TL;DR : La recherche multimodale permet aux clients d'utiliser le texte, la voix, des images ou des vidéos, souvent en combinaison, pour trouver ce qu'ils recherchent (au lieu de simplement taper des mots-clés). Cette nouvelle approche de la recherche change la manière dont les marques sont découvertes, car les clients passent désormais d'un appareil à un autre et d'un mode de recherche à un autre lorsqu'ils recherchent des produits ou des services.
Knowledge Center
Recherche multimodale
Recherche multimodale
Qu'est-ce que la recherche multimodale et comment transforme-t-elle la façon dont les clients découvrent les marques ? Découvrez aussi des stratégies pour gagner en visibilité lorsque les clients utilisent la recherche multimodale.
Qu'est-ce que la recherche multimodale ?
La recherche multimodale fait référence à la capacité des clients à interagir avec les moteurs de recherche et les outils d'IA en utilisant plusieurs types ou modes d'entrée, combinant parfois les modes texte, voix, images et vidéos en une seule recherche.
Les recherches multimodales représentent un changement fondamental par rapport à la recherche traditionnelle, et elles transforment la manière, le lieu et le moment où la découverte se produit. La recherche ne se limitant plus à un seul appareil ni à un seul mode (via Alexa ou les recherches Google par mots-clés), l'essor de la recherche multimodale redéfinit la manière dont les marques doivent se rendre visibles pour être découvertes via la recherche par IA.
Pourquoi la recherche multimodale est-elle si importante ?
La recherche multimodale associe les entrées et les intentions. Un client peut demander quelque chose à Siri, prendre une photo avec Google Lens ou faire une recherche sur Claude à l'aide d'une vidéo ; le tout avant même de cliquer sur un lien. Ce nouveau parcours pousse les spécialistes du marketing à repenser l'attribution, l'optimisation et la stratégie de contenu : il n'est pas question de revenir à des requêtes textuelles cloisonnées ni aux clics hasardeux sur les liens bleus de Google.
Exemple de recherche multimodale
Un homme remarque que la peau de son visage et de ses bras est abîmée par le soleil. Il commence alors à réfléchir à la manière de mieux prendre soin de sa peau. Il effectue une recherche multimodale en combinant une recherche visuelle à l'aide de photos qu'il met en ligne, des recherches textuelles sur le web, et des requêtes vocales, tout en passant d'une application à l'autre sur son téléphone, son ordinateur portable et son assistant vocal.
Voici à quoi ressemble une recherche multimodale :
Appareil : téléphone/Mode : voix
Il ouvre son application Google et effectue une recherche vocale sur "meilleure crème solaire pour homme pour les peaux sensibles et abîmées par le soleil 2025" et trouve dans un article de GQ un produit qu'il va essayer. Il copie le lien dans son application Notes.
Appareil : téléphone/Mode : texte
Il entame aussi un long fil Facebook commençant par "meilleurs sérums pour le visage pour homme 2025", regarde plus de vidéos de soins de la peau qu'il ne serait prêt à l'admettre sur YouTube, et découvre qu'il peut obtenir un diagnostic en ligne sur son type de peau, donc…
Appareil : téléphone/Mode : image
Il prend des photos nettes et bien éclairées de son visage et de ses avant-bras, là où il présente des taches solaires et des problèmes de texture. Ensuite, il met en ligne des images sur des outils de diagnostic de la peau pilotés par l'IA et convertit sur les sites de myBlend et PerfectCorp, même s'il n'a pas commencé sa recherche dans cette intention. Ces applications analysent ses photos, puis lui recommandent des produits de soin de la peau ciblés en fonction des résultats, ce qui le ramène à son intention initiale lorsqu'il s'envoie les résultats par e-mail, et…
Appareil : ordinateur portable/Mode : texte
Il a recours à ChatGPT pour comparer les résultats et les recommandations des rapports qu'il a reçus, puis décide de rechercher quelques produits et de rencontrer un dermatologue, donc…
Appareil : Amazon Alexa/Mode : voix
Il ouvre son application de notes et demande à Alexa de résumer les avis des deux produits qui ont attiré son attention. Enfin, il clique pour la première fois, ajoute l'une des crèmes solaires à son panier et la commande.
Son parcours se poursuit lorsqu'il dit à Alexa "demande à Doctolib de rechercher 3 dermatologues adhérents de l'OPTAM à proximité" et de lui envoyer leurs coordonnées par texto. Alors…
Il termine cette phase de sa recherche par une note vocale demandant un rappel pour finir de rechercher des dermatologues le lendemain.
Comment les marques sont-elles découvertes dans la recherche multimodale ?
Alors que la recherche multimodale se généralise et que la recherche pilotée par l'IA continue de faire évoluer les attentes des clients, les marques doivent repenser leur stratégie de contenu et y intégrer une stratégie de données.
Pour s'adapter rapidement à la recherche multimodale, voici quelques notions clés sur les stratégies de données :
1. Les systèmes de génération augmentée par récupération (RAG) rendent la recherche multimodale plus pertinente et plus conversationnelle
La RAG revient à doter l'IA d'une capacité de récupération d'informations à jour au moment de répondre, plutôt que de se reposer uniquement sur des connaissances apprises ou sur des pages indexées. Les systèmes de RAG explorent le contenu textuel, les images, les vidéos et les pistes audio ("Siri, c'est quoi cette chanson ?"). Ils recherchent des informations factuelles (ou supposées telles) et s'en servent pour répondre aux questions de manière conversationnelle.
2. Les graphes de connaissances aident la RAG à mettre en avant des informations fiables, sur lesquelles les clients peuvent s'appuyer
Des outils comme les graphes de connaissances permettent d'organiser et de relier entre elles les informations sur les marques, les produits, les prestataires, etc. Ils aident l'IA à donner un sens aux relations entre les entrées du graphe de connaissances et à comprendre l'univers de données qu'il contient. Bien géré, un graphe de connaissances fournit aux systèmes de RAG des informations exactes, à jour et conformes à la marque, et explicite les relations entre ces informations.
3. Les données structurées servent de "carte" du graphe de connaissances pour maintenir la pertinence en recherche multimodale
Considérez les données structurées comme une carte extrêmement détaillée décrivant le monde des données conservées dans le graphe de connaissances. Les données structurées vous permettent de garantir que les informations de votre marque restent exactes et à jour. Si la "carte" contient des données inexactes ou des relations obsolètes, le graphe de connaissances ne partagera pas les bonnes informations avec les applications externes, les annuaires, les moteurs de recherche traditionnels et les plateformes de recherche IA.
4. Le balisage Schema fonctionne comme des étiquettes sur cette carte, pour fournir des réponses plus riches en contexte
Le balisage Schema (Schema.org) est un standard de règles et d'étiquettes utilisées pour annoter les pages web et les données qu'elles contiennent. Ce procédé permet aux moteurs de recherche et aux outils d'IA de savoir exactement ce que chaque partie signifie. Le balisage Schema indique des choses comme "ceci est une image" et "ceci est le produit présenté". Ces étiquettes aident l'IA à comprendre quel contenu se trouve où, de quoi il s'agit, comment il est mis en forme sur un site ou une page web, etc. C'est ce qui permet aux outils d'IA de fournir aux clients des réponses directes riches en contexte.
Bien que le balisage Schema constitue la norme et même si sa valeur est reconnue depuis longtemps en SEO, il est souvent négligé dans les stratégies de marque, de données et de contenu. C'est ce qui en fait une opportunité importante pour les marques : celle d'optimiser le contenu pour les différentes technologies de recherche actuelles (AAIO, AEO, ASO, GEO, LLMO, etc.).
Comment la recherche multimodale a-t-elle changé la recherche et la découverte ?
Tout comme la recherche pilotée par l'IA et les agents IA, la recherche multimodale bouleverse l'entonnoir de conversion. Cette approche devient rapidement la norme : la recherche passe d'un parcours linéaire à un cheminement multi-étape, qui combine découverte, considération et conversion sur plusieurs plateformes.
De façon similaire, la recherche multimodale change aussi la façon dont les marques pensent la visibilité, en complexifiant les stratégies :
Le SEO et les rapports traditionnels ne suffisent plus pour mesurer la visibilité en recherche multimodale.
Un seul tableau de bord ne suffit plus pour suivre la découverte de la marque, désormais fragmentée entre différents formats et appareils.
Les requêtes vocales, les requêtes basées sur des images et les agents IA contournent en grande partie l'entonnoir classique.
Les spécialistes du marketing ont besoin d'une stratégie de visibilité moderne, qui tienne compte des recherches "invisibles" (sans clic) et d'un parcours client qui varie selon chaque consommateur.