BERT fait-il vraiment perdre du trafic aux sites web ou améliore-t-il simplement le ciblage ?

Qu'est-ce que BERT change concrètement dans le fonctionnement de Google ?

BERT (Bidirectional Encoder Representations from Transformers) est un modèle de traitement du langage naturel qui permet à Google de mieux comprendre le contexte des mots dans une requête. Avant BERT, le moteur analysait les mots de manière plus isolée, ce qui générait des résultats approximatifs sur les requêtes longues ou complexes.

Avec BERT, Google traite les relations entre les mots de manière bidirectionnelle. Le sens d'un terme dépend désormais de ceux qui le précèdent ET de ceux qui le suivent. Cela change radicalement la donne sur les requêtes conversationnelles, les questions en langage naturel, et toutes les formulations où la nuance compte.

Pourquoi certaines pages perdent-elles du trafic avec BERT ?

La déclaration de Danny Sullivan le dit franchement : BERT peut entraîner une baisse de trafic pour certaines pages. Mais ce n'est pas une pénalité. C'est une correction de ciblage. Si une page recevait du trafic sur des requêtes où l'intention utilisateur ne correspondait pas vraiment au contenu, BERT le détecte et redirige ce trafic ailleurs.

Concrètement, une page optimisée pour « acheter chaussures running » pouvait capter du trafic sur « comment choisir chaussures running » simplement parce que les mots clés correspondaient. BERT comprend maintenant la différence entre une intention transactionnelle et informationnelle — et ajuste les résultats en conséquence.

Faut-il voir cette baisse comme un signal négatif ?

Non. Sullivan insiste : le trafic redirigé est plus pertinent pour l'utilisateur. Autrement dit, si vous perdez du trafic avec BERT, c'était probablement du trafic mal qualifié qui ne convertissait pas ou qui générait un taux de rebond élevé. Les utilisateurs arrivaient, ne trouvaient pas ce qu'ils cherchaient, repartaient.

Pour un SEO, cela impose un changement de perspective. Mesurer le volume de trafic brut devient moins pertinent. Ce qui compte, c'est l'adéquation entre la requête, l'intention et le contenu. Une baisse de 20% du trafic peut masquer une hausse de 30% du taux de conversion si le trafic restant est mieux ciblé.

• BERT traite le contexte bidirectionnel des mots dans une requête, pas seulement leur présence isolée.
• Les pages peuvent perdre du trafic si elles captaient des requêtes mal alignées avec leur contenu réel.
• Cette perte n'est pas une sanction — c'est une correction de pertinence.
• Le volume de trafic seul ne suffit plus comme KPI : il faut analyser la qualité et l'intention.
• BERT favorise les contenus qui répondent précisément à l'intention derrière la formulation de la requête.

Cette déclaration est-elle cohérente avec ce qu'on observe sur le terrain ?

Oui et non. La théorie de Sullivan est logique : BERT améliore la pertinence, donc le trafic mal ciblé diminue. Sur le terrain, on constate effectivement que les sites généralistes ou trop vagues sur leur positionnement perdent du trafic sur des requêtes à longue traîne qu'ils captaient par défaut. Les sites plus spécialisés, avec un contenu précis et ciblé, gagnent souvent ces positions.

Mais la nuance que Sullivan ne mentionne pas : BERT ne corrige pas toutes les erreurs de ciblage. On observe encore des SERPs où des pages transactionnelles remontent sur des requêtes informationnelles, et inversement. BERT est un progrès, pas une solution miracle. [A vérifier] sur certaines niches peu documentées, où le volume de données d'entraînement était probablement insuffisant.

Quels sont les angles morts de cette affirmation ?

Sullivan parle de « trafic plus pertinent », mais il ne donne aucune métrique concrète. Plus pertinent selon quel critère ? Le taux de rebond ? Le temps passé sur la page ? Le taux de conversion ? Cette absence de transparence est typique des communications Google : on valide un principe général sans fournir les données qui permettraient de le mesurer.

Autre point : Sullivan ne dit rien sur les contenus qui captent maintenant ce trafic redirigé. Si BERT redirige mieux, qui en profite ? Les sites d'autorité ? Les pages récentes ? Les contenus longs ? On manque de visibilité sur les bénéficiaires réels de cette redistribution. [A vérifier] en croisant les données de plusieurs secteurs pour identifier les patterns récurrents.

Dans quels cas cette logique ne tient-elle pas ?

BERT fonctionne bien sur les requêtes en langage naturel, les questions longues, les formulations conversationnelles. Mais sur les requêtes courtes (1-2 mots clés), son impact est nul ou marginal. Si un site perd du trafic sur des requêtes courtes après le déploiement de BERT, ce n'est probablement pas BERT le coupable — il faut chercher ailleurs (concurrence, mise à jour de contenu, Core Update concomitant).

De même, BERT n'aide pas vraiment sur les requêtes à intention ambiguë. « Avocat » peut désigner le fruit ou le professionnel du droit. BERT comprend mieux le contexte d'une phrase, mais sur un mot seul, il reste tributaire des signaux classiques (historique de recherche, localisation, données agrégées). Ne pas surestimer ses capacités.

Comment vérifier si BERT a affecté mon site ?

Première étape : analyser les requêtes qui ont perdu du trafic dans Google Search Console. Filtrez sur les requêtes longues (5 mots et plus) et les questions en langage naturel. Si ces requêtes ont chuté brutalement après l'intégration de BERT, c'est un bon indicateur que votre contenu n'alignait pas parfaitement l'intention utilisateur.

Ensuite, regardez les pages de destination associées. Est-ce que le contenu répond vraiment à la question posée dans la requête ? Ou est-ce que la page optimise un champ lexical large sans traiter précisément l'intention ? Si votre page « guide complet des chaussures de running » captait du trafic sur « quelle taille choisir pour chaussures running », BERT a probablement redirigé ce trafic vers une page plus spécifique.

Que faut-il faire concrètement pour s'adapter ?

Repenser l'architecture de contenu en segmentant mieux les intentions. Au lieu d'une page fourre-tout, créez des pages dédiées à chaque intention : une pour l'achat, une pour le choix, une pour la comparaison. Chaque page doit répondre à une question précise, formulée en langage naturel dans le H1 ou l'introduction.

Optimisez les formulations conversationnelles. BERT comprend les tournures naturelles, donc écrivez comme vos utilisateurs parlent. Intégrez des questions dans vos titres, vos sous-titres, vos paragraphes. « Comment choisir la bonne taille ? » plutôt que « Guide des tailles ». Cette approche améliore à la fois la compréhension par BERT et l'expérience utilisateur.

Quelles erreurs éviter absolument ?

Ne tentez pas de bourrer vos pages de variations de longue traîne en espérant capter toutes les nuances d'intention. BERT détecte les contenus qui tentent de ratisser large sans vraiment répondre. Mieux vaut une page courte et ultra-ciblée qu'une page longue et floue.

Évitez aussi de négliger les métriques de qualité du trafic. Si votre trafic baisse mais que votre taux de conversion augmente, c'est un signal positif. Ne paniquez pas devant une courbe descendante sans analyser ce qui se passe en aval. BERT peut vous faire perdre 1000 visites mal qualifiées et gagner 200 visites qui convertissent — le bilan est positif.

• Auditer les requêtes longues et conversationnelles ayant perdu du trafic
• Vérifier l'adéquation entre intention de la requête et contenu de la page de destination
• Segmenter le contenu en pages dédiées à une intention précise plutôt qu'en pages généralistes
• Intégrer des formulations en langage naturel dans les titres et sous-titres
• Mesurer la qualité du trafic (conversion, engagement) et pas seulement le volume
• Ne pas tenter de ratisser large — privilégier la précision sur chaque page