La recherche de « Mir Kvestov » comprend le texte libre : 37% des recherches aboutissent à la fiche d'un escape game
Un visiteur de « Mir Kvestov » tape « un truc un peu flippant pour deux ». Le catalogue n'a aucune catégorie de ce genre, et la recherche ne comprenait pas la requête. Désormais, six classifieurs LLM transforment la phrase en filtres : niveau de peur 2–3 et deux joueurs. Résultat : 37% des recherches se terminent par l'ouverture de la fiche d'un escape game, 52% par un ajustement des filtres, et seulement 11% restent sans aucune action. Sans historique d'utilisateurs, une enquête auprès des acheteurs et un LLM suffisent.
Traité par IA depuis Habr AI ; édité par Hamidun News
Imaginez un visiteur d'un site qui référence trois mille escape games et qui tape dans la barre de recherche « un truc un peu flippant pour deux ». Le catalogue ne contient aucune catégorie de ce type : il propose des niveaux de peur de 0 à 3, un nombre de joueurs, un format et une thématique. Une recherche par mots exacts renverra une page vide ou des résultats aléatoires, et l'utilisateur quittera le site sans réserver.
C'est ce problème que l'agrégateur « Mir Kvestov » (7,5 millions de visiteurs par an) a résolu : six modèles de langage utilisés en mode classification (des classifieurs LLM) traduisent la phrase libre en filtres du catalogue. Résultat : 37% des recherches se terminent par l'ouverture de la fiche d'un escape game, 52% par une modification des filtres suivie d'un nouvel examen des résultats, et seulement 11% n'aboutissent à aucune de ces deux actions. Pour les développeurs de catalogues de niche, ce retour d'expérience montre comment se passer de gros volumes de logs utilisateurs.
Le problème : personne à qui recommander, rien sur quoi s'appuyer
Le marché des escape games est mature et la demande, selon Wordstat, stagne. Le principal levier de croissance consiste donc à aider le visiteur déjà présent à trouver son escape game. Mais 65% des visiteurs ne sont pas connectés : ils n'ont pas d'historique de navigation, alors qu'un système de recommandation classique s'appuie justement sur l'historique. Par défaut, les résultats mettaient tout le monde devant les contenus les plus populaires : escape games d'horreur et performances. Cela ne convenait pas à ceux qui cherchaient une aventure ou une enquête policière ; selon l'estimation de l'auteur, ils représentent 11–17% des visiteurs.
À défaut d'historique, l'équipe a interrogé les acheteurs eux-mêmes. Après la réservation, un questionnaire de 10–12 questions est proposé : genres, décors, niveau de peur et de difficulté, avec qui la personne joue et à quelle occasion. En un an, on récolte 20–30 mille questionnaires, chacun étiqueté avec l'escape game réservé. On obtient ainsi un jeu de données annoté : les préférences d'un côté, le choix de l'autre.
Version 1 : 120 cases à cocher réduites à trois clics
Le questionnaire compte environ 120 réponses possibles, et personne n'acceptera de les cocher toutes sur le site. Les questions ont donc été condensées en trois étapes. Les réponses ont été encodées sous forme de variables 0 ou 1. Les escape games ont été regroupés par la méthode des k-moyennes en classes, d'après le profil moyen de leurs acheteurs. Un arbre de décision de profondeur 6 a ensuite été entraîné à deviner la classe d'un escape game à partir d'un minimum de réponses.
Sur le site, cela prend la forme de boutons de suggestion sous la barre de recherche. Le visiteur clique sur « Pas effrayant », « Pour enfants », « créatures magiques », et la phrase se compose toute seule dans la barre : « Escape game pas effrayant pour enfants sur le thème des créatures magiques, de genre action, pour 4 personnes ». La précision de l'arbre est de 76% (part de prédictions correctes), le rappel de 65% (part des classes correctes que le modèle retrouve) et le score F1 de 67% (moyenne des deux). Trois clics suffisent pour une recommandation, alors que les utilisateurs cliquent en général 4–5 fois.
Un défaut est apparu rapidement : les catégories ont été conçues par des professionnels, et le visiteur n'est pas tenu de distinguer le suspense du thriller et de l'horreur. Ceux qui cliquaient sur les suggestions obtenaient une recommandation ; ceux qui tapaient du texte, non.
Version 2 : six classifieurs analysent le texte à la volée
L'équipe a alors ajouté six classifieurs LLM, un par paramètre : niveau de peur (0–3), difficulté, nombre de joueurs, âge minimum, format et thématique. La requête est envoyée aux modèles pendant que la personne tape. La phrase « effrayant pour deux » devient un niveau de peur 2–3 et deux joueurs ; les autres champs restent vides.
Deux choses se produisent ensuite. L'arbre de suggestions bascule de lui-même sur la branche « Effrayant ou horreur », et le visiteur voit qu'on l'a compris. Les mots reconnus deviennent des filtres exacts, et seul le reste, par exemple le nom d'un escape game, part dans la recherche textuelle. La saisie est hybride : on peut cliquer sur le chip « Mystique » puis ajouter « pour deux », ou commencer par du texte et affiner par des clics. Un chip s'efface en un seul clic, le texte caractère par caractère.
Les métriques et comment les lire
Le succès correspond à l'ouverture de la fiche d'un escape game après une recherche ; la reformulation, à un changement de filtres sans ouverture de fiche. Une pause de plus de 30 minutes démarre une nouvelle session. Une reformulation n'est pas nécessairement un échec : la personne a regardé les résultats et affine sa requête. Ce sont des métriques produit, pas un taux de conversion en réservation.
Pour situer ces chiffres, l'auteur cite des données ouvertes : dans les études de Yandex de 2009–2014, 42–49% des sessions contenaient une requête répétée, et chez eBay, plus de la moitié des requêtes s'inscrivent dans des chaînes de reformulations (Hirsch et al., SIGIR 2020). Ces sources comptent différemment (recherches, sessions, requêtes) : on ne peut donc comparer que les ordres de grandeur, pas les pourcentages exacts. En ordre de grandeur, « Mir Kvestov » se situe au même niveau que les grands moteurs de recherche.
Les géants emploient des méthodes proches. En 2014, Pinterest a ajouté des suggestions d'affinage cliquables et obtenu 25% de recherches en plus par utilisateur. En 2025, Instacart traite les requêtes fréquentes depuis un cache et les requêtes rares avec un Llama 3 8B affiné, en 300 ms environ ; les plaintes concernant la mauvaise qualité des résultats ont été divisées par deux.
En 2026, Airbnb a résolu son problème de démarrage à froid avec environ 500 enquêtes auprès d'utilisateurs et des requêtes synthétiques générées par un LLM. La différence tient aux données : les géants de la tech disposent de millions de produits et de logs, un catalogue de niche en a peu, d'où le choix de passer par une enquête et un arbre de décision.
Ce qu'il faut retenir
Si vous n'avez pas de données sur vos utilisateurs, interrogez ceux qui ont déjà acheté : une enquête fournit un jeu de données annoté. Un long questionnaire peut être condensé par un arbre de décision : 120 cases à cocher se sont transformées en 3–5 clics. Et ne forcez pas vos clients à penser dans le langage de vos catégories : laissez-les écrire comme ils veulent, les classifieurs traduiront le texte en filtres. La recherche hybride fonctionne sur mir-kvestov.ru.
- 12 oct. 2026« Mir Kvestov » lance son chatbot IA Questocha et teste cinq modèles sur 12 portes critiques
- 2 mai 2026Comment on teste les réseaux de neurones : des escape rooms au jeu de l'imitation humaine
- 1 nov. 2026Test de 16 modèles sur 7 moteurs de recherche : Exa obtient en moyenne 10,5 points sur 14, SearXNG environ 3
- 12 oct. 2026EliteTable fait évoluer du code de contrôle par LLM : progression sur 6 tâches sur 6
Questions clés sur cet article
Que sait-on sur Le problème : personne à qui recommander, rien sur quoi s'appuyer ?
Le marché des escape games est mature et la demande, selon Wordstat, stagne. Le principal levier de croissance consiste donc à aider le visiteur déjà présent à trouver son escape game. Mais 65% des visiteurs ne sont pas connectés : ils n'ont pas d'historique de navigation, alors qu'un système de recommandation classique s'appuie justement sur l'historique. Par défaut, les résultats mettaient tout le monde devant les contenus les plus populaires : escape games d'horreur et performances.
Que sait-on sur Version 1 : 120 cases à cocher réduites à trois clics ?
Le questionnaire compte environ 120 réponses possibles, et personne n'acceptera de les cocher toutes sur le site. Les questions ont donc été condensées en trois étapes. Les réponses ont été encodées sous forme de variables 0 ou 1. Les escape games ont été regroupés par la méthode des k-moyennes en classes, d'après le profil moyen de leurs acheteurs. Un arbre de décision de profondeur 6 a ensuite été entraîné à deviner la classe d'un escape game à partir d'un minimum de réponses.
Que sait-on sur Version 2 : six classifieurs analysent le texte à la volée ?
L'équipe a alors ajouté six classifieurs LLM, un par paramètre : niveau de peur (0–3), difficulté, nombre de joueurs, âge minimum, format et thématique. La requête est envoyée aux modèles pendant que la personne tape. La phrase « effrayant pour deux » devient un niveau de peur 2–3 et deux joueurs ; les autres champs restent vides. Deux choses se produisent ensuite. L'arbre de suggestions bascule de lui-même sur la branche « Effrayant ou horreur », et le visiteur voit qu'on l'a compris.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.