Une demande de brevet américaine publiée le 13 août 2026 par Microsoft Technology Licensing LLC décrit un système qui compresse les données issues des résultats de recherche pour les faire tenir dans la limite de tokens d’un modèle génératif. Selon Ian Sorin, ce brevet explique le fonctionnement de Copilot et de Bing, ce que le texte ne mentionne pas. Le document s’intitule « Generating and utilizing compressed grounding data for search engines that utilize generative artificial intelligence models » et porte le numéro US20260236548A1.
Compresser les données avant l’appel au modèle
Les « grounding data » (données d’ancrage) désignent les contenus tirés des résultats de recherche, comme les liens, les extraits ou les réponses directes, que l’on fournit à un modèle de langage pour qu’il fonde sa réponse sur des faits vérifiables. C’est le principe du RAG (génération augmentée par la récupération). Le brevet part d’un constat : quand ces données dépassent la limite de tokens, il faut multiplier les appels, ce qui coûte du temps et des ressources. Trop de données d’un coup donnent en revanche des réponses généralistes ou incohérentes.
Le texte évoque deux défauts connus des modèles, le « lost in the middle », qui fait mal prendre en compte les informations situées au milieu d’un long prompt, et le biais de récence, qui accorde trop de poids aux éléments placés en fin de prompt. La solution proposée consiste à « compresser » les données d’ancrage pour tout transmettre en un seul appel, à l’aide d’un résumé centré sur la requête et, éventuellement, d’une conversion en embeddings (représentations vectorielles du sens d’un texte).
Le texte parle de « moteurs de recherche génératifs » en général et cite les modèles GPT-3.5, GPT-4 ou GPT-4o, sans nommer Bing ni Copilot.
Phrases centrales et contenus récents
Pour résumer une page, le système supprime d’abord les balises HTML et les erreurs d’encodage, puis sélectionne des phrases existantes plutôt que de réécrire le texte. Une phrase est jugée importante si elle est reliée à d’autres phrases elles-mêmes importantes, grâce à une mesure de proximité sémantique appelée similarité cosinus. Ian Sorin parle à ce sujet d’un « pagerank des phrases ». Les phrases placées en introduction ou en conclusion sont aussi favorisées.
La fraîcheur s’évalue à partir des dates de création ou de modification, avec des seuils variables selon le domaine : un article d’actualité a une durée de vie plus courte qu’un manuel technique. Les contenus de fond, comme les références historiques, peuvent échapper à ce déclassement. Le score de réputation, lui, combine l’exactitude historique, l’autorité du domaine et la validation par les pairs. Si le volume reste trop important, le système retire les données les moins pertinentes, les moins fraîches ou les moins crédibles.
Des pistes pour les rédacteurs
Le brevet mentionne de nombreuses variantes introduites par « dans certaines implémentations », et sa publication ne prouve pas que Bing ou Copilot appliquent ce système tel quel. Pour les rédacteurs, il plaide néanmoins pour des phrases de synthèse autonomes, des contenus datés et des informations recoupables.
Une question reste ouverte : celle des informations exclusives. Un scoop, repris par peu de sources au moment de sa publication, déclenche la recherche de sources complémentaires. Le texte ne précise pas ce qu’il advient lorsque le système n’en trouve aucune.
Product offers are temporarily unavailable.
