Comment les assistants IA choisissent les sites qu'ils citent

Un assistant ne peut citer que ce qu'il arrive à atteindre. Quand une question demande de l'information récente ou précise, ChatGPT, Claude, Gemini, Copilot ou Perplexity lancent habituellement une recherche web, ouvrent quelques pages prometteuses et bâtissent leur réponse avec les passages qui vont droit au but. L'objectif : faire partie de ces pages. Faciles à récupérer, faciles à décortiquer, et clairement la meilleure réponse du lot.

Aucun de ces fournisseurs ne dévoile sa recette complète, et leurs systèmes bougent souvent. Les grands mécanismes sont toutefois bien documentés, et ils récompensent les qualités qui ont toujours rendu un site utile. Voici ce qu'on sait, ce qui aide, et ce qu'on laisserait volontiers de côté.

Deux types de connaissances

Un assistant puise dans deux réservoirs. Le premier, c'est ce que le modèle a assimilé pendant son entraînement : un immense instantané du web et d'autres textes, figé à une date limite. Il façonne ce que l'assistant « sait » de votre marque, vient rarement avec un lien, et vous n'avez aucun moyen de le mettre à jour.

Le second, c'est la recherche au moment de répondre. Quand la question l'exige, l'assistant interroge un index de recherche (celui de son fournisseur, celui d'un partenaire, ou les deux), récupère les pages qui semblent pertinentes et les lit. C'est de là que viennent les citations, et c'est là que vous avez une prise dès aujourd'hui.

Ce qui se passe pendant la recherche

1. La question devient des requêtes. L'assistant reformule la demande en une ou plusieurs requêtes, souvent plus pointues que ce que la personne a réellement tapé.
2. Des candidats sont repérés. Les pages sortent d'un index de recherche ; la découvrabilité classique compte donc toujours : pages explorables, plan de site, titres et liens qui ont du sens.
3. Les pages sont récupérées et lues. Certains assistants vont chercher la page en direct, d'autres travaillent à partir d'une copie en cache. Dans un cas comme dans l'autre, le système n'a que le texte qu'il réussit à extraire.
4. Des passages sont retenus. Le modèle repère, dans chaque page, ce qui répond à la question, compare les sources et rédige une synthèse.
5. Les sources sont citées. Les pages dont les passages ont nourri la réponse sont les plus susceptibles d'obtenir le lien.

Ce qui rend une page facile à citer

• Une réponse directe en haut de page. Un premier paragraphe qui répond à la question en mots simples, c'est un cadeau pour qui veut citer.
• Les mots des vraies questions. Des intertitres et des questions de FAQ formulés comme les gens les posent aident la page à correspondre à la requête.
• Des passages autonomes. Un paragraphe qui garde son sens une fois sorti de son contexte est bien plus utile qu'un autre qui s'appuie sur ce qui précède.
• Du concret. Des critères nommés, des dates, des prix et des étapes, à condition qu'ils soient vrais et que vous puissiez les assumer.
• Fraîcheur et paternité. Une date visible, un auteur ou une organisation clairement identifiés, et des faits qui concordent avec ce que le reste du web dit de vous.

Laissez entrer les bons robots

Les fournisseurs d'IA documentent les agents qu'ils utilisent, et la plupart séparent l'exploration qui sert à entraîner les modèles de la récupération de pages pour la recherche et les réponses en direct. OpenAI, par exemple, documente des robots distincts pour l'entraînement (GPTBot) et pour la recherche (OAI-SearchBot). Jetez un œil à votre fichier robots.txt, à votre pare-feu et aux réglages de robots de votre CDN : bien des sites bloquent ces agents sans le savoir. Ensuite, tranchez en connaissance de cause. Bloquer les robots d'entraînement tout en laissant passer la recherche et les consultations lancées par un utilisateur, c'est un compromis raisonnable pour beaucoup d'organisations.

Mettez le contenu dans le HTML

Beaucoup de robots d'IA lisent le HTML envoyé par votre serveur et n'exécutent jamais JavaScript. Si votre texte n'apparaît qu'après un script, ils risquent de tomber sur une page vide. Le rendu côté serveur ou le prérendu règle la question. Le sujet nous tient à cœur, parce qu'on conçoit beaucoup de sites créatifs riches en animation : l'expérience peut être aussi ambitieuse que vous le voulez, du moment que les mots sont dans le balisage. Notre guide sur la pile front-end des sites créatifs explique comment avoir les deux.

Commencez par la réponse

Donnez à chaque question importante sa propre réponse, bien claire. Répondez d'abord, expliquez ensuite. Rédigez des intertitres qui se lisent comme les questions que les gens posent. Ajoutez une courte FAQ là où elle sert vraiment. Une page par sujet fera mieux qu'une page qui essaie de tout couvrir.

Rendez la structure explicite

Un HTML sémantique (de vrais intertitres, listes et tableaux) aide tous les analyseurs. Par-dessus, trois ajouts rendent votre site plus facile à comprendre pour les machines :

• des données structurées qui disent qui vous êtes et ce qu'est chaque page ;
• un fichier llms.txt qui résume votre site pour les agents IA ;
• des versions Markdown de vos pages que les agents lisent sans la mise en page.

Méritez vos signaux d'autorité

Les assistants comparent les sources. Quand votre site, vos profils et les mentions de tiers racontent tous la même chose, votre version de l'histoire inspire confiance. Les avis, la couverture médiatique, la reconnaissance de votre industrie et les liens de sites réputés aident tous, comme en recherche classique. Et ils sont très difficiles à simuler longtemps.

Un nouveau nom pour un travail familier

« Optimisation pour les moteurs génératifs » (en anglais, generative engine optimization ou GEO), c'est l'étiquette qui a collé. Un article de recherche publié en 2023 l'a popularisée, et on la croise aujourd'hui aux côtés d'« optimisation pour la recherche IA » et d'« optimisation pour les moteurs de réponse » pour désigner tout effort visant à apparaître dans les réponses générées par l'IA. En pratique, elle recoupe largement un bon référencement et une bonne stratégie de contenu : des pages explorables, des réponses claires, des sources crédibles. Nouvel acronyme, devoirs bien connus.

Ce qu'on laisserait de côté

• Les promesses de visibilité garantie. Personne ne contrôle les sources qu'un assistant cite. Méfiez-vous de quiconque prétend le contraire.
• Le contenu écrit seulement pour les machines. Les pages bourrées de mots-clés et le texte caché se lisent mal, et les systèmes apprennent de mieux en mieux à les écarter.
• Montrer aux robots autre chose qu'aux gens. Les versions lisibles par machine doivent refléter ce que voient les visiteurs. Y glisser un argumentaire de vente pour les robots, c'est rater la cible.

Comment mesurer

Il n'existe pas encore de tableau de bord complet. Posez régulièrement aux principaux assistants les questions que posent vos clients, et notez qui est cité. Surveillez, dans vos outils d'analyse, le trafic référent provenant des domaines des assistants. Fouillez les journaux de votre serveur pour repérer les agents d'IA et confirmer qu'ils atteignent vos pages. Puis suivez la tendance sur plusieurs mois. Les chiffres de vendredi prochain ne vous diront pas grand-chose.

1. Dressez la liste de dix questions que vos clients potentiels se posent avant de vous écrire, dans leurs propres mots.
2. Soumettez-les à deux ou trois assistants et notez les sources citées. Y êtes-vous ? Qui y est, et pourquoi ?
3. Vérifiez vos réponses. Pour chaque question, une page de votre site y répond-elle dès son premier paragraphe ?
4. Regardez ce que voient les machines. Chargez une page clé avec JavaScript désactivé, ou récupérez-la avec un outil en ligne de commande, et assurez-vous que le texte s'y trouve.
5. Réglez d'abord l'essentiel, puis passez aux données structurées, à llms.txt et aux versions Markdown.

Si une refonte se profile, inscrivez ces exigences au brief dès le premier jour : elles coûtent beaucoup moins cher à prévoir qu'à greffer après coup. Envie de voir ce que ça donne sur un vrai site ? Voici comment nous avons préparé locomotive.ca pour les assistants IA, avec notre propre site comme banc d'essai.