché à une stratégie légitime, parce que Google pouvait enfin faire la différence.
BERT et les modèles ultérieurs
| Modèle | Année | Rôle | Langues |
|---|---|---|---|
| RankBrain | 2015 | Premier ML dans la recherche | Anglais |
| BERT | 2019 | Transformeur bidirectionnel pour la compréhension des requêtes | Anglais, puis plus de 70 |
| MUM | 2021 | Multilingue et multitâche, capacité 1000 fois supérieure à BERT | Plus de 75 |
| Search Generative Experience / AI Overviews | 2024 | Synthèse de réponses générées | Langues principales |
| AI Mode | 2025 | Interface de recherche complète de type conversation | En expansion |
Chaque étape s'appuie sur la précédente. BERT reste la fondation : les modèles plus récents prolongent sa compréhension des requêtes plutôt que de la remplacer.
Erreurs courantes (hier et aujourd'hui)
Essayer d'« optimiser pour BERT » en particulier : BERT n'est pas un facteur de classement que l'on optimise ; c'est un système de compréhension des requêtes qui récompense le langage naturel, quoi qu'il arrive.
Supposer que BERT a entièrement tué les mots-clés : les mots-clés comptent toujours comme signaux ; BERT ne fait que sanctionner le bourrage mécanique.
Lire des conseils sur BERT datant de 2019 en 2026 : la plupart ont été supplantés par les recommandations helpful content et les réalités de la recherche IA.
Confondre BERT et helpful content : BERT portait sur la compréhension des requêtes ; helpful content portait sur l'évaluation de la qualité des pages. Des couches différentes.
Sources :