Langues

Guide : Passage Ranking

How Google's passage ranking fonctionne — un page peut earn multiple relevance scores, un per passage, pour différent requêtes. Pourquoi it's ranking, pas indexation.

Première publication : 24 juin 2026 · Dernière mise à jour : 3 août 2026 · Avancé
AIRédigé parAI v2

Passage classement est a Google AI système, announced dans October 2020 et actif dans US English depuis February 2021, que scores individual sections ('passages') de une page donc a unique page peut earn plusieurs pertinence scores — un per passage — pour différent requêtes. Le nom était corrected depuis 'passage indexation': Google encore indexes entier pages; seulement le classement scoring modifié. Danny Sullivan put il bluntly — 'Nous ne sont pas indexation passages. Period.' Il aide long, messy pages où a great réponse est buried, affecte roughly 7% de requêtes, et est unrelated à scroll-à-texte fragments or featured extraits. c’est le conceptual ancestor de comment AI Overviews et Copilot retrieve passages aujourd’hui. SEO action: écrire well-organized, self-contained sections — rien artificial.

TL;DR — Passage classement est an AI classement système (announced Oct 20, 2020; actif US English Feb 10, 2021) que scores individual passages de une page donc un document peut earn plusieurs pertinence scores contre différent requêtes. Le nom était corrected depuis “passage indexing” parce que indexation n’a pas modifier — pages sont encore indexé entier; seulement le scoring granularity modifié. Il targets long, messy pages où a strong réponse est diluted, affecte ~7% de requêtes, et est a séparé système depuis scroll-à-texte fragments et featured extraits. c’est le direct conceptual ancestor de passage-level retrieval dans AI Overviews et Copilot. SEO action: well-structured, self-contained sections — rien artificial.

The core innovation: un page, nombreux scores

Public explanations establish passage-level relevance, but pas a complet scoring architecture or a guaranteed number of scores par page. Preuve à l’appui de cette affirmation Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Portée : No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Niveau de confiance : élevé · Vérifié : Google: Search On 2020 Éviter presenting illustrative mechanics as disclosed code source. Preuve à l’appui de cette affirmation Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Portée : No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Niveau de confiance : élevé · Vérifié : Google: Ranking systems guide

Ici’s le mechanism que matters. Avant passage classement, une page obtenu un shot à pertinence pour a requête — Google evaluated le entier document. Passage classement lets a page recevoir plusieurs pertinence scores, un per passage, chaque mesuré contre différent requêtes. Martin Splitt décrit il cleanly as “un document que peut être scored avec plusieurs scores selon le requêtes.”

c’est le entier idea. c’est pas a nouveau indexer, pas a nouveau explorer, pas a nouveau storage format. c’est le classement système getting plus granular à propos de qui partie de une page réponses a donné requête. As Splitt put il, “c’est simplement us getting meilleur à plus granularly understanding le contenu de une page.”

Google peut score a buried section strongly pendant que keeping lune page—pas le passage—as le indexé unit. Source : /ai-search/how-search-works/passage-ranking/

Un indexé page contient an introduction, background context, et a buried section avec a direct réponse. Le direct-réponse section receives le highest illustrative passage score et peut aider lune page classer pour le requête. Le passage ne fait pas become a séparément indexé URL; lune page remains le indexé unit.

© Patrick Stox LLC · CC BY 4.0 ·

Pourquoi it exists: rescuing buried réponses

Google construit ce pour a spécifique échec mode — long pages où a great réponse est diluted par tout autour il. Danny Sullivan, October 2020: “Typically, nous evaluate tout contenu on a page web à determine si il est pertinent à a requête. Mais parfois pages web peut être very long, or on plusieurs topics, qui pourrait dilute comment parties de une page sont pertinent pour particulier requêtes… Avec notre nouveau technology, nous’ll être able à meilleur identifier et comprendre clé passages on a page web.”

Crucially, ce est upside-seulement et narrow. Splitt: “Nous sont seulement improving rankings pour pages que sont currently having trouble.” c’est pas re-classement le entier web; c’est giving a lift à pages whose meilleur contenu était previously buried. Et a passage peut être tiny — Splitt: “Il peut être vraiment court, il peut être as court as a quelques words, il peut être tant que a paragraph.” Il peut même override a titre match: il noted une page avec a bon réponse dans le corps peut être plus pertinent que une page avec le requête dans son titre.

”Ranking,” pas “indexing” — and pourquoi the distinction is load-bearing

«Google initially marketed this as “passage indexing,” and both Splitt and Sullivan pushed back hard on the name. Splitt: “While I’m not super excited about us framing it… originally as passage indexing, it is actually a ranking change.” And the flat denial from Sullivan: “But… We are not indexing passages. Period.” » (Traduction) (Résumé en français de la section vingt-huit, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

The distinction isn’t pedantry — it changements ce que vous do à propos de it:

«- Indexing didn’t change. Google still indexes the whole page as one document. Splitt: “It does not mean that we are storing them differently.” » (Traduction) (Résumé en français de la section trente, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Ranking changed. The same stored document now gets scored at passage granularity against queries. » (Traduction) (Résumé en français de la section trente, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.)

Donc vous pouvez’t “submit passages,” vous pouvez’t opt a passage out, et il y a aucun passage dans Search Console vous pouvez inspect. Splitt on opting out: “c’est comme saying Je ne pas vouloir à classer pour ces five paragraphs de mon page.” Si vous trouver quelqu’un selling “passage indexing optimization,” Splitt’s lire encore s’applique: “Là va probably être some personnes qui va essayer à capitalize on ce. Mais Je ne ferait pas fall pour il… c’est pas pour vous qui know ce que ils sont doing.”

Three choses it n’est pas

«These get conflated constantly: » (Traduction) (Résumé en français de la section trente-trois, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«- Not scroll-to-text / text fragments. Passage ranking and scroll-to-text (#:~:text= deep links) are two separate, unrelated systems. Google confirmed this directly. They interact in the AI era — see below — but they aren’t the same feature. » (Traduction) (Résumé en français de la section trente-quatre, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- Not featured snippets. A different system. Passage ranking influences which pages rank; featured snippets are about which answer gets extracted to the top. » (Traduction) (Résumé en français de la section trente-quatre, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.) «- Not artificial chunking. Splitt was explicit that you don’t need to change your site, pages, articles, or markup. Don’t carve content into fake fragments. » (Traduction) (Résumé en français de la section trente-quatre, sous-partie trois : le texte source est conservé pour vérification lors de la relecture francophone.)

«## Timeline and scale » (Traduction) (Résumé en français de la section trente-cinq, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

«- October 20, 2020 — announced at Google’s “Search On” event. » (Traduction) (Résumé en français de la section trente-six, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.) «- February 10, 2021 — live for English-language queries in the US (confirmed by SearchLiaison the next afternoon). » (Traduction) (Résumé en français de la section trente-six, sous-partie deux : le texte source est conservé pour vérification lors de la relecture francophone.) «- ~7% of search queries across all languages — Google’s own stated impact once fully rolled out globally. Early industry tracking (Search Engine Roundtable) reported minimal observable impact at launch, which fits a narrow, buried-answers-only system. » (Traduction) (Résumé en français de la section trente-six, sous-partie trois : le texte source est conservé pour vérification lors de la relecture francophone.)

The AI-era extension: the même idea, everywhere now

Ce est le partie la plupart SEO coverage misses. Passage-level pertinence est ne … plus a niche 7% lever — c’est le par défaut unit de retrieval dans AI recherche. AI Overviews et Copilot ne pas classer entier documents à construire an réponse; ils retrieve et score passages.

  • AI Overviews utiliser passage-level retrieval à assemble réponses, et frequently lien à le exact source passage en utilisant texte-fragment URLs (#:~:text=) plutôt que lune page as a entier. (Ce est où passage classement et scroll-à-texte — deux unrelated systèmes — finalement meet En pratique.) Moteur de recherche Land’s AI Overviews guide notes Gemini “peut aussi utiliser passage indexation à incorporate spécifique sections de a site web à fill out son AI Overview réponse.”
  • Copilot / Bing exécute a three-étape loop: retrieve ~15–20 élevé-confidence URLs depuis le Bing indexer, chunk ceux pages dans passages et score les on pertinence/autorité/freshness, alors valider et cite. Le chunking étape est passage classement par un autre nom. (Voir chunking, vector recherche, embeddings, et RAG pour le complet retrieval stack.)

Bing’s foundational role (le unsung half de ce story)

«Here’s something almost no SEO article mentions: Microsoft, via Bing, basically funded the modern field of passage ranking. Microsoft Research built the MS MARCO (Microsoft MAchine Reading COmprehension) dataset — 8,841,823 passages extracted from real web documents, with over a million training queries sampled and anonymized from Bing’s query logs. It’s the benchmark for neural passage ranking research. The foundational “Passage Re-ranking with BERT” work that beat prior systems by ~27% relative MRR@10 on that benchmark? Trained and measured on Bing-derived data. » (Traduction) (Résumé en français de la section quarante et un, sous-partie un : le texte source est conservé pour vérification lors de la relecture francophone.)

Et Microsoft a kept pushing le passage-as-unit idea dans le AI era. Depuis le June 2026 Web IQ announcement par Knut Risvik: “Web IQ ne fait pas simplement retourner documents; il renvoie passages et structured evidence objects,” et “par operating à le level de passages, nous peut concentrate utile signal pendant que eliminating irrelevant context.” Microsoft’s broader framing (Peut 2026): “le unit de valeur shifts depuis documents à groundable information.” Que est passage classement, taken à son logical conclusion — le document arrête étant le unit; le passage est.

Ce que ce en réalité signifie pour votre SEO

Rien exotic, mais le via-line est réel et worth internalizing:

A retrievable passage carries suffisant context to stand on its propre. The goal is clarity, pas artificial fragmentation. Source : Generative Engine Optimization

Le ambiguous exemple dit, 'Ce improved par 27 percent,' qui omits le subject, metric, et benchmark. Le self-contained exemple identifies le BERT passage re-classement model, a 27 percent relative MRR à 10 improvement, et le MS MARCO benchmark. Le bounded exemple dit passage classement changements scoring, pas entier-page indexation, donc le limitation travels avec le claim.

© Patrick Stox LLC · CC BY 4.0 ·

  1. Écrire self-contained sections. A passage que réponses a question complètement, on son propre, est plus retrievable — les deux pour le 7% classic passage-classement lever et pour AI passage retrieval. (AI Overview studies put le sweet spot autour 134–167 words per cited passage, avec semantic completeness le unique strongest predictor de citation.)
  2. Utiliser réel titres. Ils donner Google et AI retrievers clean passage boundaries.
  3. ne pas fake il. Aucun artificial fragmentation, aucun “passage markup,” aucun opting passages dans or out. Là n’est pas a lever là.
  4. c’est normal SEO. Danny Sullivan’s line generalizes: bon SEO est bon GEO/AEO. Le même well-structured contenu wins passage classement, featured extraits, et AI citations.

Ajouter une note d’expert

Épingler une citation d’expert

Nouvelle personne ? Créez son profil non revendiqué à /admin/experts/ → Épingler une citation d’expert d’abord.