RAG : comment l’IA décide quelles pages consulter et citer

Auteur invité
- Qu'est-ce que la génération augmentée par récupération (RAG) ?
- Comment fonctionne le RAG ?
- RAG ou données d'entraînement : quelle différence ?
- Qu'est-ce que la query fan-out ?
- Pourquoi le RAG prouve que le SEO compte toujours
- Comment optimiser vos contenus pour le RAG
- Suivre votre visibilité dans le RAG avec Brand Radar
- Ce qu'il faut retenir
Quand ChatGPT, le mode IA de Google ou Perplexity répondent à une question, ils ne piochent pas leurs sources au hasard. Il y a tout un mécanisme derrière qui décide quels contenus récupérer puis citer. C’est ce qu’on appelle le RAG (génération augmentée par récupération).
Si vous voulez apparaître dans les réponses des IA, vous devez absolument comprendre ce mécanisme. C'est l'une des façons dont ChatGPT, le mode IA et les autres moteurs de recherche IA choisissent les pages qui finissent dans leurs réponses. Google en parle justement dans sa propre documentation au sujet de l’optimisation IA.
Dans ce guide, je vous explique simplement comment fonctionne le RAG, ce qui rend un contenu plus susceptible d'être récupéré et comment mesurer votre visibilité dans les IA qui l'utilisent grâce à Brand Radar.
- Qu'est-ce que la génération augmentée par récupération (RAG) ?
- Comment fonctionne le RAG ?
- RAG ou données d'entraînement : quelle différence ?
- Qu'est-ce que la query fan-out ?
- Pourquoi le RAG prouve que le SEO compte toujours
- Comment optimiser vos contenus pour le RAG
- Suivre votre visibilité dans le RAG avec Brand Radar
- Ce qu'il faut retenir
Qu'est-ce que la génération augmentée par récupération (RAG) ?
La génération augmentée par récupération (RAG, pour Retrieval-Augmented Generation) est une technique qui permet à un LLM d'interroger un index (un moteur de recherche, une base de connaissances ou une base de données vectorielle) pour trouver des informations complémentaires et pertinentes, au lieu de se contenter de ce qu'il a appris pendant son entraînement.
Les grands modèles de langage sont entraînés sur d'immenses volumes de données, mais cet entraînement s'arrête à une date donnée.
Demandez à un modèle ce qui s'est passé la semaine dernière ou ce que contient votre base de données de production. Cela revient à lui demander de travailler de mémoire, sans aucune référence sous les yeux.
C'est précisément quand vous l'interrogez sur une information qu'il ne possède pas qu'il risque le plus de partir en vrille… jusqu'à vous expliquer que le poison peut être bon pour la santé.
C'est ce qu'on appelle une « hallucination ».
Le RAG donne aux modèles d'IA l'accès à des informations justes et à jour pour éviter ce scénario.
Avec le RAG, le LLM complète, voire remplace ses connaissances internes (sa « mémoire paramétrique ») pour fournir une réponse plus fiable.
On parle aussi parfois d'« ancrage » (grounding) : la réponse s'appuie sur des sources précises plutôt que sur l'improvisation du modèle à partir de ses données d'entraînement.
Les trois mots de l'acronyme correspondent aux trois étapes du processus :
- Retrieval (récupération) : le modèle lance une recherche pour trouver (ou récupérer) des contenus pertinents.
- Augmented (augmentée) : il ajoute ces contenus à sa requête (il augmente ses connaissances).
- Generation (génération) : il s'appuie sur la question et les contenus récupérés pour rédiger (ou générer) sa réponse.
Rien de tout cela n'est nouveau, d'ailleurs.
Le RAG est antérieur de plusieurs années à l'explosion de la recherche IA. La méthode a été décrite pour la première fois dans un article de recherche de 2020, bien avant l'arrivée de ChatGPT.
Michael King, fondateur d'iPullRank, expliquait déjà en 2023 pourquoi le RAG allait devenir l'avenir de la recherche des mois avant que la plupart des professionnels ne s'y intéressent.
La plupart des outils d'IA combinent le RAG et leurs connaissances d'entraînement.
« La plupart des outils d'IA font tourner au moins deux mécanismes en coulisses : le modèle de base génère du langage à partir des schémas appris pendant l'entraînement, et la couche de récupération va chercher des sources à y associer. »

Dorron Shapow, Expert en Search User Optimization
Intégrer les connaissances du modèle de base, c'est faire partie de ses données d'entraînement. Et ça, vous ne le contrôlez pas facilement.
En revanche, apparaître dans les résultats de récupération relève, à bien des égards, du prolongement du SEO.
Comment fonctionne le RAG ?
Chaque réponse d'IA alimentée par le RAG suit trois étapes : chercher, récupérer, générer.
Pour mieux comprendre ce qui se passe (probablement) à chaque étape, voici ce qu’on sait de la façon dont ChatGPT récupère ses sources.
Étape 1 : l'IA décide s'il faut lancer une recherche (ou non)
Avant de récupérer quoi que ce soit, l'IA détermine si elle a vraiment besoin d'enrichir ses connaissances avec des données externes.
Une simple question comme « Qu'est-ce qu'un VPN ? » peut généralement être traitée par le modèle de base, grâce à ses connaissances d'entraînement. Pas besoin de récupération.
Dans le cas de ChatGPT, un modèle de classification plus petit (rattaché au système « sonicberry », d'après David McSweeney, qui a fait le travail de fond pour comprendre comment ChatGPT récupère ses sources) intervient en premier. Il attribue des scores de probabilité pour déterminer si la requête nécessite :
- pas de recherche,
- une recherche simple,
- une recherche complexe en plusieurs étapes.
Les autres outils d'IA gèrent cette étape à leur manière, mais la logique reste la même : toutes les requêtes ne déclenchent pas une recherche.
Étape 2 : l'IA lance une recherche
Quand une question nécessite plus de contexte, ChatGPT la décline en plusieurs requêtes associées, puis les envoie à un index de recherche externe (comme Bing ou Google) pour collecter des résultats.
Ce processus de déclinaison s'appelle la query fan-out (retenez bien ce terme, il va revenir).
Le RAG devient agentique
La query fan-out décrite ici lance plusieurs sous-requêtes en parallèle, une seule fois.
Certains systèmes plus récents vont plus loin : ils cherchent, lisent les résultats puis décident de relancer une recherche en fonction de ce qu'ils ont appris.
Et ils ne se limitent pas à la recherche web : une question sur le taux d'un crédit immobilier aujourd'hui peut déclencher un appel direct à une API plutôt que la récupération d'un passage de texte.
Michael King détaille ces deux évolutions dans son guide passionnant sur le RAG agentique. Pour comprendre comment ces agents fonctionnent côté SEO, lisez aussi notre article sur le SEO agentique.
Une fois les pages collectées, des facteurs SEO on-page comme la balise title, la meta description (ou le résumé) et l'URL déterminent quelle page sera lue en entier, selon les recherches de l'expert en IA Dan Petrovic.
Il a ensuite découvert que les sources sont présélectionnées pour être extraites selon leur pertinence, leur autorité, leur fraîcheur et la diversité des points de vue qu'elles apportent.
Certains assistants IA ont une « file VIP » pour certains domaines
L'expert français en IA Jérôme Salomon a trouvé des indices montrant que ChatGPT construit son propre index de contenus mis en cache.
Autrement dit, ChatGPT ne récupère pas toujours ses informations directement depuis les pages de résultats des moteurs de recherche.
Par ailleurs, d'après des recherches menées séparément par Mark Williams-Cook, David McSweeney et Suganthan Mohanadasan, ChatGPT s'appuierait sur un niveau « VIP » distinct, réservé à des sites et éditeurs de référence sous licence, dont beaucoup ont déjà des accords de contenu (Reuters, le Wall Street Journal ou Wikipédia, par exemple).
Ces sites sont identifiés sous le nom « labrador » dans les fichiers réseau de ChatGPT. Ils sont récupérés sous forme d'extraits pré-résumés, presque complets, au lieu d'être extraits puis découpés comme tous les autres résultats.
Étape 3 : le contenu est découpé en fragments et le plus proche l'emporte
Avant d'être récupéré et utilisé dans la réponse, le contenu web extrait est découpé en petits morceaux appelés fragments (ou chunks).
Imaginez que vous découpiez un livre en chapitres. Ici, c’est le même principe : le système divise la page en fragments, puis cherche celui qui répond le mieux à la question.
ChatGPT convertit la requête et chaque fragment en une représentation numérique de leur sens, appelée embedding (ou représentation vectorielle). Il mesure ensuite leur similarité cosinus, un score qui indique à quel point les deux sont proches sur le plan sémantique.
La façon la plus simple de se le représenter, c’est d’imaginer une carte géante où les idées proches sont regroupées et les idées sans rapport sont éloignées. Sur cette carte, « chien » et « chiot » seraient voisins. « Chien » et « skateboard » seraient aux deux extrémités.
Commentaire
Le lien entre chien et skateboard, ici, renvoie évidemment à Otto, le chien skateur.
Sur cette carte, les embeddings sont comme des coordonnées GPS : chaque morceau de texte reçoit des coordonnées selon son sens.
La similarité cosinus mesure la distance entre deux ensembles de coordonnées.
L'IA récupère les fragments dont les coordonnées sont les plus proches de celles de la sous-requête, et le plus proche l'emporte.
C'est pourquoi un langage clair et précis facilite la récupération. C’est bien plus simple à placer aux bonnes « coordonnées » sur la carte.
Étape 4 : le contenu récupéré entre dans la mémoire de travail de l'IA (brièvement)
Les fragments retenus sont chargés dans la fenêtre de contexte de l'IA (sa mémoire de travail à court terme) avec la question initiale de l'utilisateur.
L'IA rédige sa réponse à partir des deux, puis supprime les fragments.
Dan Petrovic l'a testé directement : il a demandé à un modèle d'IA de récupérer des informations sur une personnalité connue, puis, dans un message suivant, de citer un passage précis de ses sources. Impossible.
Le contenu brut est effacé dès que la réponse est générée.
RAG ou données d'entraînement : quelle différence ?
On confond souvent le RAG et les données d'entraînement, sauf qu’ils n'ont pas du tout le même rôle.
Les données d'entraînement construisent la mémoire paramétrique d'un modèle, les connaissances internes dont je parlais plus haut.
Cela se passe pendant le pré-entraînement, quand le modèle apprend à partir d'un immense corpus de textes extraits du web et d'autres sources (par exemple Common Crawl). Et cela peut se reproduire lors du fine-tuning, quand le modèle est ré-entraîné sur un jeu de données plus restreint pour ajuster son comportement ou ses connaissances.
Dans les deux cas, ces connaissances sont intégrées au modèle lui-même. Pas besoin de les chercher : elles font partie de ce que le modèle « sait ».
Mais vous n'avez pas votre mot à dire. Tout se fait selon le calendrier du développeur du modèle, avec les données qu'il choisit. Vous ne pouvez ni le demander, ni le cibler, ni vérifier que votre contenu y figure.
Le RAG, en revanche, est un processus sur lequel vous avez une certaine prise. La qualité, la structure et l'indexation de votre contenu influencent directement ses chances d'être récupéré.
Dès qu'une requête déclenche une étape de récupération, le modèle va chercher des informations à jour à l'extérieur, sans avoir besoin d'être ré-entraîné.
Pour la plupart des outils d'IA grand public, c'est ce mécanisme qui explique la majorité des réponses à jour qu'ils vous donnent.
RAG | Données d'entraînement | |
|---|---|---|
Fonctionnement | Récupère des contenus externes au moment de la requête, sans jamais les intégrer au modèle | Le contenu est absorbé dans les paramètres du modèle pendant l'entraînement et fait partie de ce qu'il « sait » |
Coût de mise à jour | Faible : on met à jour la base de connaissances et la réponse suivante en tient compte | Élevé : ne change qu'au ré-entraînement du modèle, selon le calendrier du développeur (pas le vôtre) |
Pouvez-vous l'influencer ? | Oui : la qualité, l'indexation et la structure de votre contenu jouent sur sa récupération, sur vos chances d'être cité comme source ou de voir votre marque mentionnée | Pas directement : vous pouvez publier et espérer être exploré, mais impossible d'optimiser une page en espérant la voir citée. Ce que vous pouvez faire, c'est construire dans la durée un discours de marque cohérent sur suffisamment de contenus pour influencer la façon dont les futurs modèles vous décriront |
Tout ce que je vous présente dans cet article (commencer par les définitions, intégrer des entités, structurer en questions-réponses, garder vos contenus à jour) agit directement sur la récupération.
C'est la couche sur laquelle vous pouvez réellement agir grâce à vos contenus.
Être cité dans une réponse d'IA est une victoire, oui, mais ce n'est pas la même chose que faire partie de ce qu'une IA sait fondamentalement de votre marque.
Dorron Shapow le résume très bien :
« Optimiser pour la récupération n'est pas une erreur. Dans les systèmes qui s'appuient fortement sur la recherche en temps réel pour les requêtes commerciales, cela peut tout à fait influencer ce qui ressort. Mais considérer que la visibilité dans la récupération équivaut au poids dans le modèle de base, c'est là que la stratégie se brise. L'une prend des semaines. L'autre relève du travail de fond sur la cohérence de l'entité, c'est-à-dire la façon dont votre marque est comprise, de manière claire et constante, sur l'ensemble du web. Et cela prend des années. »

Dorron Shapow, Expert en Search User Optimization
Qu'est-ce que la query fan-out ?
La query fan-out est le processus qui se déroule en coulisses quand vous soumettez une requête à une IA.
Au lieu de chercher vos mots exacts, l'IA décompose votre question en plusieurs sous-requêtes, lance chacune séparément, puis puise ses sources dans l'ensemble des résultats.
Imaginez que quelqu'un demande à Google : « Que se passe-t-il si je remplace la farine blanche par de la farine complète dans un cake au citron ? ». Le modèle d'IA ne se contenterait pas de chercher cette phrase. Il pourrait aussi rechercher :
- meilleure farine pour un cake au citron,
- conseils pour cuisiner avec de la farine complète,
- quel est l'effet de la farine complète sur la texture d'un gâteau ?
Avant de synthétiser une réponse.
L'IA fait automatiquement la même chose pour la plupart des requêtes complexes.
Certains spécialistes SEO ont réussi à extraire directement ces sous-requêtes internes.
Metehan Yeşilyurt a par exemple mis au point une technique pour amener le mode IA de Google à afficher les requêtes qu'il a utilisées pour ancrer sa réponse.
Mais si vous n'avez pas le temps de creuser, vous pouvez aussi consulter les sous-requêtes générées par ChatGPT, Grok et Perplexity dans le rapport Réponses IA de Brand Radar.
Pendant la query fan-out, l'IA découpe votre question en sous-requêtes plus ciblées, les lance toutes en même temps, combine et reclasse les résultats, puis fusionne les pages qui performent bien sur plusieurs recherches en une liste finale.
C'est cette liste que l'IA lit réellement pour rédiger sa réponse.
J'ai volontairement simplifié le processus ici.
Pourquoi le RAG prouve que le SEO compte toujours
Pour ChatGPT et les autres moteurs de recherche IA, la génération augmentée par récupération repose sur le SEO.
D'ailleurs, de nombreux professionnels du marketing et du SEO voient la recherche IA comme une « surcouche » posée sur les moteurs de recherche « classiques » comme Google, tant certains assistants IA s'en servent massivement.
Quand ChatGPT, Perplexity ou les Aperçus IA de Google doivent répondre à une question, ils lancent de véritables recherches web.
En bref :
- Gemini et les Aperçus IA s'appuient sur la recherche Google.
- Microsoft Copilot utilise Bing.
- ChatGPT puise à la fois dans Google et Bing.
- Claude utilise Brave Search.
Assistant IA | Index ou robot officiel | Index ou robot supposé | Index ou robot futur supposé |
|---|---|---|---|
ChatGPT | |||
Gemini | - | ||
Perplexity | - | ||
Copilot | - | - | |
Claude | - | - |
Autrement dit, la couche de récupération de chaque grand outil d'IA repose sur un moteur de recherche traditionnel.
- Le contenu indexé constitue le point de départ. Votre contenu doit apparaître dans Google avant de pouvoir apparaître dans l'IA.
- Un contenu optimisé pour la recherche vous fait citer. Même si les résultats de recherche et ceux de l'IA ne se recoupent pas toujours parfaitement, les deux privilégient les contenus faisant autorité, bien structurés et bien optimisés.
- Les mentions de marque sont fortement corrélées à la visibilité IA. Les IA repèrent la fréquence et les endroits où votre marque est citée sur le web : vos contenus optimisés et vos relations presse alimentent directement ce signal (étude Ahrefs).
Malgré quelques différences, le SEO et le GEO sont intimement liés.
Si votre contenu n'apparaît pas dans un index de recherche, un robot IA aura du mal à le trouver. Et s'il ne le trouve pas, il ne peut pas le récupérer.
Commentaire
En France, ce lien est d'autant plus concret que les Aperçus IA sont arrivés le 22 juillet 2026. Je vous explique comment l'IA a redessiné la SERP dans mon analyse des fonctionnalités SERP à l'ère de l'IA, et comment y apparaître dans mon guide pour ranker dans les Aperçus IA.
Comment optimiser vos contenus pour le RAG
Voici les bonnes pratiques à suivre pour que vos contenus soient cités par les IA qui utilisent le RAG.
1. Rendez vos contenus accessibles aux robots IA
Quand ils vont chercher du contenu, de nombreux robots IA sont incapables de lire et de citer certaines pages.
Les contenus en JavaScript (comme les onglets ou les accordéons) et le texte intégré dans des images sont souvent inaccessibles aux robots IA.
Les systèmes d'IA récupèrent plutôt le contenu HTML statique.
Voici ce qui se passe quand une page contient du JavaScript.
Suganthan Mohanadasan s'est récemment plongé dans les fichiers réseau de dizaines de conversations ChatGPT. Il a étudié le raisonnement du modèle, qui décrit en langage courant comment il trouve ses informations.
Sur une requête SaaS B2B, ChatGPT a trouvé les tarifs officiels d'Ahrefs, mais a eu du mal à trouver ceux de Profound et de Peec, en expliquant que l'information était cachée dans du JavaScript.
ChatGPT s'est alors rabattu sur des sources tierces comme G2, car « la page officielle est difficile à analyser et n'affiche pas les prix ».
Morale de l'histoire : si vous voulez que vos informations les plus importantes (comme vos tarifs) soient fidèlement reprises par la recherche IA, servez-les idéalement en HTML, pas en JavaScript.
Commentaire
Il existe une autre explication possible : certaines entreprises ne publient pas leurs tarifs. L'IA reconstitue alors l'information manquante à partir d'autres sources. Même si vous ne publiez pas vos prix, les modèles d'IA le feront, et pas toujours correctement.
Le JavaScript n'est pas le seul moyen de bloquer un robot. Si vous voulez être cité via la récupération, vous devez aussi éviter de bloquer les robots IA (comme OAI-SearchBot) dans votre fichier robots.txt et vos règles de pare-feu.
Si vous utilisez Cloudflare, vous pouvez suivre la façon dont les robots IA explorent votre site (les pages qu'ils visitent le plus et celles qu'ils ratent) grâce à Ahrefs Bot Analytics.
Attention aux CDN qui bloquent les robots IA et polyvalents
Vérifiez les réglages d'exploration par défaut de votre réseau de diffusion de contenu (CDN) pour vous assurer que vous ne bloquez pas involontairement la récupération de vos contenus.
Par exemple, Cloudflare bloque par défaut tous les robots IA, ce qui peut limiter la visibilité de votre site dans des interfaces comme ChatGPT, Claude ou Gemini.
Plus grave encore, il peut aussi bloquer des robots polyvalents qui servent à la fois à l'entraînement de l'IA et à la visibilité dans les moteurs de recherche, comme Googlebot et Bingbot.
2. Commencez par vos meilleures informations
L'IA accorde beaucoup d’attention au début de votre page, puis cette attention diminue progressivement.
D'après l'étude de Kevin Indig portant sur 1,2 million de citations de ChatGPT, les 30 premiers % du contenu d'une page génèrent 44,2 % de l'ensemble des citations.
Le tiers central en génère 31,1 %, et le dernier tiers seulement 24,7 %.
Vos informations les plus importantes (définitions, affirmations clés, données exclusives) doivent donc se trouver tout en haut de votre contenu.
C'est l'inverse de l'approche classique qui consiste à « garder le meilleur pour la fin ». Dans un contenu optimisé pour être cité par l'IA, la chute arrive en premier.
C'est ce qu'on appelle l'essentiel d'abord (Bottom Line Up Front ou BLUF).
Répondez à la question dès la première phrase sous l'intertitre : n'enterrez pas la réponse au deuxième paragraphe.
C'est exactement la façon dont les systèmes de RAG associent les contenus aux requêtes. Mais c'est aussi la façon dont les humains lisent : vous allez donc à la fois satisfaire les lecteurs et les robots !
Ces données d'oculométrie (eye-tracking) montrent que les lecteurs concentrent leur attention tout en haut de la page, puis survolent de moins en moins le contenu à mesure qu'ils descendent. Si votre message clé est noyé au troisième paragraphe, la plupart des lecteurs ne le verront jamais. D'où l'intérêt de l'essentiel d'abord.
3. Optimisez pour les sujets de la fan-out
Pour apparaître dans les query fan-out sur lesquels s'appuient les IA, il est utile de créer des topic clusters : les questions associées, les définitions, les comparatifs et les sous-sujets que l'IA pourrait rechercher pour préparer sa réponse.
Pour trouver ces sous-sujets, inspirez-vous des encadrés « Autres questions » et « Recherches associées » en bas de la page de résultats de Google.
Ils reflètent les questions et les angles les plus fréquents autour de votre sujet, souvent proches des requêtes générées par l'IA lors de la fan-out.
Mon conseil
Consultez l'onglet Questions de Keywords Explorer pour trouver les questions posées autour de votre sujet et cartographier votre topic cluster.
Si vous ne traitez pas certains sous-sujets, vous serez invisible sur une bonne partie des résultats de fan-out.
4. Optimisez la vitesse de vos pages
Les pages lentes sont pénalisantes dans n'importe quel moteur de recherche. Mais dans la recherche IA, le prix à payer est encore plus élevé.
Dans son analyse du fonctionnement de ChatGPT, le consultant SEO David McSweeney observe que ChatGPT semble récupérer les pages d'ancrage avec un délai maximal d'environ deux secondes. Si votre serveur est lent, votre page est coupée. Et même s'il répond à temps, un temps de réponse du serveur (TTFB pour Time To First Byte) élevé signifie que votre contenu sera tronqué.
- TTFB inférieur à 1 seconde : vous êtes généralement tranquille. Votre page a le temps de se charger entièrement, d'être découpée en fragments et transmise au modèle.
- TTFB supérieur à 1 seconde : c'est la loterie. La connexion peut être coupée en plein téléchargement, parfois si tôt que seule votre balise <head> est passée. Le modèle n'a alors jamais vu votre véritable contenu.
La vitesse décide si vous entrez (ou non) dans la fenêtre de contexte du modèle.
Vérifiez votre TTFB dans Site Audit :
- Ouvrez le rapport Performance.
- Repérez le graphique « Distribution du temps de réponse (TTFB) ».
- Cliquez sur « Moyen : 200-300 ms » pour repérer vos optimisations rapides.
Triez ensuite par trafic organique pour trouver vos contenus les plus importants à optimiser.
Si votre serveur est trop lent, votre page n'atteindra peut-être jamais une réponse d'IA. Et dans certains cas, vous ne le saurez jamais, parce que le visiteur (ici, un robot) a simplement abandonné.
Jan-Willem Bobbink repère ces cas en cherchant le code de statut HTTP 499 dans ses journaux serveur (logs).
Un code 499 signifie souvent que le client a fermé la connexion avant que le serveur ait fini de répondre.
C'est un autre signe que votre site est peut-être trop lent pour la récupération par l'IA.
Vous pouvez voir quelles pages de votre site renvoient un code 499 dans le nouveau rapport Codes de statut de Bot Analytics.
Lors de cette analyse, 43,7 % des pages d'Ahrefs avaient renvoyé un code 499 aux requêtes de ChatGPT-User au cours du mois.
En filtrant uniquement les visites de ChatGPT-User, on constate que la plupart de ces 499 venaient du blog, et quelques-uns de la page des tarifs.
Pour le trafic des robots, un code 499 signifie soit que le navigateur ou l'application a cessé d'attendre et s'est déconnecté avant que le serveur ait pu répondre, soit que le robot a interrompu la connexion parce qu'il avait obtenu ce qu'il cherchait.
Dans ce second cas, il s'agit simplement d'un comportement d'efficacité du robot.
Voici comment savoir si un code 499 révèle une véritable lenteur.
Si GPTBot, ClaudeBot, le robot de Meta et celui de Manus abandonnent tous la même URL, il est peu probable que quatre systèmes indépendants aient décidé chacun de renoncer pour des raisons qui leur sont propres.
Par exemple, la page /blog/ d'Ahrefs est abandonnée par 7 robots IA différents.
Quand plusieurs robots IA convergent, le problème vient du serveur, pas du robot.
Le blog d'Ahrefs affiche donc probablement des pages trop lourdes à charger (avec du JavaScript côté client ou des scripts tiers, par exemple), ce qui en fait un candidat idéal pour une optimisation de vitesse.
Le code 499 concerne l'ensemble du transfert, pas seulement le premier octet. Pour savoir si une page est ignorée par les robots IA à cause d'un temps de réponse trop long, passez par le filtre « Temps de chargement » de Site Audit : il mesure le chargement complet du document.
Commentaire
Le robot d'Ahrefs ne se comporte pas exactement comme les robots IA : il n'exécute pas forcément le JavaScript, ne récupère pas toujours les mêmes ressources et n'est pas détecté par les mêmes systèmes anti-robots. Un temps de chargement rapide dans Ahrefs n'exclut donc pas totalement un problème propre aux robots IA. Mais c'est une donnée solide à croiser avec vos journaux serveur.
5. Créez des contenus approfondis, centrés sur les entités
Les contenus les plus souvent cités via la recherche RAG présentent une densité d'entités d'environ 20,6 %.
Autrement dit, 20,6 % de leurs mots sont des noms propres (outils, marques, personnes, entreprises, études), contre 5 à 8 % dans un contenu « moyen ».
Une entité désigne tout élément nommé précisément. Par exemple, « un outil SEO » n'est pas une entité, mais « Ahrefs » en est une.
Plus vous incluez d'entités nommées, plus votre contenu dispose de points d'ancrage sur la carte du sens. Il devient ainsi récupérable pour un éventail plus large de requêtes associées.
Mais vous ne décrocherez pas de citations en bourrant votre texte d'entités au hasard. Votre contenu et ses entités doivent être pertinents par rapport à la requête de l'utilisateur.
Je vais aussi vous parler d’une autre raison pour laquelle les entités comptent.
Les sous-requêtes de fan-out utilisent souvent une technique de « nuage de synonymes » pour orienter la récupération vers des angles et des entités précis, et coller au mieux à l'intention de la requête initiale.
Par exemple, le modèle le plus avancé de ChatGPT peut transformer une requête comme « Quelles sont les 10 meilleures chaussures de running ? » en sous-requêtes riches en synonymes, du type :
- meilleures chaussures de running 2026,
- avis chaussures de running,
- sélection,
- récompenses.
L'objectif : orienter l'embedding vers une intention de type « meilleurs produits », comme on peut le voir ci-dessous dans Brand Radar.
Concrètement, qu'est-ce que ça change pour vos contenus ?
Pour reprendre l'idée de David McSweeney : les pages généralistes qui parlent de tout obtiennent un score correct partout. Mais les pages spécialisées, qui creusent un angle en profondeur, remportent cet angle haut la main.
Être cité, c'est donc ancrer votre contenu dans des entités précises.
Intégrez les entités des sous-requêtes dans votre title
L'étude d'Ahrefs sur 1,4 million de prompts ChatGPT a montré que les pages citées ont des titles plus proches, sur le plan sémantique, des sous-requêtes internes de ChatGPT que les pages ignorées.
Brand Radar affiche les sous-requêtes derrière chaque prompt : vous pouvez donc vérifier si les entités de votre title correspondent à celles des sous-requêtes.
Voici une méthode concrète pour enrichir vos contenus en entités : reprenez vos anciens articles et remplacez les termes génériques par des termes précis.
Par exemple :
- « un moteur de recherche » → « Google »,
- « des études suggèrent » → « une étude de 2024 de l'université Waseda montre que »,
- « un assistant IA » → « ChatGPT » ou « Perplexity ».
Vous pouvez vérifier votre travail avec l'API Natural Language de Google.
La version de démonstration gratuite affiche toutes les entités détectées par Google sur votre page, ainsi que la catégorie qu'il attribue à votre contenu.
Avec l'accès complet (payant), vous obtenez aussi le score de saillance. C’est une valeur qui indique à quel point Google juge une entité importante et centrale dans votre page.
Lancez l'API sur votre page, puis sur la page la mieux classée pour votre mot-clé cible.
L'écart entre les deux résultats vous donne votre liste de contrôle pour optimiser vos entités :
- les entités communes,
- les entités manquantes,
- les scores de saillance (plus élevés quand le sujet est nommé tôt et en évidence),
- les catégories communes,
- les catégories manquantes.
Vous pouvez aussi passer votre brouillon dans l'Assistant de contenu IA d'Ahrefs.
Il évalue votre contenu par rapport à vos principaux concurrents sur votre mot-clé cible et met en évidence les sujets qu'ils traitent et que vous avez oubliés. C’est très pratique pour repérer les manques qui pourraient vous rendre invisible dans les query fan-out.
6. Apportez un gain d'information : dites ce que le modèle ne sait pas déjà
Couvrir les bonnes entités vous aide à être récupéré. Mais une question se pose avant même cela : votre contenu est-il seulement éligible à la récupération ?
Un prompt système de Claude a révélé que des IA comme Claude disposent d'une commande never_search pour les questions portant sur des informations « intemporelles ou stables ».
Claude répond alors aux questions never_search uniquement à partir de ses données d'entraînement, sans chercher d'URL externes à citer.
Le conseiller en croissance Gaetano DiNardi pense que les autres LLM suivent probablement la même logique. Selon lui, publier des pages de connaissances générales n'a plus aucune valeur.
C'est tout l'enjeu du gain d'information.
Imaginez tout ce qu'un modèle sait déjà comme une sorte de culture dominante : la version moyenne et consensuelle d'un sujet, indexée des milliers de fois.
Si votre contenu ne fait que la reformuler, vous êtes redondant aux yeux du RAG : un modèle d'IA n'a rien à gagner à vous citer.
Ce qu'il cite, ce sont les contenus qui apportent quelque chose de nouveau : des données exclusives, une théorie nommée, le résultat précis d'une étude, une conclusion que le modèle ne peut pas déduire de ses connaissances existantes.
Karthik Narasimhan, chercheur chez OpenAI, a publié un article de recherche sur le Generative Engine Optimization (GEO) qui le confirme.
Avec des chercheurs de l'université de Princeton, il a étudié les techniques les plus susceptibles d'améliorer la visibilité dans les IA qui utilisent le RAG, comme Perplexity.
Résultat : les sites contenant des informations uniques, comme des citations et des statistiques, étaient les plus souvent repris, avec une hausse de visibilité de 30 à 40 % dans les réponses de l'IA.
Méthode testée | Visibilité (nombre de mots ajusté selon la position) | Impression subjective (pertinence, potentiel de clic) |
|---|---|---|
Citations | 27.2 | 24.7 |
Statistiques | 25.2 | 23.7 |
Fluidité | 24.7 | 21.9 |
Sources citées | 24.6 | 21.9 |
Termes techniques | 22.7 | 21.4 |
Facilité de compréhension | 22 | 20.5 |
Ton d'autorité | 21.3 | 22.9 |
Mots uniques | 20.5 | 20.4 |
Aucune optimisation | 19.3 | 19.3 |
Bourrage de mots-clés | 17.7 | 20.2 |
Kevin Indig a également constaté que les dates et les nombres sont les types d'entités qui prédisent le mieux les citations de ChatGPT.
Et Eric Lancheres a étudié 150 pages positionnées : le meilleur prédicteur de leur classement était leur nombre de données uniques.
Pour être récupéré, il faut donc apporter des informations fraîches et des données exclusives, pas répéter en chœur ce que les autres pages ont déjà dit.
7. Structurez vos contenus en questions-réponses
D'après les données de Kevin Indig, les contenus structurés en question → réponse immédiate sont cités deux fois plus souvent que les autres (18 % contre 8,9 %).
C'est encore une application de l'essentiel d'abord.
Les modèles d'IA cherchent à associer la requête de l'utilisateur (presque toujours une question) au fragment qui y répond.
Comme l'explique Suganthan Mohanadasan, les citations se rattachent à une phrase précise, pas à la réponse entière. Être pertinent sur le sujet ne suffit donc pas : il faut être le meilleur appui pour une affirmation précise.
Structurer votre contenu en questions-réponses aide des modèles comme ChatGPT à faire une correspondance directe et sans ambiguïté.
Suganthan Mohanadasan a aussi découvert que ChatGPT dédoublonne les résultats par domaine. Vingt pages légères sur votre site ne vous donnent donc pas vingt chances d'être cité.
ChatGPT sélectionne la seule page qui correspond le mieux à la requête initiale de l'utilisateur et aux sous-requêtes de fan-out.
Placez votre meilleure réponse sur cette page, plutôt que de la disperser sur vingt.
Mon conseil
Comme le dit Eli Schwartz, la grande majorité des pages sont examinées puis rejetées avant même que la réponse soit rédigée.
Dans Brand Radar, filtrez les citations sur « Trouvé mais non cité » pour voir toutes les réponses où votre page a été intégrée à la sélection de ChatGPT, puis écartée au profit d'une autre.
Étudiez les pages qui ont été citées et ajustez votre contenu pour augmenter vos chances.
8. Gardez vos contenus à jour
Les systèmes de recherche RAG ont une préférence pour les contenus récents.
Ahrefs a mené une étude sur 17 millions de citations : elle montre que les assistants IA citent systématiquement des contenus plus récents que les moteurs de recherche.
Les URL citées par les assistants IA sont en moyenne 25,7 % plus récentes que celles des SERP organiques classiques. Et ChatGPT comme Perplexity classent leurs citations de la plus récente à la plus ancienne.
La fraîcheur est d'ailleurs un signal confirmé et documenté dans la récupération par l'IA.
Les recherches de Metehan Yeşilyurt l'ont démontré : il a découvert que ChatGPT possède un paramètre de configuration appelé use_freshness_scoring_profile: true, qui intègre un biais systématique en faveur des contenus récents.
Vos contenus ont donc bien plus de chances d'être récupérés puis cités si vous mettez régulièrement à jour vos pages clés.
Même de petites mises à jour peuvent réinitialiser le signal de fraîcheur. Actualisez vos statistiques et vos exemples chaque année et affichez une date de mise à jour visible.
Commentaire
Avec le RAG, les modèles d'IA récupèrent souvent des versions en cache des pages plutôt que la page en direct. Si vous avez mis à jour votre contenu hier, l'IA lit peut-être encore une ancienne version issue du cache de l'index de recherche.
Comment suivre votre visibilité dans le RAG avec Brand Radar
Optimiser vos contenus pour le RAG est essentiel, mais encore faut-il savoir si ça fonctionne.
Brand Radar a été conçu pour aider les marques à suivre leur visibilité dans les réponses des IA qui utilisent le RAG.
Voici comment je vous conseille de l'utiliser.
Mesurez votre point de départ
Avant de changer quoi que ce soit, faites le point sur votre situation.
Recherchez votre marque dans Brand Radar pour voir à quelle fréquence vous apparaissez dans les réponses des IA sur vos sujets cibles, et quelles plateformes vous citent.
Si vos mentions sont rares ou absentes, regardez qui est cité à votre place.
Identifiez les plateformes qui vous citent (et celles qui vous ignorent)
Chaque plateforme d'IA a sa propre architecture de récupération, avec ses préférences en matière de fraîcheur, d'autorité et de structure.
La répartition par plateforme de Brand Radar peut révéler des écarts du type : « le mode IA nous cite régulièrement, mais nous sommes absents de Perplexity ».
Si votre site performe mal sur une seule plateforme, le problème vient sans doute de la façon dont cette plateforme l'évalue, pas du contenu lui-même.
C'est comme en SEO : si une page est bien classée sur Google mais pas sur Bing, on y voit un signal propre à Bing (liens, entités ou indexation) plutôt qu'une page de mauvaise qualité. La même logique s'applique à la visibilité IA.
Découvrez les requêtes qui déclenchent vos citations
Connaître les requêtes exactes qui mènent à une citation vous montre ce qui fonctionne, et vous signale les requêtes associées où vous n'apparaissez pas encore.
Avec la query fan-out, vous êtes peut-être déjà cité sur des requêtes que vous n'auriez jamais pensé cibler.
La base de données de Brand Radar contient des millions de requêtes : de quoi découvrir des opportunités de contenu que vous n'auriez jamais soupçonnées.
Vérifiez si vos mises à jour font progresser vos citations
Une fois vos contenus optimisés pour la récupération, surveillez Brand Radar pour voir si vos citations augmentent dans les semaines qui suivent.
Vous créez ainsi une boucle d'amélioration continue : optimiser, publier, mesurer, recommencer.
La méthode qui fonctionne pour suivre vos positions organiques s'applique aussi au suivi des citations par l'IA.
Comparez-vous à vos concurrents
Repérez les concurrents régulièrement cités par l'IA sur les requêtes qui vous intéressent, puis analysez la structure et le contenu de leurs pages les plus citées.
Il suffit d'ajouter les filtres Votre marque : non mentionnée et Votre marque : trouvée mais non citée au rapport Réponses IA ou Pages citées de Brand Radar.
Vous voyez alors les sujets et les discussions tierces dont votre marque est généralement absente.
Il ne vous reste plus qu'à décortiquer ce que font vos concurrents pour combler l'écart.
Ce qu'il faut retenir
Le RAG fait le pont entre la recherche et l'IA. Il suit des règles assez prévisibles : il favorise les pages qu'il peut consulter, charger rapidement et associer directement au sujet pour fournir la meilleure réponse possible.
Et franchement ? C'est plutôt une bonne nouvelle pour les SEO. Accessibilité, vitesse, structure, entités, fraîcheur : la plupart des leviers vous sont déjà familiers. Ce qui change, c'est l'exigence de précision et la nécessité d'apporter quelque chose que l'IA ne sait pas déjà.
Suivez votre visibilité IA avec Brand Radar pour savoir si vos contenus apparaissent dans ChatGPT, Perplexity, les Aperçus IA de Google et les autres outils réellement utilisés par votre audience.
Des questions sur le RAG et la visibilité de vos contenus dans l'IA ? Retrouvez-nous sur LinkedIn et n'hésitez pas à jeter un œil à notre chaîne YouTube Ahrefs FR.

Rédactrice en cheffe chez BASH, agence web à Lille, Hélène crée des contenus SEO depuis plus de 15 ans. Elle accompagne les marques dans leur stratégie de contenu en combinant SEO et optimisation pour l'IA conversationnelle (AIO). Spécialisée en marketing digital, elle traduit les concepts techniques en contenus accessibles qui performent aussi bien dans Google que dans ChatGPT ou Claude, sans oublier le cœur de cible : le lecteur. À part écrire et le web, elle coud, jardine et s'essaie au piano.
