Brevet Microsoft : Bing réserve ses réponses génératives aux requêtes jugées « complexes »

Un brevet Microsoft accordé fin août et repéré par Ian Sorin

Le 12 octobre 2026, Ian Sorin a attiré l’attention sur LinkedIn sur un brevet publié cet été par Microsoft, qui explique selon lui le fonctionnement de « l’AI Overview » de Bing. Il estime que, dans les grandes lignes, le système diffère peu de celui décrit dans le brevet équivalent de Google, mais relève plusieurs points notables.

Le document en question porte le numéro US 12,717,798 B2. Il s’intitule « Generative search results documents based on enhanced search results using generative artificial intelligence (AI) models » et a été attribué à Microsoft Technology Licensing. Quelques repères chronologiques :

• Demande provisoire : déposée le 31 décembre 2024.
• Dépôt de la demande : 28 février 2025.
• Publication de la demande : 2 juillet 2026 (US 2026/0187080 A1).
• Délivrance du brevet : 25 août 2026, avec 20 revendications et 13 planches de dessins.

Le brevet ne parle jamais d’« AI Overview », qui est le nom du dispositif de Google. Il décrit un « generative search results document », un document généré par IA qui combine une réponse directe, des sections thématiques et des citations vers les pages sources. Les maquettes d’interface jointes montrent un bouton « Deep search » à côté du champ de recherche, sur l’exemple de la requête « How long do elephants live ».

Pour rappel, Microsoft déploie depuis plusieurs années des fonctions de recherche générative dans Bing. Comme tout brevet, ce texte décrit un système possible : il ne prouve pas que chaque mécanisme est utilisé tel quel dans le moteur.

Bing ne génère pas de réponse IA pour toutes les requêtes

Premier point relevé par Ian Sorin : Bing évalue la complexité de la requête avant de décider si une réponse générative en vaut la peine. Le brevet confirme ce filtre, présenté comme un « seuil de document génératif ».

Concrètement, le système calcule un score de complexité à partir de la requête, des premiers résultats et de l’intention de recherche détectée. Ce score mesure la difficulté à fournir une réponse satisfaisante, ce que le brevet appelle l’« answerability ». Les exemples donnés sont explicites :

• Score faible : « solve 2+2 » ou « youtube », qui peuvent recevoir une réponse directe.
• Score élevé : « analyze the impact of climate change on global agriculture », qui suppose de croiser plusieurs sources.

Si le score atteint le seuil, le document génératif est créé. Sinon, l’utilisateur reçoit des résultats classiques, éventuellement enrichis, ou une réponse directe. Le brevet mentionne deux façons de calculer ce score : un modèle de machine learning dédié ou un cadre heuristique, c’est-à-dire un ensemble de règles fixes.

Microsoft justifie ce filtre par l’économie de ressources : inutile de mobiliser plusieurs modèles d’IA pour une requête de navigation.

Query fan-out et petits modèles : la chaîne qui produit la réponse

Le cœur du brevet repose sur des « small generative AI models », de petits modèles d’IA spécialisés chacun dans une tâche. Le texte cite l’exemple d’un modèle de 1,5 milliard de paramètres, contre 7 milliards pour un « grand » modèle. Ces petits modèles seraient obtenus par transfert d’apprentissage à partir d’un modèle plus grand, puis affinés sur une tâche précise.

L’intention de recherche identifiée en premier

Une fois la requête reçue, le système interroge l’index web pour obtenir une première série de liens. Un modèle dédié à l’intention analyse ensuite la requête et ces résultats pour dégager une ou plusieurs intentions, classées par ordre de probabilité. Selon le brevet, les premiers résultats et l’intention sont obtenus en 1,5 seconde environ.

Des sous-requêtes pour élargir le corpus

Comme l’a noté Ian Sorin, le query fan-out (c’est-à-dire la décomposition d’une requête en plusieurs recherches connexes) fait partie du processus. Un modèle spécialisé génère des requêtes alternatives à partir de la requête initiale, de l’intention et des premiers liens. Le brevet prend l’exemple de « best time to visit Hawaii », qui donne lieu à des recherches sur la période la moins chère, celle où la météo est la plus favorable ou celle des principaux événements. Ces sous-requêtes sont produites en 1,8 seconde environ.

Google a lui aussi décrit publiquement ce mécanisme pour son AI Mode en 2025, ce qui conforte le constat sur la proximité des deux approches.

Un tri par un modèle de classement

Les sous-requêtes sont envoyées à l’index, souvent en parallèle. Dans l’exemple du brevet, 5 requêtes alternatives renvoient chacune 50 liens, soit 250 résultats supplémentaires (300 avec les 50 résultats initiaux). Un modèle de classement note ensuite chaque lien selon sa correspondance avec la requête et l’intention, puis ne retient que les 5, 10 ou n meilleurs. Ce sont ces « enhanced search link results » qui servent de base à la rédaction. Cette étape prend environ 6 secondes.

Une réponse courte produite en parallèle

Pendant ce temps, un autre petit modèle rédige la « directed answer », une réponse d’une ou deux phrases à partir de la requête, de l’intention et des premiers résultats. Elle est générée en moins de 3 secondes. Dans la maquette du brevet, elle apparaît en titre : « Up to 70 years in the wild and 88 years in captivity ».

Le parallélisme est central dans la démonstration de Microsoft. Selon le brevet, enchaîner ces opérations l’une après l’autre prendrait plus d’une minute, alors que le document complet doit être livré en moins de 10 secondes. Cette limite figure d’ailleurs dans la revendication 19.

Des sections générées puis filtrées par des modèles de contrôle

À partir des liens retenus, le système détermine les thèmes à couvrir, puis un modèle rédige chaque section. Plusieurs instances de ce modèle peuvent tourner simultanément, une par section. Chaque section comprend un titre, une phrase d’accroche et un développement, avec des citations liées aux pages sources. Le modèle choisit le format le plus adapté : paragraphe, liste à puces, tableau, image ou vidéo.

Ces sections passent ensuite par des « lightweight quality check models », des modèles légers de contrôle qualité. Le brevet en cite quatre rôles :

• Déduplication : suppression des contenus répétés d’une section à l’autre.
• IA responsable : application des règles de sécurité et des politiques internes.
• Contenus inexacts : un modèle de détection des hallucinations repère et retire les passages erronés.
• Liens d’images défectueux : suppression des images cassées.

Le brevet décrit une exclusion des contenus inexacts que leur réécriture.

La revendication 12 précise aussi que la déduplication s’appuie sur les liens cités dans les sections. Autrement dit, la source attribuée à un passage sert de repère pour identifier les doublons.

Un modèle d’interface assemble texte, tableaux et cartes de réponse

Dernière étape : la mise en forme. Un modèle de correspondance associe à chaque section des « answer cards », des cartes qui donnent une réponse rapide à une question ou à une sous-question. Ces cartes peuvent contenir du texte, des images, de l’audio, de la vidéo ou des animations, et embarquent des métadonnées pour que le modèle comprenne leur contexte.

Un « generative UI layout model » détermine ensuite la disposition de l’ensemble : ordre des sections, emplacement des éléments, styles. Selon les revendications, ce modèle fonctionne sur une base heuristique, à partir des caractéristiques du contenu.

Les maquettes du brevet donnent une idée du rendu final :

• Une table des matières : à gauche, avec les sections du document.
• La réponse directe en titre : suivie d’un texte, d’une image et d’un tableau.
• Une mention des sources : « Based on 2 sources », avec les liens correspondants.
• Un panneau « Deep Search » : il affiche l’intention retenue, les thèmes connexes et les liens consultés.

Pendant la génération, un indicateur montre les étapes en cours (« Understanding query », « Searching selected items », « Ranking by understanding ») et annonce une attente d’environ 10 secondes.

Des réponses mises en cache tant que les résultats ne bougent pas trop

Le dernier point relevé par Ian Sorin concerne la réutilisation des réponses. Le brevet indique que, lorsqu’une requête identique ou proche produit le même ensemble de liens, le système peut resservir le document génératif déjà créé sans rappeler les modèles d’IA. Le document n’est mis à jour que lorsque l’ensemble des résultats diffère au-delà d’un seuil.

Pour les professionnels, ce mécanisme a une conséquence concrète : une page qui entre dans les résultats sélectionnés ne serait pas forcément prise en compte immédiatement, tant que la liste globale des liens reste proche de la précédente. À l’inverse, une réponse déjà en cache peut continuer à citer une source pendant un certain temps.

Ce passage figure toutefois dans la description du brevet et non dans ses revendications, qui définissent ce que Microsoft protège juridiquement. Le texte ne précise pas non plus la valeur du seuil de changement, ni la durée de conservation des réponses en cache. Reste donc à savoir dans quelle mesure Bing applique réellement cette logique de réutilisation, et à quel rythme ses réponses génératives sont recalculées.

L’article “Brevet Microsoft : Bing réserve ses réponses génératives aux requêtes jugées « complexes »” a été publié sur le site Abondance.