Une IA ne parcourt pas l’ensemble du Web avant de vous répondre. Elle commence par utiliser la recherche vectorielle pour extraire de son index une douzaine de passages parmi les plus pertinents. Elle transmet ensuite ces extraits au modèle de langage, qui compose sa réponse uniquement à partir de ces fragments. La conséquence est contre-intuitive : pour être cité par une IA, ce n’est pas tant la position de votre page dans un classement traditionnel qui compte que la capacité d’un paragraphe précis à être extrait et compris isolément.
Les quatre étapes qui se déroulent en coulisses
Entre l’envoi de votre requête et l’affichage de la réponse, le système passe par quatre grandes étapes : compréhension de la requête, récupération, reclassement et génération. À chacune d’elles, une partie des contenus est éliminée. Pour apparaître dans la réponse finale, votre contenu doit donc franchir tous les filtres. Or, la plupart des équipes se concentrent sur la forme de la réponse produite à la dernière étape et négligent les trois précédentes, celles qui déterminent si leur contenu figurera parmi les candidats.
- Compréhension et reformulation de la requête : le modèle décompose, complète et peut même reformuler une question exprimée en langage courant en plusieurs sous-requêtes afin de lever les imprécisions ou les ambiguïtés.
- Récupération : le système convertit la requête en vecteur, puis recherche dans l’index des dizaines de passages dont le sens est le plus proche. Cette étape délimite le vivier de contenus candidats.
- Reclassement : un modèle plus sophistiqué réévalue chaque passage candidat et place en tête ceux qui sont les plus susceptibles de répondre à la question.
- Génération : le modèle de langage ne consulte que les passages finalement retenus, en fait la synthèse et, lorsque l’interface prend en charge les citations, indique les sources utilisées.
Embedding : transformer le « sens » en coordonnées
L’embedding est au cœur du processus de récupération. Le système transforme chaque extrait en une suite de nombres — un vecteur — puis le place dans un espace à plusieurs dimensions. Les contenus au sens proche occupent des coordonnées voisines : « résilier un abonnement » et « se désabonner » diffèrent dans leur formulation, mais leurs vecteurs se recouvrent presque. La question de l’utilisateur est elle aussi convertie en vecteur. La recherche devient alors un problème de géométrie : repérer dans cet espace les points les plus proches de la requête.
Voilà pourquoi l’accumulation artificielle de mots-clés est peu efficace dans la recherche par IA. Le modèle mesure une proximité sémantique, et non une correspondance exacte entre des chaînes de caractères. Pour renforcer la pertinence d’un contenu, mieux vaut traiter le sujet dans son ensemble, expliciter les liens entre les concepts et donner au texte une position nette dans l’espace sémantique.
RAG : le modèle répond à partir de « ce qu’il a trouvé », pas de ce dont il se souvient
Aujourd’hui, la plupart des moteurs de recherche par IA reposent sur le RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération). Comme les connaissances inscrites dans les paramètres du modèle peuvent devenir obsolètes ou conduire à des informations inventées, le système récupère à la volée un ensemble de documents avant de répondre. Il les ajoute au contexte, puis demande au modèle de s’appuyer sur ces données. C’est pour cette raison que Perplexity et AI Overviews affichent des liens vers leurs sources : leurs réponses sont construites à partir des documents ainsi récupérés.
AI Overviews, ChatGPT et Perplexity ne fonctionnent pas de la même manière
Même lorsqu’ils utilisent le RAG, ces services l’implémentent de façons très différentes. Google AI Overviews est relié à l’index de recherche existant : les sources candidates sont généralement des pages déjà classées, que Gemini sélectionne et synthétise ensuite. Perplexity privilégie davantage la recherche en temps réel et le reclassement, avec un éventail de sources plus large et des informations plus récentes. Pour ChatGPT, tout dépend du mode utilisé : lorsque la recherche est activée, il effectue une recherche ; lorsqu’elle ne l’est pas, il répond à partir des connaissances acquises pendant son entraînement. Dans ce dernier cas, ses informations risquent plus facilement d’être obsolètes ou de ne pas inclure votre contenu. Comprendre ces différences permet de savoir où concentrer vos efforts.
Comment rédiger vos contenus à partir de ce processus ?
En reprenant les quatre étapes dans l’ordre inverse, les priorités d’optimisation deviennent évidentes. Votre contenu doit à la fois être récupéré et retenu pour la génération. La récupération dépend de la richesse sémantique du contenu et de son accessibilité technique ; la sélection repose sur des paragraphes autonomes, des réponses claires et des sources crédibles. Ces deux exigences interviennent à des étapes différentes, mais aucune ne peut être négligée si vous souhaitez apparaître dans la réponse.
- Rédigez chaque paragraphe pour qu’il puisse être compris sans son contexte : une fois extrait, il sera souvent présenté isolément.
- Faites correspondre directement la question et la réponse : commencez par la conclusion, puis exposez les raisons, afin que le modèle n’ait pas à deviner votre propos.
- Remplacez les adjectifs par des chiffres, des définitions et des étapes précises. Un contenu vérifiable inspire davantage confiance et se prête mieux à la citation.
- Conservez un périmètre sémantique clair : traitez un sujet avec précision sur une même page afin d’éviter que ses vecteurs ne se dispersent dans des zones ambiguës.
- Veillez à ce que les robots d’exploration des IA puissent accéder au contenu. Le fichier robots.txt, les données structurées et les méthodes de rendu doivent tous être pris en compte.
Chaque étape de la recherche par IA agit comme un filtre. Pour être réellement visible, votre contenu doit rester dans la sélection jusqu’au moment de la génération. De nombreux sites B2B sont écartés avant même l’indexation : leur contenu n’est pas nécessairement mauvais, mais la structure des paragraphes ou la configuration technique empêche le moteur de l’interpréter correctement. Pour repérer à quelle étape votre visibilité se perd, vous pouvez prendre rendez-vous pour un diagnostic GEO de 30 minutes. Grâce au suivi de la visibilité dans les IA, nous vérifions directement si vos contenus sont cités par les différents moteurs.
