Les réponses aux avis Google rejetées : enseignements tirés de l'analyse de 12 752 cas

Google rejette désormais certaines réponses aux avis sans avertissement. Aucune notification. Aucune explication. Votre réponse apparaît avec le statut « REJETÉ » dans l'API alors que vous pensez qu'elle a bien été publiée.

Nous le savons parce que nous l'observons directement. Le 1er avril 2026, l'API Google Business Profile a introduit le champ ReviewReplyState le (voir leBlog Google Dev Change). Jusqu'alors, chaque réponse envoyée via l'API était publiée automatiquement, sans modération préalable ni filtrage.

Depuis, la situation a changé. Et ce changement s'accompagne d'un phénomène de rejet silencieux dont la majorité des entreprises et des agences n'ont même pas conscience.

Nous avons analysé 12 752 réponses à des avis rejetées issues de notre base de données lors de deux extractions distinctes : la première le 22 avril 2026, peu après la mise à disposition de ces données, et la seconde le 28 mai 2026. L'objectif était d'identifier les facteurs qui déclenchent réellement le filtre de Google. À notre connaissance, il s'agit de la première étude basée sur ce type de données. Voici ce que nous avons découvert.

L'ampleur du problème est bien plus importante qu'on ne l'imagine

Notre jeu de données regroupe 12 752 réponses rejetées :

92,6 % de ces réponses étaient associées à des avis 5 étoiles. Ce sont les avis positifs qui génèrent le plus grand nombre de rejets, probablement parce que les entreprises (et les outils d'IA) y répondent souvent avec des formulations standardisées et un ton excessivement enthousiaste.

Le nombre de rejets a fortement augmenté en 2024. Alors qu'il s'établissait à 354 sur l'ensemble de l'année 2022 et à 398 en 2023, il a grimpé à 9 393 pour la seule année 2024. Deux explications sont possibles : soit le filtre de Google est devenu nettement plus strict, soit ses critères d'évaluation ont évolué.

En moyenne, une réponse rejetée a été rédigée 1 221 heures, soit environ 50 jours, après la publication de l'avis d'origine. Les réponses planifiées à grande échelle et publiées avec délai sont surreprésentées dans les données, et cette moyenne a augmenté depuis notre premier relevé. Le principal problème reste toutefois le caractère silencieux de ces rejets. Aucune erreur n'est renvoyée. Aucun message d'échec n'est affiché. La réponse n'apparaît tout simplement jamais. Sans visibilité via l'API, il est pratiquement impossible de s'en rendre compte.

Deux instantanés, une même tendance

Le graphique ci-dessous présente le nombre mensuel de réponses rejetées observées lors de nos deux extractions de données. La première extraction (22 avril 2026, en bleu clair) a recensé 7 151 réponses rejetées. La seconde (28 mai 2026, en bleu foncé) en a identifié 12 752, soit une hausse de 78 % en seulement cinq semaines. Cette progression reflète à la fois de nouveaux rejets et des réponses rejetées par le passé qui n'avaient pas encore été indexées lors de notre premier relevé.

La courbe orange représente la part des réponses rejetées contenant des formulations typiques pouvant être associées à un contenu généré par IA. Son évolution constitue l'un des enseignements majeurs de cette analyse.

Ces deux jeux de données racontent une histoire cohérente : une situation relativement stable jusqu'en 2022-2023, une forte accélération en 2024, puis une évolution marquée à partir de la mi-2025, caractérisée par une baisse des volumes et une modification notable de la composition des données restantes.

Raison n° 1 : les réponses génériques générées par l'IA sont le principal facteur de rejet

Dans notre jeu de données, 67 % des réponses rejetées contenaient au moins une formulation caractéristique d'un contenu généré par IA. Cette proportion est passée d'environ 35 % au début de l'année 2024 à 85 % à la mi-2024, un niveau qui s'est maintenu jusqu'au début de l'année 2025.

Les formulations les plus fréquemment observées dans les réponses rejetées correspondent précisément à celles produites par des outils de réponse automatisée génériques ou insuffisamment personnalisés :

Ces formulations ne se contentent pas d'apparaître dans les réponses rejetées : elles y sont largement surreprésentées. Il ne s'agit vraisemblablement pas d'une simple corrélation. La régularité de la tendance et la précision de sa chronologie rendent l'hypothèse du hasard peu crédible.

Notre hypothèse est que le système de modération de Google s'appuie sur un modèle statistique capable d'identifier les réponses automatisées de faible qualité. Les expressions ci-dessus constituent des marqueurs typiques des contenus générés massivement par IA. Elles apparaissent dans des millions de réponses publiées par des entreprises à travers le monde, avec une fréquence qui semble peu naturelle. Le filtre de Google paraît détecter les réponses qui combinent plusieurs de ces signaux pour former un schéma reconnaissable.

Voyez cela comme un filtre anti-spam. Ce ne sont pas les mots pris individuellement qui posent problème, mais la combinaison de plusieurs éléments récurrents : « phrase d'accroche + nom du client + compliment + formule de satisfaction + conclusion tournée vers l'avenir ». C'est ce type de structure que Google semble avoir appris à identifier puis à rejeter.

Voici un exemple réel extrait de nos données : une réponse à un avis 5 étoiles laissé à un plombier, longue de 1 731 caractères et rejetée immédiatement.

« Bonjour Tannas, merci pour votre avis élogieux et pour avoir recommandé Kingstree Plumbing ! Nous vous sommes extrêmement reconnaissants de votre soutien… Nous sommes ravis d’apprendre que l’approche informative, efficace et conviviale de Dane a eu un impact aussi positif… Vos commentaires sont très précieux pour nous… #KingstreePlumbing #FortementRecommandé #ServiceEfficace… »

Cette réponse cumule plusieurs signaux à risque : hashtags, surabondance de mots-clés, longueur excessive et formulations élogieuses typiques des réponses générées automatiquement. L'ensemble donne l'impression d'un contenu produit sans véritable personnalisation, ce qui a conduit à son rejet immédiat.

La principale leçon à retenir est simple : si votre outil de réponse automatisée produit des messages qui ressemblent à ceux générés par tous les autres outils du marché, le filtre de Google finira probablement par les identifier.

Raison n° 2 : les filtres anti-grossièreté bloquent parfois des noms parfaitement légitimes

Ce phénomène surprend souvent. Le filtre anti-grossièreté de Google analyse l'intégralité du texte d'une réponse, mais il ne parvient pas toujours à distinguer un terme offensant d'un mot utilisé dans un contexte parfaitement légitime.

Ce problème se manifeste principalement sous trois formes.

Règle pratique :avant d'envoyer une réponse, votre outil doit analyser l'intégralité du texte, y compris le nom de l'auteur de l'avis, les éventuels noms de produits et la signature de l'entreprise. Si une expression risque de déclencher un filtre anti-grossièreté, une validation humaine est fortement recommandée avant publication.

Raison n° 3 : les réponses répétitives ou trop succinctes

Nos données montrent qu'un même compte a publié la réponse « Merci ! », soit dix caractères seulement, sur plus de 100 avis consécutifs. Toutes ces réponses ont été rejetées. Un autre compte a utilisé la formule « merci pour cet avis positif » à l'identique sur 46 avis d'affilée. Nous avons également observé un troisième schéma récurrent : « Merci 🙏 », suivi uniquement du prénom de l'auteur de l'avis, répété des centaines de fois depuis le même compte.

Dans les cas les plus extrêmes, certaines réponses rejetées ne contenaient qu'un seul emoji (« 👍 », « 🙌 », « 😊 ») ou uniquement des signes de ponctuation tels que « !!! » ou « . ».

Deux mécanismes semblent expliquer ce phénomène. D'une part, la duplication massive d'un même message est un signal classique de spam. Lorsqu'une phrase identique est publiée sur des dizaines, voire des centaines d'avis depuis le même compte, Google peut l'interpréter comme un comportement automatisé de faible qualité, même si le contenu n'a rien d'offensant. D'autre part, il semble exister un seuil minimal de qualité. Une réponse comme « Merci ! » n'apporte aucune information supplémentaire au lecteur et peut ne pas répondre aux critères qualitatifs appliqués par le système de modération avant publication.

En pratique, cela montre que le problème ne se limite pas aux formulations typiques de l'IA. Même une réponse courte, pertinente et entièrement rédigée par un humain peut être rejetée si elle est répétée à grande échelle depuis le même compte.

Raison n° 4 : l'ajout de coordonnées dans les réponses

Les réponses aux avis ne sont pas conçues pour générer du trafic ni pour acquérir de nouveaux prospects. Les règles de Google en matière de contenu sont claires sur ce point, et nos données vont dans le même sens.

Parmi les réponses rejetées, 327 (2,6 %) contenaient une adresse e-mail directement intégrée au message. Dans la plupart des cas, l'intention était légitime : résoudre une réclamation ou poursuivre l'échange avec le client, par exemple : « Veuillez nous contacter à l'adresse[email protected]fin que nous puissions résoudre ce problème. »

Nous avons également identifié 287 réponses (2,3 %) contenant des formulations telles que « contactez-nous » ou « appelez-nous », invitant l'auteur de l'avis à poursuivre l'échange en dehors de la plateforme. Ce type de message apparaît aussi bien dans les réponses aux avis négatifs qu'aux avis neutres, les entreprises cherchant naturellement à déplacer la conversation vers un canal privé.

La position de Google est sans ambiguïté : une réponse à un avis doit rester une réponse publique. Si vous souhaitez poursuivre la discussion en privé, privilégiez les outils prévus à cet effet par Google. Ajouter une adresse e-mail, un numéro de téléphone ou un appel à l'action visant à sortir de la plateforme peut être interprété comme une sollicitation externe et entraîner le rejet de la réponse.

Raison n° 5 : l'utilisation de hashtags dans les réponses

Dans notre ensemble de données, 38 réponses contenaient des hashtags. Les 38 ont été rejetées. Les hashtags sont conçus pour les réseaux sociaux, où ils servent à catégoriser et à faire découvrir du contenu. Google Business Profile n'est pas un réseau social : il s'agit avant tout d'une plateforme d'information et de confiance destinée aux consommateurs.

L'exemple suivant, extrait de nos données, illustre bien le problème : #KingstreePlumbing #FortementRecommandé #ExpertsDeLaRégionDEdmonton

Pour un algorithme, ce type de contenu peut s'apparenter à une tentative d'optimisation SEO excessive, consistant à accumuler des noms de marque et des mots-clés géographiques dans l'espoir d'influencer les résultats de recherche locale. Que ce soit l'intention ou non, c'est ainsi que le filtre de Google semble l'interpréter.

La règle à retenir est simple : évitez totalement les hashtags dans vos réponses aux avis.

Raison n° 6 : les réponses publiées en masse et les délais de publication

Le délai de réponse, à lui seul, ne semble pas déclencher un rejet. En revanche, il fait probablement partie des signaux contextuels analysés par Google.

Dans notre ensemble de données, 78,7 % des réponses rejetées ont été publiées plus de 24 heures après la publication de l'avis. Le délai moyen atteignait 1 221 heures, soit environ 50 jours, contre 720 heures lors de notre premier relevé. Cette tendance correspond au fonctionnement des entreprises qui regroupent leurs réponses et utilisent souvent des outils d'automatisation pour traiter les avis par lots, une fois par semaine ou par mois, plutôt que de répondre au fil de l'eau. Plus inquiétant encore, ce délai moyen continue d'augmenter.

Lorsqu'un même compte publie un grand nombre de réponses en un laps de temps très court, en utilisant systématiquement la même structure, ce comportement peut être interprété comme une automatisation de faible qualité. C'est l'équivalent numérique de l'envoi de centaines d'e-mails depuis la même adresse IP en quelques heures : techniquement autorisé, mais statistiquement atypique.

Notre hypothèse est que Google n'analyse pas chaque réponse isolément. Le système pourrait également prendre en compte la fréquence d'envoi, le volume de réponses publiées par un même compte sur une période donnée, le niveau de similarité entre les messages et la présence éventuelle de schémas associés à une automatisation de mauvaise qualité déjà identifiée. Il est difficile de le démontrer avec certitude à partir du seul contenu textuel. Toutefois, les données liées aux délais de publication, combinées à celles concernant les formulations standardisées et les réponses dupliquées, pointent clairement dans cette direction.

Ce que la politique de Google en matière de contenu interdit réellement

Les directives officielles de Google relatives aux réponses aux avis restent relativement générales et ne détaillent pas tous les cas de figure. Sur la base de nos données et de la documentation de l'API, les types de contenu suivants semblent présenter le risque de rejet le plus élevé :

Causes confirmées :

• Langage injurieux ou grossier (y compris lorsqu'il apparaît dans le nom d'un évaluateur, d'une entreprise ou d'un produit mentionné dans la réponse)

• Adresses e-mail et autres coordonnées de contact

• Hashtags et mots-clés promotionnels

• Réponses identiques publiées à grande échelle depuis un même compte

• Réponses jugées trop pauvres ou insuffisamment informatives (un seul emoji, un simple « Merci ! », etc.)

Hypothèses fortement étayées par nos données:

• Réponses générées à partir de modèles IA standardisés (cause principale, présente dans 67 % des refus observés)

• Volumes inhabituels de réponses publiées depuis un même compte sur une courte période

• Bourrage de mots-clés ou tentatives d'optimisation SEO dans le contenu de la réponse

• Réponses particulièrement longues pouvant dépasser une limite interne non documentée (la plus longue réponse rejetée dans notre jeu de données comportait 1 731 caractères)

Risques plus faibles, mais à surveiller:

• Réponses multilingues dont une partie du contenu pourrait être interprétée différemment selon la langue analysée

• Usage excessif d'émojis, notamment lorsqu'ils accompagnent un texte très court ou peu informatif

• Chronologie : comment le filtre a évolué au fil du temps

Les données révèlent une évolution en deux grandes phases.

Phase 1 : de 2024 au début de 2025.L'explosion des réponses standardisées générées par l'IA. Avant 2024, le nombre de refus observés dans notre jeu de données restait limité : 354 en 2022 et 398 en 2023. À partir de mars 2024, les rejets ont fortement augmenté. En mai 2024, plus de 70 % des réponses refusées contenaient des formulations typiques générées par l'IA. En juillet 2024, cette proportion atteignait 85 % et s'est maintenue à un niveau comparable jusqu'en février 2025.

Cette évolution coïncide avec l'adoption massive d'outils de réponse automatisée aux avis. À mesure que les réponses générées par l'IA se sont multipliées dans l'écosystème Google, le système de modération semble avoir appris à identifier les schémas récurrents produits par ces outils. Notre interprétation est la suivante : la généralisation des réponses standardisées a conduit Google à renforcer progressivement ses mécanismes de détection de contenu automatisé.

Phase 2 : à partir d'avril 2025.À partir d'avril 2025, la part des rejets associés aux modèles IA standardisés chute fortement, passant de plus de 70 % à moins de 10 % certains mois. Dans le même temps, le volume global des rejets diminue également de manière significative.

Plusieurs explications sont possibles, et elles ne sont pas nécessairement incompatibles. D'une part, les outils de réponse aux avis basés sur l'IA sont devenus suffisamment performants pour que les entreprises abandonnent progressivement les modèles génériques de faible qualité, ce qui expliquerait la diminution du nombre de réponses standardisées. D'autre part, Google pourrait filtrer certaines réponses standardisées à un stade plus précoce du processus de modération, avant même qu'elles n'apparaissent officiellement avec le statut « REJETÉ ». Cette hypothèse nous semble toutefois moins probable. Il est également possible que Google utilise différemment les réponses aux avis pour l'analyse contextuelle et la détection d'entités générées par l'IA au cours de la première année suivant la publication d'un avis, ou qu'il accorde désormais moins d'importance à ce type de signal. Ce qui ressort des données collectées fin 2025 et en 2026, c'est un profil de rejet sensiblement différent : les réponses standardisées générées par l'IA ne dominent plus les refus, qui concernent désormais principalement des cas de grossièretés interprétées hors contexte, de réponses dupliquées à l'identique et de contenus minimaux, correspondant aux raisons n° 2, n° 3 et n° 6 présentées ci-dessus.

Ce que cela implique pour votre stratégie de réponse aux avis

Vérifiez l'état actuel de vos réponses. Si vous publiez via l'API, assurez-vous d'avoir accès au champ « ReviewReplyState ». Les réponses publiées depuis l'interface Google Business Profile ou via des outils tiers qui n'exposent pas cette information sont envoyées sans visibilité sur leur statut réel. Une partie de vos réponses existantes est peut-être déjà dans l'état « REJECTED ». Pour réduire le risque de rejet, suivez les cinq étapes ci-dessous :

1. Évaluez votre outil de réponse automatisée :s'il génère des réponses contenant des expressions telles que « nous sommes ravis de l'apprendre », « votre satisfaction est notre priorité absolue » ou encore « nous avons hâte de vous revoir », cela indique qu'il produit un contenu présentant un risque élevé de rejet. Ces formulations constituent des signaux statistiques typiques d'une automatisation de faible qualité. Réentraînez ou reconfigurez votre outil afin d'utiliser un langage plus précis, plus contextuel et plus varié.

2. Mettez en place une vérification préalable afin de détecter les termes potentiellement grossiers dans l'ensemble du texte de la réponse.cela inclut le nom de l'auteur de l'avis, toute référence à des produits ou à des éléments du menu, ainsi que le nom de votre entreprise dans la formule de signature. Le filtre de Google ne tient pas toujours compte du contexte. « Pornstar Martini » est un cocktail ; pour le filtre, il s'agit malgré tout de deux termes susceptibles d'être signalés.

3. Évitez les modèles strictement identiquessi votre outil envoie exactement la même réponse à plusieurs avis, ce comportement constitue un motif direct de rejet, quelle que soit la qualité du contenu. Chaque réponse devrait comporter un minimum de variation, même lorsque les différences restent limitées.

4. Retirez les coordonnées de vos modèles de réponse :Tout modèle contenant une adresse e-mail, un numéro de téléphone ou une formulation du type « Contactez-nous » doit être revu. Lorsque vous répondez à une réclamation, privilégiez une invitation générale à poursuivre l'échange plutôt qu'un appel à l'action direct accompagné de vos coordonnées.

5. Répartissez vos réponses dans le temps :Si vous programmez l'envoi de 200 réponses à 9 h un lundi matin, ce schéma sera facilement détectable. Répartissez vos réponses sur différentes plages horaires et essayez de répondre dans les 24 heures suivant la publication de l'avis.

Le manque de visibilité est le véritable problème.

La plupart des entreprises ignorent que leurs réponses sont rejetées. C'est sans doute le véritable problème.

Google n'envoie aucun e-mail. Aucun indicateur n'apparaît dans le tableau de bord Google Business Profile. La réponse disparaît simplement de l'affichage public alors qu'en interne, elle est associée à l'état « REJECTED » , une information accessible uniquement via l'API. Pour les entreprises qui utilisent des outils tiers n'exposant pas ce champ, le problème reste totalement invisible.

C'est pourquoi l'accès au champ ReviewReplyState via l'API n'est pas un simple détail technique. C'est une nécessité opérationnelle. Sans cette visibilité, vous publiez dans une véritable boîte noire.

Sur GMBapi.com, le statut « ReviewReplyState » est affiché pour chaque réponse. Lorsqu'une réponse est rejetée, la plateforme la signale afin qu'elle puisse être analysée, corrigée puis soumise à nouveau. Les données utilisées pour cette étude proviennent directement de cette infrastructure de surveillance et ont été collectées lors de deux extractions distinctes, espacées de cinq semaines.

L'objectif n'est pas simplement d'expliquer ce qu'il faut éviter. Il est de rendre visible ce qui, jusqu'à présent, restait invisible.