Dreambeans : Google transforme votre vie privée en contenus sur mesure

Par Damien Andell et Olivier de Segonzac

Le 10 septembre 2026, Google a annoncé l’ouverture de Dreambeans à tous les comptes grand public aux États-Unis, pour les utilisateurs de 18 ans et plus, sur Android et iOS. L’accès inclut les comptes sans abonnement Google AI. L’application reste une expérimentation de Google Labs. Google annonce aussi l’ajout de Gemini aux applications connectées.

Imaginez un feed capable de vous suggérer une randonnée parce qu’il connaît votre région, sait que vous aimez marcher et estime que septembre et octobre offrent de bonnes conditions pour cette activité.

Un dimanche soir, il vous propose de nouveaux épisodes d’anime. La justification indique que leur calendrier de diffusion a été vérifié, que vous êtes abonné à des services compatibles et que ce créneau correspond bien à ce type de divertissement.

Le lendemain matin, il recommande une idée de repas riche en protéines parce qu’il a identifié une alimentation végétale, des achats cohérents avec cette habitude et un intérêt récurrent pour la nutrition.

Une autre story s’appuie sur la requête « recette crepe » et sur une visite de site de septembre 2025. Les justifications peuvent donc remonter jusqu’aux mots recherchés et aux dates de l’historique.

Pour cette analyse, Damien a examiné les stories et les métadonnées produites à partir de son profil : recherches Google, emails, factures, achats, agenda, abonnements, vidéos YouTube, conversations Gemini et autres traces d’activité. Les encarts ci-dessous reproduisent en anglais une sélection des textes relevés dans ses analyses.

Nous avons également analysé la version Android de Dreambeans publiée début septembre 2026, nom de code interne Lotus, pour comprendre comment Google transforme ces données en stories.

Dreambeans ouvre une étape nouvelle dans la personnalisation des feeds. L’objectif n’est plus seulement d’anticiper un clic. Le système essaie de déterminer ce qui pourrait être utile, intéressant ou opportun pour une personne à un moment donné.

Dreambeans, le feed proactif de Google

Google décrit Dreambeans comme un « proactive lifestyle AI product ». L’application génère chaque jour un ensemble fini de stories illustrées. Elles couvrent la technologie, le travail, la santé, la finance, les voyages, les loisirs, la famille, les restaurants ou les activités locales.

Une story transporte notamment les champs suivants :

storyWhat
storyWhy
storyTag
confidence
expireTime
feedRecencyCutoff
storyChat

Le sujet, la justification, la catégorie, le niveau de confiance et la durée de pertinence font partie du modèle de données. Chaque story peut également ouvrir sa propre conversation.

Compte tenu de ce que Google sait de cette personne et de ce qui se passe actuellement, qu’est-ce qui pourrait mériter son attention maintenant ?

Les cinq sources qui alimentent Dreambeans

PERSONAL_CONTEXT_LOTUS_USING_SEARCH, WORKSPACE, YOUTUBE, PHOTOS et GEMINI_CHATS.

La nouvelle capture de connexion confirme les cinq familles : Google Workspace, Google Photos, YouTube, Search services et Gemini App. Pour Gemini, l’écran précise explicitement que l’historique des conversations fait partie des données connectées.

La source Gemini va au-delà d’un simple historique de conversations. Google indique que les données partagées peuvent inclure « Gemini chat history and insights drawn from it ». Dreambeans peut donc recevoir à la fois ce qui a été dit à Gemini et des informations que Google a déjà déduites de ces échanges. Une fois cette source activée, l’application indique que l’historique Gemini sera utilisé dans les stories du lendemain.

Personal Context : la couche qui rassemble ces signaux

Google regroupe cette mécanique sous le nom de Personal Context. Dans les bibliothèques de consentement, la logique prend la forme d’une matrice :

PERSONAL_CONTEXT_<PRODUIT>_USING_<SOURCE>

Dreambeans, identifié par LOTUS, apparaît comme un consommateur parmi d’autres d’une infrastructure plus large. Sa combinaison actuelle repose sur Search, Workspace, YouTube, Photos et Gemini Chats.

Cette architecture explique la richesse des stories. Une facture Gmail, une recherche, un événement Calendar et une vidéo peuvent être rapprochés lorsqu’ils décrivent la même activité, le même projet ou le même intérêt.

Les textes relevés par Damien montrent le niveau de détail de ces rapprochements. Un extrait cite une facture pour cinq kilos de protéines de soja et une commande de merguez végétales. Un autre synthétise les préférences alimentaires du profil :

Alimentation : des achats précis aux préférences du profil

Mon Epicerie Paris invoice documents an August 2026 bulk purchase of 5kg textured soy protein medallions, paired with HappyVore plant-based merguez orders (June 30, 2026) and strict vegan and gluten-free dietary compliance.

Grounded in user profile records confirming a strict 100% vegan, plant-based diet with a preference for gluten-free whole foods and high-protein legume bowls. Verified whole-grain protein pairings and seed dressing emulsification techniques.

Dreambeans associe ici des produits, des quantités, des enseignes et des dates à une représentation du régime alimentaire. Avec les loisirs, abonnements de streaming, historique de visionnage et calendrier de sorties peuvent converger vers une recommandation pour le week-end.

L’alimentation végétale se retrouve aussi dans une story consacrée à JAPAN Fes NYC. La carte détaille des options de street food japonaise végétales, situe l’événement, donne ses horaires et propose de visiter le site officiel.

Les données de départ restent des traces séparées. Dreambeans les assemble en une représentation plus synthétique des habitudes, des intérêts et des projets.

Le contexte professionnel est tout aussi détaillé. Le système décrit le rôle de Damien, le produit sur lequel il travaille et les technologies utilisées, puis évoque des optimisations précises :

Travail : du rôle professionnel aux détails du code

User is the co-founder and lead developer of 1492.vision, where he engineers real-time web analytics dashboards using Vue 3 and Vuero admin frameworks. Recent technical documentation in 2026 emphasizes modular composables and shallowRef optimizations for high-frequency data applications.

Les stories citent des recherches exactes, avec leurs dates

Les textes citent les mots saisis et, dans certains cas, le jour de la recherche.

Pour une recommandation liée aux performances du PC, le système mentionne ainsi la requête « transmit buffers ethernet gaming », effectuée quelques jours plus tôt, et la rapproche d’anciens diagnostics de pertes de paquets :

The user frequently conducts low-level PC hardware and system performance tuning, including explicit searches for network adapter driver settings (‘transmit buffers ethernet gaming’) on August 9, 2026, and past diagnostics for server packet drops.

Dans un exemple culinaire, il associe la requête « recette crepe » et une visite de cuisine.journaldesfemmes.fr.Une requête et une visite de site remontant à septembre 2025

Grounded in the user’s historical query for ‘recette crepe’ and visit to French recipe portal cuisine.journaldesfemmes.fr on September 3, 2025. Verified through culinary science research on gluten relaxation and pan temperature standards.

Une trace vieille d’environ un an réapparaît donc dans la justification d’une story. Le texte la rapproche ensuite d’informations culinaires sur la pâte et la température de cuisson. Le système expose à la fois un élément de l’historique personnel et les informations externes utilisées pour développer le sujet.

Recherches, vidéos et visites de sites peuvent être rapprochées

Les formulations distinguent aussi les canaux. « Search history » et « Search logs » désignent des recherches, « watch history » des vidéos regardées, et « navigation » des visites de sites. Un même texte peut réunir plusieurs de ces traces et une préférence exprimée dans Dreambeans : Des vidéos regardées et des sites visités rapprochés des recherches

Supported by user watch history on August 19, 2026 (‘Atelier Google Discover, avec Sylvain Deauré’), searches for ‘discover’ on March 17, 2026, and SEO consultant research in April 2025. Aligns with explicit preference for Google Search news recorded August 29, 2026, and the completed Google Spam Update on August 21, 2026.

Grounded in user navigation to cocktail publication PUNCH (punchdrink.com) on December 6, 2025, and searches for Japanese sake brewing processes and kanji terminology in May and June 2025.

Une story peut ainsi être justifiée par des activités de nature différente, réparties sur plusieurs mois.

Du Personal Context à la story

La génération repose sur un pipeline serveur nommé Manifold. Dreambeans planifie une mise à jour, lance le traitement puis suit son état :

SCHEDULED
↓
ONGOING
↓
FINISHED

Deux versions de prompts apparaissent dans le client :

generateTopicsPromptVersion
        ↓
generateStoriesPromptVersion

La structure indique une génération en deux temps. Google extrait d’abord des topics à partir du Personal Context, puis génère des stories à partir de ces topics et du contexte disponible.

Search + Workspace + YouTube + Photos + Gemini
                    ↓
              PERSONAL CONTEXT
                    ↓
                  TOPICS
                    ↓
                 STORIES
                    ↓
             FEED QUOTIDIEN

Les topics ont eux-mêmes un cycle de vie, avec deux niveaux actifs puis un état ARCHIVED. Un centre d’intérêt peut donc refroidir sans nécessairement disparaître du profil.

La génération peut se poursuivre lorsque l’application est fermée. Dreambeans conserve les credentials nécessaires au traitement en arrière-plan. Après une longue période d’inactivité, la création quotidienne est mise en pause jusqu’au retour de l’utilisateur.

Personal Context est aussi découpé dans le temps

Des traces runtime ajoutent une pièce importante au fonctionnement de Dreambeans. Le Personal Context n’apparaît pas uniquement sous la forme d’un état courant du profil. Nous avons observé des clés matérialisées par date, avec en parallèle des variantes real et sameday.

user:<id>:pcontext:real:2026-09-05

user:<id>:pcontext:2026-09-05
user:<id>:pcontext:2026-09-06
user:<id>:pcontext:2026-09-07
...
user:<id>:pcontext:2026-09-18

Dans l’échantillon observé, quatorze contextes datés coexistent, soit environ deux semaines de file. Les traces distinguent trois régimes :

pcontext:<YYYY-MM-DD>       contexte daté, préparé dans la file régulière
pcontext:<D>:sameday        passage de rattrapage pour le jour même
pcontext:real:<D>           branche plus immédiate, alimentée en parallèle

La grille observée associe une clé datée à une exécution overnight autour de 07:00 UTC la veille. Le chemin de production vu dans les traces suit l’ordre context → stories → story_selection → pcontext:dates → images. Le feed ne se remplit qu’une fois les images terminées, ce qui donne un éclairage concret au message utilisateur annonçant que les premières stories peuvent prendre « a few hours ».

Ces traces suggèrent que Dreambeans prépare une partie de son contexte personnel à l’avance, jour par jour, tout en conservant des voies pour le jour même et pour des signaux plus immédiats. Le timing de la recommandation est donc présent jusque dans la façon dont le Personal Context est matérialisé.

L’intérêt ne suffit pas : il faut aussi le bon moment

Les métadonnées de stories montrent à quel point le timing compte. Dans une story concernant les animes, les textes relevés citent des sorties d’épisodes, les abonnements du profil et un créneau précis dans la semaine : Anime : des sorties, des abonnements et un dimanche soir

Streaming calendars confirm August 30, 2026 episode releases for Mushoku Tensei Season 3, One Piece Elbaf Arc, and Grand Blue Season 3. User subscribes to Rakuten Viki and Netflix.

Ideal for Sunday evening, August 30, 2026, offering low-effort entertainment as part of the weekly anime broadcast schedule.

La justification affirme avoir vérifié le calendrier des sorties, puis présente le dimanche soir comme un moment adapté à ce divertissement.

Les structures de Dreambeans contiennent des créneaux MORNING, AFTERNOON et EVENING, ainsi qu’une expiration et un feedRecencyCutoff. On trouve également des champs nommés relevanceAndTimeWindowOfInterest et earliestDisplayLocalTime.

La pertinence personnelle peut donc varier avec la date, la saison et le moment de la journée. Une randonnée devient plus intéressante pendant une période de météo douce. Une sortie de jeu vidéo a plus de valeur pendant les premiers jours de son lancement. Un nouvel épisode d’anime peut être réservé au créneau du dimanche soir.

Le profil personnel est croisé avec des informations externes

Plusieurs stories de test incluent aussi des faits récents : calendriers de diffusion, sorties de jeux, saisonnalité d’une activité ou conditions locales. Certaines justifications utilisent des formulations comme Search verification confirms... ou Verified video game release calendars confirm....

Dans les structures du chat associé aux stories, nous avons retrouvé groundingEvidenceAndProvenance, mediaProvenance et une chaîne webSearch. Ces éléments indiquent la présence d’une couche de grounding dans l’expérience, même si nous n’avons pas encore capturé assez de payloads pour reconstruire précisément son rôle dans la génération initiale d’une story.

Le modèle général observé ressemble à ceci :

PROFIL PERSONNEL
intérêts + habitudes + agenda + lieux + achats
                    +
INFORMATIONS RÉCENTES
sorties + événements + conditions locales + saison
                    +
TIMING
jour + heure + période
                    ↓
                  STORY

La randonnée autour du Verdon en donne une bonne illustration. Une information géographique, un intérêt pour la marche et les conditions de début d’automne suffisent à faire émerger une recommandation locale et saisonnière. Randonnée : une commune, deux sentiers et une fenêtre saisonnière

User is based in a small town on September 1, 2026, immediately adjacent to the Verdon Regional Natural Park. Local trail conditions confirm optimal hiking weather during early autumn across the Sentier Blanc-Martel and Sentier de l’Imbut. Evergreen interest topic, particularly fertile throughout September and October 2026 due to ideal mild weather conditions and active trail shuttle services.

Le texte situe le profil près du Verdon, nomme deux sentiers et invoque la météo ainsi que les navettes pour justifier une fenêtre d’intérêt de deux mois.

Le cas de la localisation

Dreambeans déclare des permissions Android de localisation, mais nous n’avons trouvé aucun appel qui les utilise directement dans sa logique.

Google explique en revanche que les données Photos peuvent contenir une localisation estimée à partir du contenu ou attachée au fichier, et que cette localisation peut elle-même provenir de la localisation de l’appareil. Search apporte également les lieux enregistrés via Maps.

Une recommandation locale peut donc disposer d’un contexte géographique sans que Dreambeans interroge nécessairement le GPS au moment où la story est générée.

Google Photos ajoute le « qui, où, quand »

La description de Google Photos dans Dreambeans est particulièrement explicite. Google indique que Photos peut servir à inférer les intérêts de l’utilisateur, ses relations avec les personnes présentes dans les images et les lieux où il s’est rendu.

Le texte précise que le visage de l’utilisateur peut être associé aux données de localisation et aux timestamps correspondants.

QUI
+
OÙ
+
QUAND

Cette combinaison permet de transformer une collection de photos en informations sur les personnes, les lieux et les moments qui structurent une vie.

L’activation passe par Face Groups et par une brique nommée Photos Life Understanding. Le nom résume assez bien l’ambition : comprendre une vie à partir d’une photothèque.

Google ajoute que ces données peuvent servir à améliorer ses services, y compris pour l’entraînement de modèles d’IA générative.

storyWhy montre la recette de personnalisation

Chaque story possède un champ storyWhy. Dans les captures de stories ouvertes, l’explication de la recommandation est accessible par le bouton « Why did I get this? ».

Les justifications observées peuvent mentionner un abonnement, une recherche datée, une vidéo regardée, une visite de site, un achat, un projet ou un événement récent. Elles exposent parfois plusieurs signaux à la fois.

Dans une story consacrée aux jeux vidéo, l’historique d’achat est rapproché de la configuration matérielle. Le système cite les jeux, les plateformes d’achat, le modèle du SSD et la quantité de RAM. Ce rapprochement révèle l’étendue de l’historique utilisateur mobilisé pour produire une seule carte : Jeux vidéo : les achats rapprochés du matériel

Transaction history shows PC game key acquisitions (Call of Duty, Ratchet & Clank, Battlefield) via G2A and Gameseal, paired with high-end desktop hardware (Samsung 990 PRO 4TB SSD, Kingston 32GB DDR5 RAM). …

Les prompts restent côté serveur, mais leur empreinte est visible

Le texte intégral des prompts serveur qui pilotent la génération n’est pas livré dans l’application. Le client expose en revanche leurs versions, generateTopicsPromptVersion et generateStoriesPromptVersion, et les métadonnées observées sur les stories laissent voir une prose de travail très structurée.

Grounded in user profile records...

User profile confirms...

Transaction history shows...

Search verification confirms...

Verified ... release calendars confirm...

Highly relevant for morning...

Evergreen interest topic, particularly fertile throughout September and October...

Ces formulations reviennent autour de cinq opérations : rattacher la story à des preuves personnelles, synthétiser ce qu’elles disent de l’utilisateur, vérifier des faits extérieurs, évaluer la fraîcheur ou la fenêtre d’intérêt, puis justifier pourquoi le sujet mérite d’être montré maintenant.

preuves personnelles
        ↓
faits / habitudes / intérêts
        ↓
vérification externe
        ↓
fraîcheur + fenêtre temporelle
        ↓
story

Les exemples fournis par Google dans l’onboarding montrent la même ambition : repérer qu’un passeport expire six semaines avant un vol prévu huit semaines plus tard, retrouver un rendez-vous chez le dentiste enfoui dans un ancien email, détecter un atelier de pain au levain après des vidéos de pâtisserie ou suggérer vingt minutes de Pilates parce que l’utilisateur a demandé des séances plus courtes.

Le « Why » rend visible une partie du raisonnement qui a conduit à la card. C’est aussi ce qui donne à Dreambeans son côté le plus troublant : une recommandation anodine peut révéler combien d’informations différentes ont été rapprochées pour la produire.

On peut résumer cette compression en quelques étapes :

traces dispersées
↓
faits personnels
↓
intérêts / habitudes / projets
↓
contexte actuel
↓
opportunité
↓
story

Dreambeans possède une taxonomie de ses propres erreurs

Le nouvel écran de dislike est probablement l’un des meilleurs indices sur la manière dont Google pense la qualité du feed. Son composant est nommé dislike_feedback_view.dart et l’interface demande :

Tell us what went wrong

Les réponses sont regroupées en quatre familles.

Accuracy & Substance

My personal info is wrong
Topic facts are wrong
Lacked depth

Visual

People or pets off
Irrelevant people
Objects or setting off

Relevance

Not for me
Repeated story
Seeing this too much
Steering ignored

Timing

Already happened
Old news
Plans changed
Wrong timing

Cette liste distingue les erreurs de données personnelles, les erreurs factuelles, les problèmes d’image, la mauvaise compréhension des intérêts et les erreurs de timing.

My personal info is wrong est le signal le plus intéressant. Google prévoit explicitement le cas où la représentation construite à partir du compte est incorrecte.

Le profil se corrige par des phrases, des clics et des swipes

Dreambeans permet aussi de déclarer directement ses préférences. Dans l’interface, un interstitiel peut proposer plusieurs choix et un champ Type your own.

Le chat permet également de formuler cette demande en langage naturel. Dans une capture, Damien écrit « I want more stories about SEO and algorithms ». L’application répond qu’elle a mis à jour le feed pour inclure davantage de stories sur ces sujets.

Dans le modèle de données, une préférence possède un texte, une polarité et une origine :

UserPreference {
    preferenceText
    polarity: POSITIVE | NEGATIVE
    source: CHAT | CHIP | INTERSTITIAL | MANUAL
}

Après un Not for me, l’application peut confirmer :

I’ve noted your preference to move away from stories like this one.

Les corrections explicites s’ajoutent à la télémétrie comportementale. Dreambeans enregistre notamment les impressions, les cards dépassées par swipe, l’ouverture complète, la fin de lecture, les likes, dislikes, sauvegardes et partages.

CARD_IMPRESSED
CARD_SWIPED_PAST
VIEW_STORY_FULL_PAGE
VIEW_STORY_FINISHED
STORY_THUMBS_UP
STORY_THUMBS_DOWN
STORY_SAVE
STORY_SHARE
STORY_FULL_IMAGE_VIEW
INTERACTION_TYPE_LONG_PRESS_FULL_IMAGE

Les demandes formulées dans Dreambeans réapparaissent aussi dans les textes de personnalisation. Damien les identifie comme des directives issues du chat ou du bouton flottant de l’application. Cet extrait reprend une demande de contenus techniques sur les Knowledge Graphs et la recherche sémantique, datée des 30 et 31 août 2026 :Directive dans Dreambeans : une demande explicite de contenus techniques

The user explicitly requested technical deep-dives on Knowledge Graphs, entity resolution, and semantic search architecture on August 30 and 31, 2026. Recent technical literature highlights how multi-hop entity disambiguation errors compound in vector-only RAG without graph-guided filtering.

Les dates renvoient ici à une demande faite dans Dreambeans. Elles documentent un autre canal que les requêtes de l’historique Google Search.

Le système dispose donc à la fois de signaux implicites sur l’usage et de corrections très explicites sur ce qu’il a mal compris.

Supprimer une source, une story ou toutes les données Dreambeans

Google précise qu’une modification ou une suppression dans une application connectée peut mettre 24 à 48 heures avant d’être reflétée dans les nouvelles stories.

Les cards déjà générées restent dans le feed jusqu’à ce que l’utilisateur les supprime.

SOURCE
email / photo / recherche / événement
             ↓
          génération
             ↓
DÉRIVÉ
topic / story / image / explication

Une donnée source et le contenu généré à partir d’elle ont donc des cycles de vie distincts. Ce point devrait devenir important dans tous les produits d’IA personnalisés : supprimer l’information d’origine ne revient pas automatiquement à supprimer toutes les représentations déjà produites à partir d’elle.

Dreambeans propose aussi une commande globale, « Delete All Dreambeans Data ». L’écran de confirmation annonce la suppression des topics, des stories et des « profile information ». Il précise que cette action est irréversible, qu’elle ne supprime pas le compte Google et qu’elle n’affecte pas les autres services Google.

Le profil construit par Dreambeans apparaît donc aussi comme un ensemble de données nommé dans l’interface de suppression. Effacer un email dans Gmail, retirer une story et demander l’effacement de toutes les données Dreambeans correspondent à des périmètres différents.

Google précise aussi que les autorisations Dreambeans sont gérées indépendamment des réglages correspondants dans les autres services Google. L’application indique par ailleurs que des données provenant de Dreambeans peuvent être partagées avec d’autres services Google. Le périmètre exact de ce second flux n’est pas détaillé dans le client.

Et pour les éditeurs ?

Une card Discover renvoie vers un éditeur. Dans Dreambeans, la story ouverte présente déjà un texte développé et une illustration dans l’application, avec la possibilité de consulter des sites externes ou de poursuivre la conversation.

Les captures montrent clairement ces sorties vers le Web. La story sur Google Discover contient des liens vers 1492.vision et Search Engine Roundtable, ainsi qu’un bouton « Read on SERoundtable ». Celle sur JAPAN Fes NYC affiche un lien vers la page de l’événement et un bouton « Visit Official Site ».

Le Web peut servir à documenter une recommandation et rester accessible depuis la story. L’interface fournit toutefois déjà une synthèse adaptée au profil, avec des explications, des informations pratiques et des questions de suivi. Consulter le site externe est une possibilité au sein de ce parcours.

Pour les éditeurs, il faut donc regarder la place du lien, son libellé et ce qu’il propose d’apporter en plus du contenu déjà affiché. Une mention dans une story, un lien dans le texte et un bouton de sortie ne donnent pas la même visibilité à la source. Les captures montrent ces formats ; elles ne permettent pas de mesurer le trafic qu’ils génèrent.

Quand une story fournit déjà une réponse personnalisée, qu’est-ce qui donne encore envie d’ouvrir le site source ?

De « ce que vous aimez » à « ce qui compte maintenant »

La personnalisation historique d’un feed pouvait fonctionner avec une logique relativement simple : un intérêt observé entraîne davantage de contenus sur le même sujet.

Dreambeans ajoute plusieurs dimensions : les informations personnelles disponibles, les habitudes, les projets, le lieu, la saison, l’actualité du sujet et le moment de la journée. Il transforme ensuite les réactions de l’utilisateur en nouvelles préférences ou en corrections.

Le résultat donne un aperçu assez spectaculaire de l’évolution de la personnalisation chez Google.

La question centrale n’est plus seulement :

Sur quoi cette personne risque-t-elle de cliquer ?

Dreambeans tente d’aller plus loin :

Compte tenu de ce que nous savons de sa vie, de ses intérêts et de ce qui se passe maintenant, qu’est-ce qui mérite son attention aujourd’hui ?

L’article “Dreambeans : Google transforme votre vie privée en contenus sur mesure” a été publié sur le site Abondance.