Au cœur du filtre d'avis de Google : comment le Machine Learning détecte les faux avis

Google ne fournit pas de manuel pour la détection des faux avis. Mais à partir des articles de blog de l'entreprise, des documents gouvernementaux et des analyses d'experts, la conception du système devient claire – et elle est bien plus avancée que beaucoup ne l'imaginent.

Chaque jour, 20 millions de contributions arrivent sur Google Maps et Search. Il s'agit d'avis, de photos, de modifications et d'idées. L'écrasante majorité est réelle. Une partie notable ne l'est pas. Trier ce volume n'est pas une tâche pour les humains. C'est une tâche pour le machine learning, et cette machine est devenue extrêmement efficace.

Pour comprendre le fonctionnement du filtre de Google, il faut d'abord en apprécier les chiffres. Vingt millions d'éléments soumis par les utilisateurs arrivent chaque jour. Cela représente environ 230 par seconde, 24h/24 et 7j/7, des quatre coins du globe, dans toutes les langues, sur tous les types d'appareils. L'idée que des personnes puissent examiner même une infime partie de cela – et encore moins le faire de manière cohérente – est une erreur fondamentale. Ce n'a jamais été un problème que les humains pouvaient résoudre.

Au lieu de cela, Google a construit un système d'application à plusieurs niveaux qui est toujours actif. En 2023, il a supprimé 170 millions d'avis qui enfreignaient ses règles, soit 45 % de plus que l'année précédente. En 2024, le total est passé à 240 millions. Cette augmentation d'une année sur l'autre ne signifie pas seulement que davantage de faux avis sont écrits, bien que cela puisse être un facteur. Cela signifie que la technologie de détection s'améliore plus rapidement que les méthodes pour la contourner.

Les enjeux pour les entreprises sont immenses. Une étude de 2023 publiée dans le Journal of Business Research a révélé que les faux avis négatifs ciblent de manière disproportionnée les restaurants prospères, nuisant aux entreprises qui dépendent le plus de leur réputation bien méritée. Du côté de l'offre, les avocats de Google ont poursuivi des vendeurs de faux avis, y compris une affaire en 2023 contre un fournisseur au Bangladesh dont le site web, Bigboostup.com, créait de faux avis pour des entreprises locales américaines.

Pourquoi les faux avis passent-ils encore ?

Si Google supprime des centaines de millions de faux avis chaque année, pourquoi certains parviennent-ils à apparaître sur un profil ? C'est la même raison pour laquelle certains spams parviennent encore dans votre boîte de réception même avec de bons filtres. Les méthodes d'évasion deviennent plus intelligentes, et il y a une ligne mince entre les faux positifs (vrais avis supprimés à tort) et les faux négatifs (faux avis qui passent). Google ajuste son système pour éviter de supprimer des avis authentiques, ce qui signifie que les faux avis astucieux peuvent durer plus longtemps que les plus flagrants.

Joy Hawkins, fondatrice de Sterling Sky et chercheuse de premier plan dans le domaine du SEO local, a étudié ce déséquilibre en détail. Son travail démontre que le filtre de Google peut parfois supprimer des groupes d'avis légitimes, en particulier pour les avocats et les médecins, où plusieurs clients réels peuvent utiliser le même Wi-Fi en salle d'attente. Le filtre n'est parfait dans aucune des deux directions.

Google n'a pas publié de manuel technique pour son système de modération d'avis. Nous disposons d'articles de blog de l'entreprise, de déclarations à la FTC et de l'analyse de chercheurs observant les actions du système. Mis ensemble, ces sources indiquent un processus en cinq parties qui fonctionne constamment en parallèle des fonctions normales de Google Maps.

Le principe de conception central – que Google a mentionné dans son blog « Maintenir l'authenticité des avis » – est que le processus ne s'arrête pas lorsqu'un avis est publié. Un avis qui passe une première vérification peut être revérifié des jours ou des semaines plus tard à mesure que de nouvelles informations arrivent. Si le compte A obtient un score de passage le lundi, mais que le jeudi il est lié à un groupe de douze autres comptes qui viennent d'être signalés, les avis publiés du compte A sont réexaminés. C'est pourquoi les entreprises voient parfois des avis disparaître longtemps après leur première apparition.

Le rôle des analystes humains

Les systèmes automatisés gèrent les cas à volume élevé où le système est très confiant. Les cas limites sont confiés à des enquêteurs humains. Il s'agit de faux avis astucieux qui trouvent des lacunes dans les statistiques, ou d'avis réels qui ressemblent à un schéma suspect. Ces employés de Google examinent les preuves directes : captures d'écran de discussions d'escrocs, modèles dans les rapports des propriétaires d'entreprise et analyse linguistique. Ce qu'ils trouvent est utilisé pour réentraîner le modèle. C'est ainsi que la suppression en 2023 d'un réseau de 5 millions d'avis s'est produite : les humains ont défini le modèle, le modèle l'a absorbé et les nouvelles détections sont devenues automatiques.

Ce cycle de rétroaction est l'élément de conception le plus critique du système. L'objectif n'est pas de créer une liste de règles. C'est de créer un modèle si avancé qu'il révise sa propre définition de la fraude, presque en temps réel.

Analyse de texte et PNL

Un aspect moins médiatisé de la détection des faux avis concerne le texte lui-même. Les modèles de traitement du langage naturel (PNL) peuvent repérer les signes linguistiques courants dans les avis fabriqués : trop de superlatifs, un manque de détails concrets, une utilisation excessive du « je » et des phrases répétitives sur différents comptes. Des recherches dans le Journal of Marketing Analytics ont montré que les marqueurs linguistiques psychologiques – comme l'effort cognitif et le ton émotionnel – peuvent séparer les faux avis des vrais avec une grande précision. La PNL de Google, améliorée avec Gemini en 2024, effectue ce travail à une échelle massive.

Google n'a pas fourni un inventaire complet de ses signaux de détection. Cependant, en combinant les déclarations officielles, les témoignages de la FTC, les études d'experts et une observation attentive de ce qui est signalé et de ce qui ne l'est pas, nous pouvons assembler l'ensemble principal des signaux. Dix d'entre eux sont responsables de la plupart des mesures d'application.

Ces dix signaux ne sont pas une simple liste de contrôle ; ce sont des points de données pondérés dans un modèle de probabilité. Un seul signal est rarement suffisant pour déclencher une action. Le système recherche des combinaisons – des schémas où plusieurs signaux se confirment mutuellement. Un nouveau compte provenant d'une IP partagée utilisant un texte de modèle sans photos touche quatre signaux à la fois, et ce mélange donne un score de confiance élevé pour la suppression.

L'explosion de comptes : le modèle le plus révélateur de Google

De tous les signaux, la détection des explosions de comptes est celle qui démantèle le plus efficacement les systèmes d'avis à grande échelle. Lorsqu'un vendeur crée cinquante faux comptes pour évaluer le profil d'un client, ces comptes partagent souvent des données de création, même s'ils utilisent des IP et des appareils différents. Ils peuvent avoir des fournisseurs de messagerie similaires, être enregistrés les uns après les autres, ou avoir des paramètres de démarrage identiques. Dans son rapport de transparence de 2023, Google a spécifiquement attribué au clustering basé sur les graphes la technologie qui a supprimé 5 millions de faux avis d'un réseau d'escroquerie en quelques semaines seulement.

Pourquoi certains faux avis passent encore

Aucun système de détection ne peut attraper 100 % des faux avis sans signaler également à tort un nombre désastreux de vrais. Le système de Google est réglé pour causer le moins de tort possible aux avis authentiques. Cela signifie qu'un faux avis très bien fait – provenant d'un compte réel et ancien, sur une adresse IP domestique dans la bonne ville, avec un historique d'autres avis – pourrait passer la première vérification et rester en ligne pendant des semaines. L'ajout de Gemini au système en 2024 vise à résoudre ce problème exact en effectuant une analyse comportementale approfondie qui peut trouver de minuscules incohérences que même les modèles statistiques manquent.

Toutes les tentatives de publication d'un faux avis n'ont pas la même chance d'être détectées. Le risque va des tactiques subtiles que le filtre ignore souvent aux comportements évidents qui entraînent une suppression quasi instantanée. Savoir où une tactique se situe dans cette fourchette sépare les novices des professionnels – et c'est pourquoi la détection de Google ne cesse de s'améliorer.

Ce que cela signifie pour les entreprises est simple : le risque de détection augmente beaucoup plus rapidement que le nombre d'avis. Acheter vingt avis auprès d'un fournisseur bon marché est exponentiellement plus risqué que d'en acheter cinq auprès d'un fournisseur haut de gamme. À vingt avis, la vitesse d'arrivée seule est suffisante pour déclencher la détection, quelle que soit la qualité des comptes. Le volume est la seule chose qui pousse le système de manière la plus fiable de l'observation à l'action.

Parler de signaux de détection de manière abstraite est une chose. Les voir en action lors de suppressions spécifiques rend la chose réelle. Les quatre cas présentés ici sont tirés d'informations publiques, de documents juridiques et de rapports. Ce ne sont pas des histoires inventées, mais des situations réelles où le système de Google a trouvé et agi sur des stratagèmes de faux avis.

Le fil conducteur dans les quatre cas est que ce n'est pas la qualité d'un seul avis qui les a fait repérer. Ce sont les schémas : la vitesse, la localisation, les connexions de compte et l'activité inter-plateformes. Le système ne lit pas un avis comme une personne. Il lit les données qui l'entourent.

En avril 2024, Google a annoncé l'intégration de Gemini – son modèle linguistique le plus puissant – au système de modération de Google Business Profile. Ce fut un changement majeur. La capacité de Gemini à raisonner avec de multiples signaux et à analyser le comportement à long terme a comblé le plus grand angle mort du système : le faux avis unique et bien conçu. Les anciens modèles examinaient les signaux un par un. Gemini peut comprendre l'histoire complète des actions d'un compte – le timing de ses avis, la logique de ses avis pour différentes entreprises et si son parcours d'activité a du sens.

L'effet était clair dans les données : 240 millions de faux avis supprimés en 2024, soit une augmentation de 40 % par rapport à 2023. Plus important encore, davantage ont été arrêtés avant publication – avant que quiconque ne les voie. Ce passage de la suppression réactive au blocage proactif est la marque d'un modèle plus intelligent. Cela signifie moins d'entreprises confrontées à des pics d'avis, moins de personnes lisant du contenu faux, et la plateforme entière se rapproche de ce que Google souhaite.

L'étiquette « Avis suspectés d'être faux »

Parallèlement à la mise à jour de l'algorithme, 2024 a apporté une nouvelle fonctionnalité pour les consommateurs : un avertissement « avis suspectés d'être faux ». Lorsqu'un profil d'entreprise présente des schémas étranges – comme un afflux soudain d'avis provenant de comptes de faible qualité – Maps affiche désormais une bannière pour avertir les clients potentiels. La fonctionnalité est apparue aux États-Unis, au Royaume-Uni et en Inde fin 2024 et a commencé son déploiement mondial en mai 2025. Cela marque un changement de politique, passant de la simple application à la fourniture de transparence. Même si Google ne supprime pas un avis, il peut désormais montrer aux utilisateurs sa propre incertitude quant à son authenticité.

La direction est claire. En 2021, une campagne de faux avis bien planifiée – utilisant des comptes anciens, des IP domestiques et un bon mélange géographique – avait de bonnes chances de rester en ligne pendant des mois. En 2026, cette même campagne est confrontée à une analyse alimentée par Gemini qui peut repérer des incohérences que les modèles antérieurs ne pouvaient pas. La durée de vie d'un faux avis se raccourcit chaque année. Dans le même temps, les conséquences négatives – prison d'avis, interdictions de compte et amendes de la FTC – s'aggravent.

Savoir comment le système de détection de Google est construit change la donne pour toute entreprise qui envisage sa stratégie d'avis. Le filtre ne recherche pas les avis qui « semblent faux ». Il recherche des schémas qui ne sont pas naturels. Cette différence est énorme. De nombreuses entreprises qui n'ont jamais acheté un seul faux avis ont vu de vrais avis être filtrés, tandis que certaines campagnes de faux avis astucieuses restent en ligne pendant un certain temps.

La leçon est qu'une stratégie d'avis doit être conçue pour paraître naturelle au niveau du modèle, et pas seulement au niveau du contenu. Un avis parfaitement rédigé ne vaut rien si le compte qui l'a publié déclenche une alarme de vitesse ou échoue à une vérification de localisation. Le signal qui compte le plus pour Google n'est pas « cet avis semble-t-il réel ? » C'est « l'ensemble de la trace numérique de cet évaluateur ressemble-t-il à celle d'un vrai client ? »

Pourquoi un rythme d'avis naturel l'emporte sur un volume élevé

La leçon la plus constante de l'étude de la détection des faux avis de Google est que la vitesse est le facteur de risque le plus important pour l'application. Une entreprise qui reçoit 50 avis réels sur six mois n'a aucun risque de détection, quelle que soit la manière dont elle les a sollicités. Une entreprise qui reçoit 50 avis en une semaine – même s'ils sont tous réels – pourrait déclencher une alerte d'anomalie et en voir certains filtrés. L'algorithme ne peut pas voir l'événement réel qui a conduit à un avis. Il juge la légitimité en fonction de la crédibilité statistique du modèle. Un rythme régulier et naturel est le modèle que la collecte d'avis authentiques devrait viser.

La boucle de rétroaction positive des avis réels

Il y a un avantage cumulatif à bâtir une base d'avis authentiques. Les comptes qui ont beaucoup d'activité sur Maps et un historique d'évaluation d'autres entreprises signalent la légitimité au système. Lorsque ces comptes évaluent votre entreprise, leur contribution a plus d'autorité et est moins susceptible d'être filtrée. C'est précisément pourquoi les services qui utilisent des comptes de « réviseurs » dédiés – qui n'ont aucun historique autre que la publication de faux avis – échouent de manière si prévisible. Leur fausseté est transparente pour l'algorithme. Le véritable argument en faveur des avis authentiques n'est pas seulement de rester à l'abri des problèmes. C'est que les comptes réels créent des signaux d'avis qui deviennent plus forts avec le temps, tandis que les faux comptes créent des signaux qui s'effondrent sous l'inspection.

Des réponses claires aux questions introuvables dans les documents officiels de Google – basées sur des données publiques, des analyses d'experts et le comportement observé du système.