Filtre de rejet des réponses aux avis de Google : ce que 12 752 réponses rejetées révèlent

Google rejette désormais les réponses aux avis en silence. Aucune notification. Aucune explication. Votre réponse reste à l'état REJETÉ dans l'API pendant que vous supposez qu'elle a été publiée.

Nous le savons parce que nous pouvons le constater. L'API Google Business Profile a introduit ReviewReplyState le 1er avril 2026 (Blog des modifications Google pour les développeurs). Avant cela, chaque réponse publiée via l'API était automatiquement mise en ligne. Sans modération. Sans filtre.

Cela a changé. Et avec cela est apparu un problème de rejet silencieux dont la plupart des entreprises et des agences n'ont aucune idée qu'elles en sont victimes.

Nous avons extrait 12 752 réponses d'avis rejetées de nos données de plateforme lors de deux extractions distinctes, l'une immédiatement après la mise à disposition des données le 22 avril 2026, et une seconde le 28 mai 2026, afin de découvrir ce qui déclenche réellement le filtre de Google. C'est la première fois que ces données sont publiées. Voici ce que nous avons trouvé.

L'ampleur du problème est plus grande que quiconque ne le réalise

Dans notre ensemble de données combinées de 12 752 réponses rejetées :

92,6 % étaient des réponses à des avis 5 étoiles. Les avis positifs génèrent le plus de rejets, presque certainement parce que les entreprises (et les outils d'IA) y répondent avec un langage enthousiaste et des modèles.

Les rejets ont fortement augmenté en 2024. De 354 rejets sur l'ensemble de 2022 et 398 en 2023, le nombre a bondi à 9 393 pour la seule année 2024. Soit le filtre de Google est devenu significativement plus agressif, soit la qualité des avis a changé.

La réponse rejetée moyenne a été rédigée 1 221 heures, soit environ 50 jours, après la publication de l'avis original. Les réponses différées et planifiées en masse apparaissent dans les données à un taux disproportionné, et cette moyenne a augmenté depuis notre première extraction. La nature silencieuse de ce phénomène est le problème principal. Une réponse rejetée ne génère pas d'erreur. Elle ne rebondit pas. Elle n'apparaît tout simplement pas. Sans visibilité au niveau de l'API, vous ne le sauriez jamais.

Deux instantanés, une histoire

Le graphique ci-dessous représente le nombre mensuel de rejets issus des deux extractions de données. La première extraction (22 avril 2026, représentée en bleu clair) a capturé 7 151 réponses rejetées. La seconde extraction (28 mai 2026, représentée en bleu foncé) en a identifié 12 752, soit une augmentation de 78 % en seulement cinq semaines, reflétant à la fois de nouveaux rejets et des réponses historiquement rejetées qui n'avaient pas encore été indexées lors de notre première extraction.

La ligne orange indique le pourcentage de réponses rejetées chaque mois qui contiennent un langage générique d'IA détectable. Sa trajectoire est la conclusion principale de cette analyse.

Les deux ensembles de données racontent une histoire cohérente : un niveau de référence stable tout au long de 2022-2023, un pic explosif en 2024, et un net changement de composition à partir de mi-2025, où le volume diminue tandis que le caractère de ce qui reste change considérablement.

Raison 1 : Le langage générique d'IA est le principal déclencheur

67 % de toutes les réponses rejetées dans notre ensemble de données contenaient au moins une phrase générique d'IA détectable. La proportion est passée d'environ 35 % début 2024 à 85 % mi-2024, niveau qu'elle a maintenu jusqu'à début 2025.

Les expressions qui apparaissent le plus souvent dans les réponses rejetées sont précisément celles produites par des outils de réponse IA non configurés ou génériques:

Ces phrases n'apparaissent pas seulement dans les réponses rejetées; elles les dominent. Ce n'est pas une corrélation. Le schéma est trop cohérent, et la chronologie trop précise, pour être une coïncidence.

Notre hypothèse : le système de modération de Google a construit un modèle statistique des réponses aux avis automatisées et de mauvaise qualité. Les phrases ci-dessus sont les empreintes de la génération de masse par l'IA. Elles apparaissent dans des millions de réponses à travers des milliards d'entreprises à une fréquence anormale. Le filtre de Google semble signaler les réponses qui combinent ces signaux dans un modèle reconnaissable.

Pensez-y comme à un filtre anti-spam. Les mots individuels ne sont pas le problème. La combinaison « phrase d'accroche + nom + compliment + ligne de satisfaction + conclusion prospective » est le modèle que Google a appris à rejeter.

Voici un exemple réel tiré de nos données (une réponse à un avis de plomberie 5 étoiles, 1 731 caractères, immédiatement rejetée) :

« Bonjour Tannas, Merci pour votre avis élogieux et d'avoir chaudement recommandé Kingstree Plumbing ! Nous sommes incroyablement reconnaissants de votre approbation… C'est merveilleux d'apprendre que l'approche informative, efficace et amicale de Dane a eu un impact si positif… Vos commentaires nous sont précieux… #KingstreePlumbing #HighlyRecommended #EfficientService… »

Cette réponse contient des hashtags, une surabondance de mots-clés, une longueur excessive, des phrases de louange de style IA, et semble avoir été générée par un outil sans garde-fous. Elle a été rejetée immédiatement.

La leçon : si votre outil de réponse IA produit des réponses qui ressemblent à celles de tous les autres outils de réponse IA, le filtre de Google finira par le détecter.

Raison 2 : Jurons dans les noms, les noms d'entreprise et les éléments de menu

Ceci surprend les gens. Le filtre de blasphème de Google opère sur le texte complet de la réponse, mais il ne peut pas distinguer entre une insulte et un contexte où la même chaîne est légitime.

Le problème se manifeste sous trois formes distinctes.

La règle pratique : avant que votre outil de réponse ne publie une réponse, il doit exécuter une vérification préalable sur le texte intégral, y compris le nom de l'évaluateur, les noms de produits et la signature de l'entreprise. Si une chaîne de caractères peut déclencher un filtre de contenu offensant automatisé, la réponse nécessite une révision humaine avant d'être soumise.

Raison 3 : Réponses exactement identiques et à contenu minimal

Dans les données, un compte a soumis la réponse « Merci ! », dix caractères, mot pour mot, à plus de 100 avis consécutifs. Toutes ont été rejetées. Un autre compte a envoyé « merci pour votre bon avis » de manière identique à 46 avis consécutifs. Un troisième schéma : « Merci 🙏 » avec seulement le prénom de l'évaluateur ajouté, envoyé des centaines de fois sur un compte.

À l'extrême : des réponses rejetées ne consistant qu'en un seul emoji « 👍 », « 🙌 », « 😊 », ou juste des signes de ponctuation comme « !!! » ou « . ».

Deux mécanismes sont probablement à l'œuvre ici. Premièrement, la duplication exacte à grande échelle est un signal de spam classique. Lorsque la même chaîne est soumise depuis le même compte à des dizaines ou des centaines d'avis dans un court laps de temps, ce schéma correspond à un comportement d'automatisation de faible qualité connu, que la chaîne individuelle soit offensante ou non. Deuxièmement, Google semble appliquer un seuil de qualité minimum. Une réponse qui n'ajoute aucune valeur informationnelle au dossier public, comme « Merci ! », n'apporte rien qu'un lecteur ne pourrait déduire de la notation par étoiles, et peut ne pas atteindre le seuil de qualité que le système de modération applique avant qu'une réponse ne soit approuvée.

L'implication pratique : l'utilisation de modèles n'est pas seulement un problème de langage standard. Même une réponse courte, claire et non générée par l'IA sera rejetée si elle est identique à des dizaines d'autres réponses provenant du même compte.

Raison 4 : Coordonnées dans le corps de la réponse

Les réponses aux avis ne sont pas un canal pour générer du trafic ou capturer des leads. La politique de contenu de Google le précise, et nos données le confirment.

327 réponses (2,6 %) contenaient une adresse e-mail intégrée dans le corps de la réponse. Il s'agit presque toujours d'une tentative bien intentionnée de résoudre une plainte : « Veuillez nous contacter à l'adresse [email protected] afin que nous puissions corriger cela. » 

287 réponses (2,3 %) incluaient des expressions telles que « contactez-nous » ou « appelez-nous », invitant l'évaluateur à agir en dehors de la plateforme. Ce schéma est cohérent avec les avis négatifs et neutres, où les entreprises souhaitent instinctivement déplacer la conversation hors ligne.

La position de Google est simple : une réponse à un avis doit s'adresser publiquement à l'auteur de l'avis. Si vous souhaitez faire un suivi en privé, utilisez la fonction de messagerie privée existante de Google. Intégrer votre adresse e-mail de support dans une réponse publique est considéré comme une sollicitation commerciale ou hors plateforme, et cela est bloqué.

Raison 5 : Hashtags dans le texte de réponse

38 réponses dans notre ensemble de données contenaient des hashtags, et les 38 ont été rejetées. Les hashtags sont une fonctionnalité des plateformes de médias sociaux où la découverte est basée sur le balisage. Les avis Google Business Profile ne sont pas des médias sociaux. Ce sont des signaux de confiance structurés.

L'exemple de hashtag rejeté de nos données rend le problème clair : #KingstreePlumbing #HighlyRecommended #EdmontonAreaExperts  

Ceci est considéré comme une manipulation SEO, bourrant les noms d'entreprise et les termes de localisation dans une réponse pour manipuler les signaux de recherche locale. Que ce soit l'intention ou non, le filtre de Google l'interprète ainsi.

La règle est simple : pas de hashtags dans les réponses aux avis.

Raison 6 : Planification en masse et vélocité des réponses

Le temps de réponse seul ne provoque pas le rejet. Mais il fait partie du modèle plus large que Google semble analyser.

78,7 % des réponses rejetées dans notre ensemble de données ont été publiées plus de 24 heures après la rédaction de l'avis. Le délai moyen était de 1 221 heures, soit environ 50 jours, contre 720 heures lors de notre première extraction. Cela reflète le comportement des entreprises qui regroupent leurs réponses, effectuant souvent une génération d'IA en masse une fois par semaine ou une fois par mois plutôt que de répondre en temps réel. Cette moyenne s'aggrave, et non l'inverse.

Lorsqu'un même compte soumet un grand volume de réponses dans un court laps de temps, toutes suivant le même modèle structurel, ce comportement est cohérent avec un abus automatisé. C'est l'équivalent numérique d'envoyer 500 e-mails depuis la même adresse IP en une heure : techniquement légitime, mais statistiquement suspect.

Notre hypothèse sur la planification en masse : le système de Google n'évalue peut-être pas une réponse de manière isolée. Il peut l'évaluer dans le contexte de la vélocité, du nombre de réponses que ce compte a soumises au cours de cette période, de la similarité structurelle de ces réponses et de la correspondance du modèle avec des comportements d'automatisation de faible qualité connus. Cela est plus difficile à prouver à partir du seul texte de la réponse. Mais les données de timing, combinées aux données de boilerplate et de duplication, pointent fortement dans cette direction.

Le champ qui change tout : Statut du compte vs Contenu

Tout ce qui précède a été construit par rétro-ingénierie à partir du texte de la réponse rejetée elle-même, car jusqu'à récemment, c'était le seul signal disponible. Google a depuis ajouté une raison de violation de la politique directement à la réponse API pour les réponses rejetées, de sorte que pour la première fois, les entreprises et les plateformes peuvent voir la cause indiquée plutôt que de l'inférer.

Nous avons extrait ce nouveau champ de notre base de clients actuelle : 11 893 réponses rejetées au total. La répartition n'était pas celle à laquelle nous nous attendions.

Plus de 90 % des rejets de cet ensemble de données ont pour motif ACCOUNT_RESTRICTED_AND_EDIT_REJECTED. Selon la documentation de l'API de Google, cette valeur spécifique signifie que le compte Google associé au profil d'entreprise a été restreint, ce qui entraîne le rejet des modifications, y compris les réponses aux avis. Il est essentiel de noter que le profil d'entreprise lui-même n'est pas suspendu et reste publiquement visible. Seule la capacité du compte à apporter des modifications est bloquée.

En d'autres termes, pour l'écrasante majorité des rejets que nous pouvons maintenant attribuer directement, le problème n'a jamais été la formulation de la réponse. C'était le statut du compte Google qui l'avait soumise. Une réponse parfaitement rédigée, non-modélisée, sans hashtag ni coordonnées, est tout de même rejetée si le compte qui la sous-tend est restreint.

Cela n'invalide pas les raisons 1 à 6 ci-dessus. GENERIC_VIOLATION et OFFENSIVE, les deux raisons liées au contenu qui apparaissent dans ce nouveau champ, représentent ensemble environ 9 % des rejets où le contenu est explicitement la cause déclarée, et les modèles que nous avons identifiés précédemment (texte générique d'IA, grossièretés dans le contexte, duplication, coordonnées, hashtags, vitesse d'envoi en masse) sont les moteurs les plus plausibles de cette part plus petite. Ce qui a changé, c'est l'échelle : la qualité du contenu explique une part à un chiffre de ce que nous pouvons désormais mesurer directement, et non la majorité que nous supposions en travaillant uniquement à partir du texte.

Une mise en garde honnête : GENERIC_VIOLATION et GENERIC_VANDALISM n'apparaissent pas dans la liste d'énumérations publiée par Google pour ce champ (les valeurs documentées vont de ACCOUNT_RESTRICTED_AND_SUSPENDED à VIOLENCE_AND_GORE, couvrant à la fois le statut du compte et les catégories de contenu). Nous ne pouvons pas encore confirmer si ces deux valeurs sont des libellés internes hérités, des valeurs non documentées, ou quelque chose de spécifique à la façon dont elles sont exposées via l'API. Il convient de traiter cela comme une véritable question ouverte plutôt que comme une question résolue.

Ce que nous pouvons affirmer avec confiance : les propres catégories de Google se divisent clairement en deux familles. Le statut du compte et de la fiche (ACCOUNT_RESTRICTED_AND_SUSPENDED, ACCOUNT_RESTRICTED_AND_EDIT_REJECTED, ASSOCIATED_ACCOUNT_SUSPENDED, OWNERSHIP_REVOKED, LOCATION_SUSPENDED, LOCATION_DISABLED, EDITING_RESTRICTION, et similaires) appartient à une famille. Les problèmes de contenu (FAKE_ENGAGEMENT, ADVERTISING_AND_SOLICITATION, OFFENSIVE, GIBBERISH_AND_REPETITIVE, VIOLENCE_AND_GORE, et autres) appartiennent à l'autre. Nos données indiquent que la première famille est, de loin, celle où la plupart des rejets atterrissent actuellement.

Ce que la politique de contenu de Google interdit réellement

Les politiques déclarées de Google pour les réponses aux avis sont larges et non documentées de manière exhaustive. D'après nos données et la documentation de l'API, les catégories de contenu suivantes présentent le risque de rejet le plus élevé :

Causes avérées :

• Propos obscènes ou offensants (y compris dans les noms des évaluateurs, des entreprises et des produits intégrés dans la réponse)
• Adresses e-mail
• Hashtags
• Réponses exactes en double soumises à grande échelle depuis le même compte
• Réponses en dessous d'un seuil de qualité ou de contenu minimum (un seul emoji, « Merci ! » seul)

Hypothèses fortes basées sur nos données :

• Texte passe-partout généré par IA (la cause dominante, 67 % de tous les rejets)
• Modèles de vitesse de volume à partir d'un seul compte
• Bourrage de mots-clés ou manipulation SEO dans le texte de la réponse
• Réponses dépassant un seuil de longueur non documenté (la plus longue réponse rejetée dans nos données était de 1 731 caractères)

Moins risqué, mais à surveiller :

• Réponses en langues mixtes où le contenu est signalé dans une langue mais pas dans une autre
• Réponses riches en émojis, en particulier en combinaison avec des textes très courts
• La chronologie : quand le filtre a changé et comment il a évolué

Les données racontent une histoire claire en deux phases.

Phase 1 : 2024 à début 2025. L'épidémie de réponses génériques par l'IA. Avant 2024, les rejets dans notre ensemble de données étaient minimes : 354 en 2022, 398 en 2023. À partir de mars 2024, les rejets ont commencé à s'accélérer fortement. En mai 2024, plus de 70 % de toutes les réponses rejetées contenaient des réponses génériques par l'IA. En juillet 2024, ce chiffre a atteint 85 % et s'est maintenu jusqu'en février 2025.

Le calendrier coïncide précisément avec l'adoption massive des outils de réponse aux avis basés sur l'IA. À mesure que le volume de réponses générées par l'IA augmentait dans l'écosystème Google, le système de modération de Google semble détecter les schémas produits par ces outils. C'est la dynamique essentielle : les outils d'IA ont créé une épidémie de réponses génériques. Google réagit avec un filtre de réponses génériques (deux ans plus tard).

Phase 2 : avril 2025 et au-delà. Un profil de rejet différent. À partir d'avril 2025, la part des rejets de modèles d'IA diminue fortement, passant de plus de 70 % à un chiffre unique certains mois. Le volume total des rejets diminue également de manière significative.

Deux interprétations sont possibles, et les deux peuvent être partiellement vraies. Soit les outils de réponse aux avis basés sur l'IA sont devenus suffisamment sophistiqués pour que les entreprises cessent d'utiliser ces modèles de mauvaise qualité (donc moins de réponses standards sont soumises). Soit Google applique le filtre pour intercepter les réponses standards à un stade particulier de l'âge de la réponse aux avis, avant qu'elles n'atteignent un état de REJET formel. C'est peu probable. Google pourrait ne pas utiliser les réponses aux avis pour le profilage d'entités et contextuel par l'IA au cours de la première année de l'avis, ou dans une moindre mesure. Ce qui reste dans les données de fin 2025 et 2026 est un profil de composition différent : principalement des cas d'obscénité en contexte, des spams en double exact et des réponses à contenu minimal, les catégories couvertes par les raisons 2, 3 et 6 ci-dessus.

Ce que cela signifie pour votre stratégie de réponse aux avis

Vérifiez l'état actuel de votre réponse. Si vous publiez via l'API, vous avez besoin d'une visibilité sur ReviewReplyState. Les réponses publiées via l'interface utilisateur de Google Business Profile ou des outils tiers qui ne mettent pas en évidence ce champ fonctionnent à l'aveugle. Un petit pourcentage de vos réponses existantes peut déjà être à l'état REJETÉ pour devancer les filtres ; suivez ces 5 étapes :

1. Vérifiez le statut du compte et de l'établissement avant toute chose. Si votre plateforme affiche la raison de la violation des règles, examinez-la en premier. Si la raison est liée au compte ou à l'établissement plutôt qu'au contenu, aucune reformulation de la réponse ne la corrigera. Il s'agit d'un problème de santé du compte à signaler, pas d'un problème de rédaction, et les cinq étapes ci-dessous ne seront d'aucune aide tant qu'il ne sera pas résolu.
2. Auditez votre outil de réponse IA. S'il produit des réponses incluant « nous sommes ravis d'apprendre », « votre satisfaction est notre priorité absolue » ou « nous nous réjouissons de vous accueillir de nouveau », il génère du contenu à haut risque de rejet. Ces phrases sont des marqueurs statistiques d'automatisation de faible qualité. Reconfigurez ou réentraînez l'outil avec un langage plus spécifique, contextuel et varié.
3. Effectuez une vérification anti-grossièretés avant publication sur l'intégralité du texte de la réponse. Cela inclut le nom de l'évaluateur, tout produit ou élément de menu mentionné, et le nom de votre entreprise dans la signature. Le filtre de Google ne comprend pas le contexte. "Pornstar Martini" est un cocktail ; le filtre voit deux chaînes signalées.
4. Éliminez les modèles de réponses identiques . Si votre outil envoie des réponses identiques sur plusieurs avis, ce modèle est un signal de rejet direct quelle que soit la qualité du contenu. Chaque réponse doit varier, même si la variation est mineure.
5. Supprimez les coordonnées des modèles. Tout modèle incluant votre adresse e-mail, votre numéro de téléphone ou un libellé du type « contactez-nous » doit être révisé. Répondez aux plaintes par une offre générale de prise de contact, et non par un appel à l'action direct avec des coordonnées intégrées.
6. Répartissez les réponses dans le temps. Si vous programmez l'envoi de 200 réponses à 9h le lundi, ce schéma est détectable. Répartissez les 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 vrai problème

La plupart des entreprises ignorent que leurs réponses sont rejetées. C'est le problème le plus difficile.

Il n'y a pas d'e-mail de Google. Il n'y a pas de drapeau dans le tableau de bord du Profil d'entreprise. La réponse n'apparaît tout simplement pas publiquement, tandis qu'en interne, elle se trouve dans un état REJETÉ que seule l'API peut révéler. Pour toute entreprise utilisant des outils tiers qui n'exposent pas ce champ, le problème est entièrement invisible.

C'est pourquoi l'accès au niveau de l'API à ReviewReplyState n'est pas un détail technique ; c'est une exigence opérationnelle. Sans cela, vous publiez dans une boîte noire.

Chez GMBapi.com, ReviewReplyState est affiché pour chaque réponse. Lorsqu'une réponse est rejetée, la plateforme la signale pour qu'elle puisse être examinée, corrigée et soumise à nouveau. Les données sous-jacentes à cet article proviennent directement de cette infrastructure de surveillance, recueillies lors de deux extractions espacées de cinq semaines.

L'objectif n'est pas de vous dire ce qu'il ne faut pas faire. C'est de rendre l'invisible visible.