« Tailor Your Feed » : le fan-out Discover qui fait émerger les sites de niche

Ce que vous allez découvrir

« Tailor Your Feed » est la première fois qu’un utilisateur peut façonner son feed Discover en écrivant, en langage naturel, ce qu’il veut voir. Nous l’avons suivi depuis sa première apparition dans Search Labs¹ (US) jusqu’au pipeline² qui l’alimente. Dix points clés :

1. Une couche de contrôle explicite. Votre prompt est transformé en actions SEE_MORE / SEE_LESS, appliquées après un rafraîchissement du feed.
2. Vraisemblablement un LLM³ sous le capot. Un thread de conversation persistant, et votre prompt transformé en instructions appliquées à votre feed (en temps réel et dans la durée).
3. Le changement de nom. « Tailor Your Feed » est devenu « Add topics to your feed » au printemps 2026, avec une entrée de type chat.
4. Le pipeline back-end. historicalnaturallanguagetuningcontent.f⁴, le jumeau « historique » de naturallanguagetuningcontent.f.
5. Deux façons de choisir le contenu. L’expansion par entités⁵ / intérêts (la majorité) vs un fan-out⁶ par query intent⁷ (la minorité), ce dernier étant le mécanisme GEO⁸ à l’intérieur de Discover.
6. Une attribution visible. Le label « You asked to see », le tag « resulting from natural language tuning », et un historique des prompts dans My Activity.
7. Des sites de niche et de petits créateurs mis en avant. Créateurs de recettes vegan, Mississippi Today, un post LinkedIn, des blogs de niche sur l’immobilier japonais et, à titre d’illustration du comportement du retrieval⁹, des éditeurs hors des grands médias habituels (VentureBeat remonté sur un prompt « sites de niche », sans être un petit site).
8. Un contournement de la popularité. Ce pipeline porte surtout du contenu qui n’avait quasiment jamais circulé dans Discover auparavant, à l’inverse des pipelines classiques qui re-servent des articles déjà populaires.
9. Ce que ça change pour les éditeurs. Le pouvoir de sélection passe à l’utilisateur, ouvrant une troisième voie de visibilité pour les petits sites de niche.
10. Encore EN-only, encore naissant. Search Labs US uniquement (FR ≈ 0 %), adoption encore timide. La suite.

Méthodologie

Cet article combine deux flux d’observation :

• Un suivi terrain de la fonctionnalité dans l’app Google depuis décembre 2025 : états de l’UI, réponses serveur, tags d’attribution, et comportement du feed après chaque « Refresh / Update your feed ». Capturé sur nos appareils de test, comptes Search Labs US (anglais).
• Une lecture fine du feed lui-même : chaque carte peut être rattachée au pipeline qui l’a sélectionnée. En isolant les cartes servies par historicalnaturallanguagetuningcontent.f, on décrit le comportement de ce pipeline par rapport au reste du feed, à partir des données de suivi 1492.vision.

Trois précisions de formulation, volontaires :

• On décrit des résultats de distribution¹⁰, si un article avait déjà circulé dans Discover auparavant, pas des chiffres d’audience bruts. Quand on dit qu’une carte « n’a pas de distribution Discover antérieure », cela signifie qu’on ne trouve aucune trace de diffusion préalable dans notre base de suivi Discover.
• Aucun identifiant de compte n’apparaît dans cet article. Les exemples sont présentés sous la forme prompt → résultat, anonymisés.

Les mécanismes internes ci-dessous sont notre interprétation des données observées et de la recherche publique. Lorsqu’une date est inférée plutôt qu’ancrée, on le signale.

1) Ce qu’est « Tailor Your Feed » : une couche de contrôle explicite

Pendant des années, la personnalisation de Discover était implicite : Google inférait vos intérêts à partir des clics, du temps de lecture, des follows. « Tailor Your Feed » ajoute l’inverse, une couche explicite où vous écrivez simplement ce que vous voulez.

L’entrée actuelle en haut du feed : « What do you want to see? » avec un champ « Add topics to your feed ».

La fonctionnalité ouvre un panneau de type chat. On peut choisir un modèle proposé ou écrire librement.

La carte d’introduction « Tailor your feed » d’origine : « Say what you want in your own words », avec un bouton « Try now ».

Prompts suggérés : « Start showing me women’s basketball », « Keep me updated on country music », « Show me more of Cara Nicole’s videos », avec un champ libre « Ask for the kind of content you want ».

Ces suggestions correspondent à quatre intentions que les réponses serveur exposent : SEE_MORE, KEEP_UPDATED, CREATOR_MORE et SEE_LESS. Ce que vous écrivez est interprété en une (ou plusieurs) de ces actions, puis appliqué au feed une fois validé avec « Refresh / Update your feed ».

La fonctionnalité a été déployée via Search Labs, aux États-Unis uniquement.

L’entrée Search Labs : « Make your Discover feed truly yours by saying what you want to see. » Bêta, US uniquement.

Les itérations suivantes ont transformé le champ libre en modèles de départ explicites : « Show me content from… », « I want videos about… », « Keep me updated… ». Les mêmes verbes, désormais sous forme de chips.

Le panneau « What do you want to see? » avec ses modèles de départ : « Show me content from… », « I want videos about… », « Keep me updated… ».

2) Sous le capot : vraisemblablement un LLM qui transforme les prompts en actions

Le déroulé est simple : prompt → interprétation → réponse lisible + un résultat actionnable. Vous tapez un prompt, l’assistant répond en langage clair et propose des changements concrets, et un tap sur « Update your feed » les valide.

Une réponse représentative, observée dans les échanges de données pour le prompt « show me more content on seroundtable.com », ressemble à ceci :

{
  "feature": "Discover • Tailor your feed",
  "locale": "en-US",
  "thread_key": "chat_thread_key_082fa565-234a-451c-9318-1e9af8b9d734",
  "user_prompt": "show me more content on seroundtable.com",
  "assistant_text": "I can show you more content from Search Engine Roundtable (SERoundtable.com) related to your interests. Refresh your feed to apply these changes.",
  "result": {
    "status": "UNDERSTOOD_AND_ACTIONABLE",
    "actions": ["SEE_MORE"],
    "show_call_to_action": true,
    "count": 1
  },
  "ui_state_code": 2
}

Le prompt in-app qui a produit la réponse ci-dessus : « show me more content on seroundtable.com », et la réponse de l’assistant se terminant sur « Refresh your feed ».

Trois éléments ressortent :

• Un thread persistant. Le thread_key est stable d’un échange à l’autre, votre réglage est une conversation, pas un coup unique. Le même thread est de nouveau référencé quand, plus tard, une carte est rattachée à l’un de vos prompts passés.
• Des actions, pas des sujets. La réponse renvoie actions: ["SEE_MORE"]. Demandez à retirer un sujet et vous obtenez ["SEE_LESS"] ; un prompt nuancé peut renvoyer les deux, par ex. « new country music releases… but no celebrity gossip » donne ["SEE_MORE", "SEE_LESS"].
• Injection de contexte local. Les réponses sont interprétées avec votre contexte (locale, langue, localisation). Un « keep me updated about NBA » générique est revenu avec « Updates on the Brooklyn Nets », une équipe locale injectée depuis le contexte.

« keep me updated about nba » → l’assistant propose scores, actu équipes/joueurs, et « Updates on the Brooklyn Nets », une entité injectée localement.

Côté Google, votre phrase est transformée en un jeu d’instructions qui alimente l’étape de retrieval, avec une voie « offline » (appliquée dans la durée) et une voie en temps réel. C’est, à notre lecture, le glissement architectural que la fonctionnalité incarne : des vecteurs d’intérêts inférés vers un profil en langage naturel que vous écrivez vous-même.

3) Une chronologie sur six mois (décembre 2025 → juin 2026)

Nous avons documenté le déploiement au fil de l’eau. Dates ancrées sur des captures in-app et les changelogs de la fonctionnalité ; quelques-unes sont approximatives (signalées par « ~ »).

Décembre 2025 : première apparition (Search Labs, US). La fonctionnalité apparaît avec tout ce qui est décrit plus haut : le panneau de chat, la réponse JSON, le thread persistant, les quatre intentions, l’injection de contexte local. Première impression : l’effet est subtil, après plusieurs rafraîchissements, on voit quelques cartes dans le thème, mais rien de spectaculaire. (note de terrain, exemple)

« I need a break from negative news. Show me more feel-good stories, but keep the local and breaking news. » L’assistant liste les types de contenus positifs à attendre, puis propose « Refresh your feed ».

Autre exemple précoce : « can you show me https://dev.to/ on my feed » → l’assistant propose des articles de programmation, des tutoriels web et de l’actu software.

~13 janvier 2026 : le tag d’attribution. Google commence à marquer les cartes « resulting from natural language tuning » après un rafraîchissement et l’arbitrage SEE_MORE/SEE_LESS, permettant, pour la première fois, de savoir quelles cartes un prompt a réellement modifiées. Un historique des prompts apparaît aussi dans My Activity. (note de terrain)

« ‘Tailor your feed’ preferences in Discover. View and manage your prompts. » Une surface My Activity dédiée (ici, vide).

~février 2026 : le tuning « historique », et ce que fait vraiment SEE_LESS. Un second tag apparaît, « historical natural language tuning », pour les cartes influencées par un prompt passé. En testant « fewer X posts », on a vu Google remplacer les cartes X (Twitter) par des vidéos YouTube, et, notable, demander à retirer un sujet ne le retire pas vraiment : on obtient SEE_LESS, mais le sujet n’est pas supprimé du feed. (note de terrain)

~février 2026 : le test « niche ». À la demande de « plus de sites de niche / petits sites », le feed est revenu, au premier rafraîchissement, avec 2 cartes sur 10 modifiées par le prompt (c’est un snapshot ponctuel, pas une moyenne), faisant émerger VentureBeat et Mississippi Today, le tout premier résultat étant piloté par la demande. (note de terrain)

~février 2026 : le test « entité ». À la demande de « plus d’articles d’un créateur précis », Google a compris les sujets liés à ce créateur (entités), a rafraîchi, et a fait remonter un post LinkedIn de celui-ci, tagué « natural language tuning content ». (note de terrain)

~avril 2026 : le rebrand + le label « You asked to see ». « Tailor your feed » devient « Add topics to your feed » avec une UI de chat, et un label visible « You asked to see » marque désormais les cartes servies par le pipeline. (rebrand, label)

Une carte labellisée « You asked to see » : un listicle de figures historiques d’AOL.

« You asked to see » sur un article politique du Guardian.

« You asked to see » sur des cartes Search Engine Roundtable, l’éditeur demandé plus tôt remonte explicitement.

22 mai 2026 : les query intents (le fan-out). On confirme qu’au-delà de l’expansion par entités, certaines cartes du pipeline portent un query intent stocké, le prompt décomposé en requêtes de retrieval spécifiques, sur le même schéma que le « fan-out » GEO. (Plus de détails en section 5.) (note de terrain)

« You asked to see » s’applique aussi à la vidéo : une carte YouTube Crunchyroll/One Piece remontée par un prompt.

Juin 2026 : état actuel. L’entrée affiche « Add topics to your feed », et la fonctionnalité fait désormais remonter de petits créateurs bien en dehors des grands éditeurs (section 6).

4) Le pipeline derrière : historicalnaturallanguagetuningcontent.f

Chaque carte Discover peut être rattachée au pipeline qui l’a sélectionnée. « Tailor Your Feed » correspond à un couple dédié :

• naturallanguagetuningcontent.f, du contenu basé sur vos préférences en langage naturel courantes.
• historicalnaturallanguagetuningcontent.f, du contenu basé sur des prompts passés qui continuent d’influencer le feed (le tag « historical » de la chronologie).

Le pipeline récupère le contenu de deux façons distinctes :

• Mode A : expansion par entités / intérêts (la majorité). D’après le comportement observé, le prompt est mappé vers des entités et des sujets, et le feed s’étend autour d’eux. C’est pourquoi demander un éditeur fait remonter des sources et des sujets liés, pas seulement cet éditeur, la même logique que le bouton Follow. La plupart des cartes fonctionnent ainsi, en s’étendant autour de vos sujets plutôt qu’en reprenant les mots exacts que vous avez tapés.
• Mode B : fan-out par query intent (la minorité). Pour une fraction des cartes, le prompt est décomposé en query intents explicites, des requêtes de retrieval en langage naturel qui récupèrent l’article. C’est le mécanisme de « fan-out » GEO, et c’est l’objet de la section 5.

Un comportement à souligner : dans nos données de suivi, Google met ces cartes en avant avec prudence, en moyenne moins que les autres pipelines, et il les retire plus souvent que n’importe quel autre, cohérent avec un retrieval qui matche parfois de façon approximative (on verra un faux positif concret en section 5). C’est, par conception, un pipeline ciblé, pas un pipeline de distribution de masse : ses cartes ne montrent quasiment aucune croissance dans le temps, la plus faible de tous les pipelines. Il sert ce qui a été demandé, à l’utilisateur qui l’a demandé. Il ne fait pas boule de neige.

5) Query intent : le « fan-out » GEO à l’intérieur de Discover

C’est le mécanisme le plus intéressant. Pour une partie des cartes, le prompt est décomposé en un query intent précis qui a matché l’article, le prompt transformé en requêtes de retrieval spécifiques, en langage naturel. C’est l’analogue fonctionnel du fan-out décrit pour le Generative Engine Optimization : un prompt unique est décomposé en sous-requêtes qui récupèrent du contenu par pertinence sémantique, sans prérequis de popularité.

La décomposition est visible. Un prompt sur le SEO devient un jeu de requêtes informationnelles :

Et ces query intents récupèrent ensuite de vrais articles. Voici des paires query intent → URL anonymisées que nous avons observées (les formulations sont les query intents internes exacts) :

Notre analyseur regroupe ces query intents en clusters :

Clusters de query intents observés dans le pipeline : « learning Google algorithms », « AI content machine learning SEO », « buying Japanese property guide », « healthy cooking techniques », « anime recommendations 2026 »…

Les mêmes clusters, avec le nombre d’articles par intent.

Le détail d’un cluster montre à la fois la force et la limite du fan-out :

Le cluster « buying Japanese property guide » : japantoday.com (acheter un logement au Japon) et maigomika.com (Japon rural) sont des matchs de niche parfaits, mais rockpapershotgun.com (emplacements de maisons dans le jeu Forza Horizon 6) est un faux positif, un article de jeu vidéo attrapé par recoupement de mots de surface. Ce type de match approximatif explique pourquoi Google classe ce pipeline avec autant de prudence (section 4).

Pourquoi c’est important pour le SEO : le query intent révèle le vocabulaire exact que Google utilise pour mapper un prompt vers votre contenu. Ce sont des requêtes informationnelles en langage naturel, pas des mots-clés bruts. Aligner titres, H1 et introductions sur ces formulations est l’équivalent, côté Discover, de l’optimisation pour le fan-out IA.

6) Sites de niche et petits créateurs : le contournement de la popularité

Les pipelines Discover classiques re-servent surtout du contenu déjà populaire, des articles qui ont déjà largement circulé et généré de l’engagement. « Tailor Your Feed » fonctionne autrement : les cartes que nous observons montrent un retrieval qui va chercher du contenu pertinent sémantiquement indépendamment du fait qu’il ait déjà circulé dans Discover ou non.

Les données 1492.vision le confirment. Sur historicalnaturallanguagetuningcontent.f, une majorité des cartes pointent vers des articles sans distribution Discover antérieure détectable dans notre base, du contenu qui n’avait jamais (ou quasiment jamais) été servi dans le feed auparavant. C’est, de loin, la part la plus élevée de tous les pipelines : les pipelines de news classiques montrent le profil inverse, où presque chaque carte a un long historique de diffusion. Une minorité des cartes du pipeline fait exception, des articles grand public (une dépêche Reuters, par exemple) déjà largement diffusés et simplement re-surfacés ici.

L’illustration la plus claire est un prompt de recettes. Demander des recettes vegan a fait remonter, non pas les grands éditeurs culinaires, mais de petits créateurs indépendants :

« Show me content from recipes vegan » → l’assistant propose des dîners de semaine végétaux, des ragoûts vegan, du tofu riche en protéines, de la pâtisserie vegan… puis « Update your feed ».

Le résultat : une recette « Sweet Potato Tacos » d’une créatrice indépendante, et « 72 Vegan BBQ Recipes » d’un petit blog vegan, chacune labellisée « You asked to see », avec un widget de notation (« How would you rate this suggestion? »).

Sur l’ensemble de notre suivi, le même schéma se répète : un blog de jardinage de niche (buzzyseeds.com) pour un prompt sur le semis ; Mississippi Today pour un prompt « sites de niche » (avec VentureBeat remonté sur le même prompt, à titre d’illustration du comportement du retrieval) ; un post LinkedIn pour un prompt créateur ; des blogs de niche sur l’immobilier japonais (japantoday.com, maigomika.com) pour un prompt immobilier. La plupart ne sont pas des gagnants habituels à fort volume de Discover.

Le point à retenir, formulé avec soin : la fonctionnalité fait remonter des articles qui n’avaient quasiment jamais circulé dans Discover auparavant. Le retrieval semble piloté par la pertinence vis-à-vis du prompt, pas par la popularité préalable : ce qui fonctionne comme un filtre de popularité dans les pipelines classiques est, ici, contourné.

7) Ce que ça change pour les éditeurs

C’est la partie qui compte le plus pour l’avenir, et c’est un vrai changement dans la façon de gagner en visibilité sur Discover.

Le pouvoir de sélection passe à l’utilisateur. Dans le feed classique, Google décide de ce que vous voyez à partir de signaux inférés. Ici, c’est l’utilisateur qui écrit le prompt (« montre-moi plus de X », « moins de Y »), et Google le transforme en entités, intérêts et query intents qui pilotent le retrieval. La demande devient explicite.

Conséquence : les sites de niche peuvent émerger sans historique Discover. Parce que le retrieval semble aller chercher la pertinence plutôt que la popularité préalable, un petit site peut être servi dès qu’un utilisateur demande son sujet, même s’il n’avait jamais vraiment circulé dans Discover auparavant (section 6). C’est nouveau.

C’est une troisième voie de visibilité. Jusqu’ici, un site de niche ne perçait dans Discover que de deux façons : par une affinité implicite forte (Google infère, à partir d’un engagement répété, que vous adorez un sujet, et un pipeline de re-surface continue de vous servir ce site de niche), ou par un follow explicite. « Tailor Your Feed » ajoute une troisième voie, initiée par l’utilisateur, qui ne dépend ni de l’un ni de l’autre.

Les leviers concrets pour les éditeurs :

• Optimiser pour les entités/sujets (le Mode A dominant). Être sans ambiguïté au sujet de ce que les utilisateurs vont nommer. Un focus thématique clair → une association d’entités plus nette → vous êtes dans l’ensemble d’expansion quand quelqu’un demande votre sujet.
• Optimiser pour le vocabulaire des query intents (le Mode B, fan-out). Formuler titres, H1 et introductions pour matcher les requêtes informationnelles en langage naturel en lesquelles un prompt se décompose (le pendant Discover du GEO). La section 5 montre les formulations exactes utilisées par Google.

Ce que ce n’est pas. Les éditeurs doivent être lucides :

• Pas un canal de masse. Le pipeline ne montre quasiment aucune croissance, et Google met ses cartes en avant avec prudence. Il sert l’utilisateur qui a demandé ; il ne diffuse pas largement.
• Pas déclenchable par l’éditeur. Seul l’utilisateur peut l’activer. Vous pouvez être prêt pour le retrieval, mais vous ne pouvez pas l’activer pour votre propre site.
• Limité géographiquement et en adoption. C’est EN-only (Search Labs, US ; ≈ 0 % dans les feeds français), et l’adoption est encore timide ; la surface My Activity était vide dans nos tests. L’impact futur dépend (a) d’un déploiement général et (b) du fait que les utilisateurs adoptent réellement le réglage par prompt à grande échelle.

La lecture stratégique : si « Add topics to your feed » sort de Search Labs et que les utilisateurs l’adoptent, le retrieval piloté par la demande et indifférent à la popularité sur lequel il repose est structurellement favorable aux sites petits, focalisés et bien décrits, ceux que les pipelines classiques, dominés par la popularité, récompensent rarement.

Et ensuite ?

Un instantané, pas un point final. Ce que nous surveillons :

• Le déploiement français (et UE). Aujourd’hui la fonctionnalité est EN-only. Selon son indépendance vis-à-vis des features AIO¹¹, AI Mode¹², cette fonctionnalité peut arriver plus ou moins rapidement en France.
• L’adoption. Un mécanisme puissant sans utilisateurs ne change rien. La surface My Activity vide suggère que le réglage par prompt reste un comportement de niche. L’adoption de masse est la variable qui décide si cela compte pour les éditeurs.
• Le couple current / historical. naturallanguagetuningcontent.f (en direct) et historicalnaturallanguagetuningcontent.f (persistant) suggèrent que le réglage est censé durer dans le temps, une instruction permanente, pas un coup unique.
• La convergence avec le retrieval génératif. Un pipeline naissant generativeretrieval.f, repéré récemment dans nos données de suivi, laisse penser que le retrieval piloté par LLM dépasse cette seule fonctionnalité (à confirmer).

La vue d’ensemble : Discover passe d’une personnalisation observée (Google infère) vers une personnalisation déclarée (vous lui dites), et le retrieval qui sert l’intention déclarée ne se verrouille pas sur la popularité. C’est l’ouverture structurelle pour les éditeurs de niche, si, et seulement si, la fonctionnalité se déploie largement et que les utilisateurs l’adoptent.

Suivi terrain : app Google, comptes Search Labs (US/anglais), décembre 2025 – juin 2026. Comportement du pipeline dérivé d’une observation fine du feed Discover via les données de suivi 1492.vision. « Distribution » désigne ici le fait qu’un article ait déjà circulé dans Discover, tel qu’observé dans notre base de suivi, pas des chiffres d’audience privés. Les mécanismes internes sont notre interprétation des données observées et de la recherche publique ; les dates inférées sont signalées comme approximatives.

Damien Andell & Sylvain Deauré, 1492.vision, juin 2026.

1. Programme bêta de Google qui permet de tester des fonctionnalités expérimentales dans Search et Discover, avant un éventuel déploiement plus large.
   ↩︎
2. Dans Discover, un pipeline est un circuit de sélection qui choisit et sert les cartes. Chaque carte peut être rattachée à l’identifiant du pipeline qui l’a produite, c’est ce que nous exploitons dans nos données 1492.vision.
   ↩︎
3. Large Language Model : modèle de langage de grande taille. Nous le supposons ici, sans preuve directe du modèle utilisé, à partir du comportement conversationnel et des réponses structurées observées.
   ↩︎
4. Le suffixe .f dans des identifiants comme historicalnaturallanguagetuningcontent.f est un marqueur interne que nous observons dans les métadonnées des cartes Discover ; il permet de distinguer les circuits de sélection.
   ↩︎
5. Au sens du Knowledge Graph de Google : Entité nommée ; personne, sujet, organisation ou concept identifié et lié à d’autres, distinct du sens courant du mot « entité » (entreprise, structure juridique).
   ↩︎
6. Mécanisme par lequel un prompt unique est décomposé en plusieurs sous-requêtes de retrieval, chacune visant un angle différent du sujet.
   ↩︎
7. Requête informationnelle en langage naturel, dérivée du prompt utilisateur, qui a servi à récupérer un article précis. Observable dans nos données comme métadonnée attachée à certaines cartes du pipeline.
   ↩︎
8. Generative Engine Optimization : discipline d’optimisation visant à rendre un contenu visible et cité dans les réponses des moteurs génératifs (AI Overviews, ChatGPT, etc.), notamment via le fan-out de requêtes.
   ↩︎
9. Étape par laquelle Google récupère et sélectionne les contenus à afficher dans le feed, à partir de signaux d’intérêt, d’entités ou de requêtes.
   ↩︎
10. Dans cet article, le fait qu’un article ait déjà circulé dans Discover, tel qu’observé dans notre base de suivi 1492.vision, pas un chiffre d’audience ni une métrique Search Console.
    ↩︎
11. AI Overviews : réponses génératives affichées en tête de certains résultats Google Search.
    ↩︎
12. AI Mode : interface conversationnelle de Google Search, distincte des AI Overviews.
    ↩︎