Le 13 août 2026, Microsoft Technology Licensing LLC a publié la demande de brevet US20260236548A1, qui décrit un système de compression des données issues des résultats de recherche, avant leur transmission à un modèle d’IA générative. Pour résumer une page, ce système retient les phrases les plus connectées au reste du texte et à la requête. Le document ne prouve pas pour autant que Bing ou Copilot appliquent ce procédé tel quel.
Compresser les sources avant l’appel au modèle
Le document s’intitule « Generating and utilizing compressed grounding data for search engines that utilize generative artificial intelligence models ». Il revendique la priorité d’une demande provisoire indienne déposée le 13 février 2025. Il concerne les « grounding data », ou données d’ancrage, c’est-à-dire les contenus récupérés dans les résultats de recherche (liens, extraits, métadonnées, réponses directes) et fournis à un modèle de langage pour fonder sa réponse sur des faits vérifiables. Ce mécanisme est connu sous le nom de RAG (retrieval-augmented generation, ou génération augmentée par la récupération).
Le brevet part d’un problème technique. Lorsque ces données dépassent la limite de tokens (les unités de texte qu’un modèle peut traiter en une fois), il faut multiplier les appels, ce qui coûte du temps et des ressources. À l’inverse, en fournir trop d’un coup conduit à des réponses généralistes ou incohérentes. Le texte cite deux défauts connus des grands modèles de langage : le phénomène « lost in the middle », selon lequel les informations placées au milieu d’un long prompt sont mal prises en compte, et le biais de récence, qui accorde trop de poids aux éléments situés en fin de prompt.
La solution proposée consiste à compresser ces données avant envoi, pour tout transmettre en un seul appel. Le système peut produire un résumé centré sur la requête, puis le convertir en embeddings, c’est-à-dire en représentations vectorielles du sens d’un texte. Il peut aussi évaluer la fraîcheur et la crédibilité des contenus au préalable.
Dans une publication sur LinkedIn, Ian Sorin présente ce brevet comme une description du fonctionnement des chatbots Copilot et Bing. Le texte, lui, évoque des « moteurs de recherche génératifs » en général et cite comme exemples les modèles GPT-3.5, GPT-4 ou GPT-4o, sans nommer Bing ni Copilot.
Phrases centrales, fraîcheur et crédibilité
Pour le résumé des pages, le système commence par nettoyer le contenu en supprimant les balises HTML, les caractères spéciaux et les erreurs d’encodage. Le texte est ensuite découpé en phrases, puis résumé de façon extractive, en sélectionnant des phrases existantes plutôt qu’en réécrivant le contenu. La méthode principale représente chaque phrase comme un nœud d’un graphe, relié aux autres par leur similarité cosinus, une mesure de proximité sémantique. Une phrase est jugée importante si elle est fortement reliée à d’autres phrases elles-mêmes importantes, ce que Ian Sorin appelle un « pagerank des phrases ». Le brevet décrit aussi un regroupement par thèmes et une sélection fondée sur les termes fréquents par rapport à la requête. Les phrases situées en introduction ou en conclusion sont ensuite favorisées.
La fraîcheur est évaluée à partir de l’horodatage des contenus, c’est-à-dire leur date de création ou de dernière modification. Les contenus les plus anciens reçoivent une pertinence plus faible, avec des exceptions pour les connaissances de fond, des seuils de durée de vie variables selon le domaine et une détection des mises à jour. La crédibilité repose sur un score de réputation qui combine l’exactitude historique, l’autorité du domaine et la validation par les pairs. Le système recoupe aussi les informations entre plusieurs sources indépendantes, et vérifie la diversité des perspectives. Le brevet ne précise pas comment ces critères sont mesurés.
Des pistes pour les rédacteurs, sans application avérée
Le document décrit de nombreuses variantes, introduites par la formule « dans certaines implémentations ». Sa publication ne prouve donc pas que ce système fonctionne aujourd’hui derrière Bing ou Copilot. Il éclaire en revanche la logique de sélection qu’un moteur génératif peut appliquer aux pages qu’il récupère. Pour les équipes éditoriales, Ian Sorin en tire plusieurs enseignements : des phrases de synthèse autonomes, un placement de l’essentiel en introduction et en conclusion, des dates de publication et de mise à jour visibles, un ton factuel et des données recoupables.
Le brevet laisse toutefois une question ouverte, celle des informations exclusives. Un scoop ou une donnée propriétaire, reprise par peu de sources au moment de sa publication, déclenche la recherche de sources complémentaires. Le texte ne précise pas ce qu’il advient de cette information lorsque le système n’en trouve aucune.
