D’un ensemble de mots-clés à un budget : faire converger volume, CPC et concurrence en un seul chiffre

Un export d’outil de mots-clés ne répond pas à la question qui compte au moment de lancer une campagne. Il vous donne, pour chaque terme, un volume de recherche, un CPC et un niveau de concurrence. Vous, vous devez décider combien investir ce mois-ci sur tout un ensemble de mots-clés. Passer de ces trois indicateurs isolés à une enveloppe budgétaire exploitable est l’objet de cet article, avec une distinction claire entre les tâches où un modèle fait réellement gagner du temps et celles où il ne fait qu’ajouter du bruit.

Posons d’abord le cadre : toutes les données évoquées ici viennent des bibliothèques publicitaires et creative centers publics des plateformes, consultés depuis votre propre compte, sans signature ni contournement. L’enjeu est simplement de transformer des données publiques, accessibles à tous, en décision budgétaire.

Volume, CPC, concurrence : trois indicateurs à manier avec prudence

On a tendance à lire les trois colonnes d’un tableau de mots-clés comme des valeurs définitives. Elles ne le sont pas.

Le volume de recherche dépend de la période observée. Un même terme peut afficher un volume plusieurs fois différent selon que vous regardez 7, 30 ou 180 jours, souvent avec des évolutions d’un mois sur l’autre et d’une année sur l’autre. Un mot-clé à faible volume mais en hausse de 100 % sur un an ne raconte pas la même histoire qu’un terme très recherché dont le volume a été divisé par deux sur la même période. Si vous ne retenez que la colonne de volume, ils finissent pourtant par se ressembler.

Le CPC n’est pas un montant précis, mais une fourchette. Le planificateur fournit une borne basse et une borne haute. Choisir arbitrairement une médiane revient à effacer l’incertitude que la plateforme vous signale explicitement. Pour un budget prudent, utilisez la borne haute ; pour une projection de retour optimiste, la borne basse. Réduire cela à un point unique, c’est feindre une certitude que vous n’avez pas.

La concurrence est un niveau relatif, pas une mesure absolue de difficulté. Le libellé « faible / moyenne / élevée » dépend de l’ensemble des mots-clés de la plateforme au moment où les filtres sont appliqués. Il signifie seulement que, parmi ces termes, celui-ci se situe plutôt du côté difficile ; il ne quantifie pas la difficulté absolue pour remporter l’enchère. Changez de marché ou de catégorie, et le niveau peut changer. Le traiter comme un score absolu comparable d’un ensemble de mots-clés à l’autre est le piège le plus discret des trois.

Raisonner par ensemble de mots-clés, jamais par simple addition

Une fois admis que ces trois métriques ne disent pas toute la vérité, une question se pose : pourquoi ne pas calculer « volume × CPC » pour chaque mot, puis additionner les résultats ?

Parce que les volumes de recherche de quasi-synonymes ne s’additionnent pas. « Acheter X » et « prix de X » sont très probablement recherchés par les mêmes personnes au cours d’un même achat. Les additionner directement revient à compter deux fois un même utilisateur et à gonfler artificiellement le budget.

Un planificateur mature ne se limite donc pas à une vue mot par mot. Il propose aussi une vue agrégée par ensemble de mots-clés : vous soumettez un groupe de termes et obtenez la fourchette de volume de recherche de l’ensemble, ainsi qu’une fourchette d’estimation budgétaire. Le total tient compte des recouvrements entre les mots au lieu de sommer les lignes une à une. C’est la plateforme elle-même qui calcule le budget au niveau de l’ensemble. Les trois colonnes par mot servent à trier et à regrouper, pas à être additionnées.

Le vocabulaire produit n’est pas celui des recherches

C’est le piège le plus coûteux de cet article, et sans doute celui dans lequel le plus grand nombre tombe : la manière dont vous nommez votre produit et celle dont le marché formule sa recherche sont souvent très différentes.

Un mot de thème métier relève de votre langage interne : le nom du produit, celui d’une fonctionnalité ou le terme de positionnement affiché dans votre présentation. Un mot de recherche appartient au langage de l’utilisateur, souvent plus courant et davantage centré sur son problème. Vous faites de l’« AI video generation » ; votre mot de thème est « AI video generation », mais les internautes recherchent en réalité « how to turn a photo into a video » ou « text to video free ». Ces deux groupes de mots ne se situent pas dans la même catégorie en matière de volume, de CPC ou de concurrence.

Ce décalage est particulièrement destructeur lors de lancements sur plusieurs marchés — le terme métier est traduit littéralement alors que le marché cible ne s’exprime pas ainsi — et dans les catégories nouvelles, où vous avez inventé un mot tandis que le marché décrit encore le besoin émergent avec des termes existants. La solution est simple : le mot de thème n’est qu’une graine. Les termes qui entrent réellement dans le tableau budgétaire doivent provenir des requêtes du marché. Un processus mature sépare les « mots de thème créatif » des « mots de recherche du marché ». Le premier détermine le sujet de la création publicitaire ; le second décide où va le budget. Les mélanger, c’est acheter des mots que personne ne recherche, dans votre propre jargon.

Expansion par modèle : partir de graines, ajouter le contexte et demander l’intention

Passer de quelques graines à un tableau de mots-clés couvrant les recherches réelles du marché est le premier cas où un modèle peut vraiment faire gagner du temps — à condition de ne pas lui poser la mauvaise question. Demandez-lui simplement d’« élargir des mots-clés connexes » et vous obtiendrez une liste de synonymes sans structure. Le bon prompt fournit le contexte métier et impose trois informations pour chaque terme :

Je fais de la publicité sur les moteurs de recherche pour <description du produit en une phrase> sur le marché / dans le pays suivant :
<marché/pays cible>.
Graines : <3 à 10 mots que vous connaissez déjà>

Développe les mots-clés et retourne chaque résultat dans la structure ci-dessous, sans texte additionnel :

1. Mot-clé
2. Étape d’intention correspondante (découverte / comparaison / décision / marque)
   découverte : l’utilisateur décrit un problème et ne connaît pas encore la solution
   comparaison : l’utilisateur évalue plusieurs solutions
   décision : l’utilisateur est prêt à acheter et cherche un canal, un prix ou une alternative
   marque : l’utilisateur recherche un nom de marque précis
3. Pourquoi ce mot est adjacent à la graine (autre formulation du même besoin ?
   étape suivante dans le parcours ? besoin voisin dans le même scénario ?)

Le deuxième point est celui qui transforme un mot en élément budgétaire. Sans étape d’intention, un terme élargi n’est qu’une chaîne de caractères. Le troisième sert à votre contrôle : les mots inventés par le modèle mais sans lien réel avec votre activité se révèlent souvent dans cette colonne. Ces deux champs obligent le modèle à produire une structure vérifiable plutôt qu’une association qui paraît simplement plausible à la lecture.

Valider en retour : les hypothèses du modèle doivent passer l’épreuve du volume réel

Cette étape verrouille toute la chaîne. C’est aussi celle que beaucoup sautent avant de lancer une campagne sur une table de mots hallucinés. Les termes générés par un modèle ne sont que des hypothèses tant qu’ils ne sont pas renvoyés dans l’outil. Le modèle peut proposer une expression grammaticalement impeccable, accompagnée d’une intention crédible, mais recherchée zéro fois dans le mois. Il n’a pas accès au volume de recherche en temps réel : il échantillonne selon « est-ce que cela ressemble à une vraie requête ? », non selon « est-ce que quelqu’un recherche réellement cela ? ».

La méthode est mécanique : renvoyez chaque terme dans le planificateur, récupérez son volume réel, son CPC et sa concurrence, puis ne gardez que les mots avec un volume non nul et une étiquette d’intention cohérente avec les métriques réelles. Une intention de décision implique généralement un CPC plus élevé et une concurrence plus forte. Si le modèle classe un mot en décision alors que son CPC est absurdement bas et que sa concurrence se situe au niveau le plus faible, ce n’est pas une trouvaille : l’intention est mal classée, il faut le renvoyer.

Cette répartition des rôles — le modèle formule l’hypothèse, les données réelles tranchent — repose sur le même schéma que l’utilisation d’un modèle pour reconnaître des algorithmes dans du code obfusqué, puis le filtrage de ses hallucinations par tests différentiels en rétro-ingénierie. Le modèle excelle à générer des candidats, mais il est faible pour vérifier les faits : il ne doit pas faire les deux en même temps. Pour les mots-clés, la « validation en retour » joue ici le rôle du test différentiel, et l’assertion volume > 0 a bien plus d’autorité que l’affirmation du modèle selon laquelle « c’est un bon mot ».

Le budget se répartit par niveau d’intention

Le tableau de mots-clés validé possède désormais une structure exploitable : chaque terme a une fourchette de volume réelle, une fourchette de CPC, un niveau de concurrence et une étiquette d’étape d’intention. C’est seulement à ce stade que le budget peut être calculé. L’essentiel n’est pas de le répartir uniformément entre les mots, mais de l’allouer selon l’intention :

• Mots à intention de décision (« prix de X », « alternative à X », « acheter X ») : ce sont les plus proches de la conversion et les plus précieux par clic, mais leur volume est faible, la concurrence maximale et le plafond de CPC le plus élevé. Ils sont prioritaires et justifient une forte tolérance au prix, dans une limite donnée : le nombre de personnes prêtes à acheter reste limité.

• Mots à intention de comparaison : ils se situent au milieu, aussi bien en conversion qu’en volume, et captent la part de budget qui déborde des mots de décision.

• Mots à intention de découverte (« comment faire X », « qu’est-ce que X ») : ils affichent le volume le plus élevé et le CPC le plus bas, mais sont les plus éloignés de la conversion. Accordez-leur une faible allocation pour assurer la couverture, sans leur imposer l’objectif de conversion d’un mot de décision.

Au sein de chaque groupe, triez ensuite selon « fourchette de volume × part cible × fourchette de CPC ». Au final, un ensemble de mots-clés ne se résume pas à un chiffre sorti de nulle part, mais à une structure budgétaire répartie par étape d’intention, avec une fourchette pour chacune.

Choisir le bon modèle à chaque étape

Les tâches confiées au modèle dans cette chaîne n’exigent pas les mêmes capacités. Utiliser un modèle unique de bout en bout revient soit à dépenser inutilement, soit à perdre en précision :

La première étape mérite une attention particulière : l’expansion et la classification d’intention sont les seules où le changement de modèle modifie visiblement le résultat. Elles testent à la fois la compréhension de votre activité et la capacité du modèle à reconnaître qu’un mot est en réalité hors sujet. Un modèle moins performant vous livrera un tableau entièrement développé, avec chaque intention marquée « décision » ; un seul passage de validation en retour révélera alors un taux de réussite médiocre. Un modèle doté d’un meilleur raisonnement signalera lui-même les termes non adjacents. Vous pouvez mesurer cet écart simplement :

1. Choisissez un ensemble de mots-clés graines, soit 5 à 10 mots dont vous maîtrisez le contexte métier.

2. Envoyez les mêmes « graines + contexte métier » à claude-opus-5 et gpt-5.6-sol. Demandez 50 mots à chacun, au format « mot + étape d’intention + pourquoi il est adjacent ».

3. Renvoyez les deux listes dans le planificateur pour obtenir le volume, le CPC et la concurrence réels.

4. Examinez deux points : le nombre de mots générés dont le volume réel est non nul, et la cohérence des intentions avec le CPC et la concurrence réels — les mots de décision devraient être plus chers et plus concurrentiels.

5. Ce taux de réussite est votre critère de sélection : il détermine directement le nombre de mots hallucinés que les étapes suivantes devront écarter. Une seule comparaison montre la différence plus clairement que n’importe quel benchmark.

Le vrai frein : le coût du changement de modèle

Quatre modèles issus de trois fournisseurs impliquent trois SDK, trois mécanismes d’authentification et trois formats d’erreur. Réécrire votre client trois fois pour changer de modèle entre l’expansion, l’étiquetage en masse et l’attribution ne vaut pas le coût. La plupart finissent donc avec un seul modèle pour toute la chaîne, emploient pour l’expansion un niveau incapable de bien gérer les intentions et obtiennent un faible taux de réussite au retour des données sans comprendre pourquoi.

AIReiter supprime cette couche : une clé, une interface compatible OpenAI, les quatre niveaux accessibles derrière, et un changement de modèle qui se limite au champ model du corps de la requête.

# Expansion de mots-clés + classification des intentions : niveau de raisonnement
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<prompt d’expansion + graines + contexte métier>"}]
  }'

# Étiqueter des centaines de mots élargis en masse : changez le champ model, rien d’autre
#   "model": "claude-sonnet-5"
# Attribution des écarts après retour des données :
#   "model": "gpt-5.6-sol"

Si vous utilisez déjà le SDK OpenAI, pointez base_url vers https://aireiter.com/api/v1 sans rien changer d’autre. Avec le SDK Anthropic, appelez POST /api/v1/messages avec la même clé.

Côté prix, les modèles Claude bénéficient de 30 % de réduction sur le tarif catalogue, et les modèles GPT sont à moitié prix. Le principal coût de ce flux ne vient pas de l’expansion, qui ne demande que quelques appels au niveau de raisonnement puisqu’un ensemble de mots-clés se traite en quelques itérations. Ce qui consomme réellement du volume, c’est l’étiquetage en masse : des centaines à milliers de mots candidats par passage de planification, classés par intention et dédupliqués élément par élément. C’est précisément sur cet appel dense que le traitement en masse à forte concurrence du niveau économique, avec Claude à 30 % de réduction, trouve son intérêt.

• Obtenir une clé API

• Essayer sans créer de compte : commencez par développer manuellement un ensemble de mots-clés et comparez le taux de réussite après retour des données pour les mots issus des deux niveaux, puis décidez s’il vaut la peine de l’intégrer.

À retenir

Un outil de mots-clés fournit trois métriques imparfaites : le volume de recherche dépend de la fenêtre temporelle, le CPC est une fourchette et la concurrence un niveau relatif. Un lancement, lui, requiert une structure budgétaire répartie par étape d’intention. Le passage de l’un à l’autre suit une logique simple : dédupliquer par ensemble plutôt que sommer les mots, partir des requêtes du marché plutôt que des termes métier, laisser le modèle élargir les mots et associer une intention mais vérifier chaque terme avec un volume réel, puis répartir le budget selon l’intention au lieu de le distribuer uniformément entre les mots. Le modèle accélère l’expansion et la classification des intentions ; il ne décide pas du budget.

Une fois cette enveloppe calculée, elle alimente l’étape de validation commerciale de la chaîne qui va du mot-clé à la création publicitaire finale : seuls les ensembles dont le budget franchit le seuil méritent de passer à l’identification des créateurs et à la génération des assets. L’autre ligne de décision parallèle consiste à analyser la courbe de rétention d’une publicité seconde par seconde : l’une détermine les mots sur lesquels vous investissez, l’autre les créations sur lesquelles vous investissez.