Un moteur génératif ne « classe » pas des pages : il cherche, prélève des passages, les recoupe, puis rédige une réponse en citant ce qu'il a retenu. Comprendre cette chaîne en quatre étapes est le préalable à toute optimisation — chacune offre une prise différente.
La réponse courte
La plupart des moteurs de réponse fonctionnent en RAG (Retrieval-Augmented Generation) : ils interrogent un index de recherche, récupèrent des extraits de pages, et donnent ces extraits au modèle de langage comme matière première. Le modèle ne cite que ce qu'on lui a apporté. L'enjeu se joue donc autant à la récupération qu'à la rédaction.
Les quatre étapes
1. Reformulation de la question
La demande de l'utilisateur est rarement envoyée telle quelle. Le système la décompose en plusieurs requêtes plus précises. « Quelle agence SEO choisir pour une PME industrielle » peut devenir trois recherches distinctes : critères de choix d'une agence, spécificités du SEO industriel, agences spécialisées PME.
Ce que ça implique : optimiser pour une expression exacte perd de son sens. Couvrir un champ de questions connexes en gagne.
2. Récupération des passages
Pour chaque sous-requête, le système récupère des documents puis en extrait les fragments les plus pertinents — quelques centaines de mots, pas la page entière. Ce découpage est ce qu'on appelle le chunking.
Ce que ça implique : un passage doit se comprendre hors de son contexte. Un paragraphe qui commence par « Comme nous l'avons vu plus haut » est inexploitable une fois isolé.
3. Recoupement
Le modèle confronte les passages entre eux. Ce qui se retrouve sur plusieurs sources indépendantes est traité comme établi. Ce qui n'apparaît qu'une fois est retenu avec prudence, souvent écarté quand la réponse doit être courte.
Ce que ça implique : la présence hors de son propre site — presse, annuaires, forums spécialisés, citations par des tiers — pèse directement sur la probabilité d'être retenu.
4. Rédaction et citation
Le modèle compose une réponse et attribue des sources aux affirmations. Le nombre de sources citées est faible : deux à cinq selon les interfaces.
Ce que ça implique : il n'y a pas de « page 2 ». Être la sixième source la plus pertinente équivaut à être absent.
Ce que le modèle sait déjà, et ce qu'il va chercher
Une distinction souvent négligée : un modèle de langage possède des connaissances issues de son entraînement, figées à une date, et peut y ajouter des informations récupérées en direct.
- Connaissance paramétrique — apprise à l'entraînement. On ne l'influence qu'à très long terme, par une présence large et ancienne.
- Connaissance récupérée — cherchée au moment de la question. C'est là que le GEO agit, et l'effet peut être rapide.
Une entreprise récente n'existe pas dans la mémoire du modèle. Elle peut en revanche être citée dès demain si ses pages sont indexées, claires et corroborées.
Les différences entre moteurs
Perplexity cherche systématiquement et cite abondamment, avec des liens visibles. C'est le terrain le plus lisible pour mesurer ses progrès.
ChatGPT ne cherche que lorsqu'il le juge utile. Sur une question générale, il peut répondre de mémoire sans citer personne.
Google AI Overviews s'appuie sur l'index Google et privilégie fortement les pages déjà bien positionnées. Le lien avec le SEO classique y est le plus direct — voir AI Overviews : fonctionnement et optimisation.
Claude et Copilot suivent des logiques proches, avec des sources d'index différentes.
Les trois prises concrètes
De cette mécanique découlent trois leviers, dans l'ordre où ils produisent de l'effet :
- Être récupérable — indexé, non bloqué aux robots d'IA, en HTML lisible sans exécution de scripts.
- Être prélevable — des passages autonomes, sous des titres explicites, avec la réponse avant le développement. Voir rendre un contenu citable.
- Être corroboré — les mêmes faits, cohérents, présents ailleurs que chez soi. Voir E-E-A-T et autorité.
Pour la vue d'ensemble, voir le guide pilier : l'optimisation pour les moteurs génératifs.