Le paragraphe que l’IA choisit de citer

Avant de répondre, un moteur génératif découpe chaque page en fragments courts, indexés et récupérés séparément. La page n’existe plus comme un tout : chaque paragraphe concourt seul. L’étude Dense X Retrieval (conférence EMNLP 2024) montre que le grain le plus efficace pour retrouver un fait est la proposition : une phrase complète portant une seule affirmation, avec son sujet nommé.

Une bibliothèque qui archive des fiches de lecture plutôt que des livres : voilà le régime sous lequel vos pages sont lues. Une fiche utile porte le titre du livre, l’auteur, le fait et la page ; une fiche qui dit seulement « elle confirme l’hypothèse » finit au rebut, faute de dire quelle hypothèse et selon qui. Vos paragraphes sont ces fiches. Chacun sera lu hors de tout contexte, et doit annoncer de quoi il parle, de qui il vient, ce qu’il établit.

La traduction rédactionnelle suit : dans les blocs factuels, offres, chiffres, garanties, délais, décomposer les phrases à tiroirs en affirmations courtes dont chacune se comprend seule. La prose ample garde toute sa place dans le registre narratif, celui qui donne envie de rester ; le fait, lui, gagne à voyager léger.

La sélection se fait en deux temps. Un premier lecteur, rapide et approximatif, ratisse l’index et remonte quelques dizaines de candidats. Un second, plus lent et plus fin, relit chaque candidat en le tenant contre la question, puis reclasse. Anthropic mesure qu’ajouter ce reclassement à un dispositif de récupération réduit de 67 % les échecs (Contextual Retrieval, 2024). Le passage cité est celui qui survit à la relecture.

Le premier lecteur travaille comme un videur : il laisse entrer cinquante personnes qui ont l’air d’être invitées. Le second travaille comme l’hôte : dans le salon, il choisit les quatre avec qui la conversation aura lieu. Écrire pour le videur suffisait à entrer ; écrire pour l’hôte décide d’être entendu. L’hôte relit votre paragraphe collé à la question posée : quand la question et sa réponse complète cohabitent dans le même bloc, chiffre compris, le score monte ; quand la réponse s’étale sur deux paragraphes distants, la machine devrait recoller les morceaux, et elle s’y attarde peu.

D’où la règle qui gouverne tout le reste : sous chaque titre formulé en question, la réponse entière, datée, attribuée, dans le même bloc. Le paysage d’ensemble, les sigles et l’agenda français de l’été, est posé dans l’épisode 1, « GEO, AEO, AIO : la boussole du dirigeant » ; la mécanique complète de lecture par les agents est racontée dans « Oui, bien entendu, monsieur l’Agent ».

En tête. Les modèles de langage lisent leur contexte en courbe en U : attention forte au début et à la fin, faible au milieu, phénomène établi par l’étude « Lost in the Middle » (Liu et al., TACL 2024). Et sur 1,2 million de réponses de ChatGPT analysées en 2026, 44,2 % des citations proviennent du premier tiers du contenu des pages. Le fait décisif s’écrit dans les deux premières phrases.

L’équipe de Nelson Liu, à Stanford, a déplacé une même information à différentes positions d’un long texte et mesuré la capacité des modèles à la retrouver : élevée quand l’information ouvre ou ferme le document, dégradée quand elle gît au milieu. Le phénomène vaut pour les pages comme pour les listes : l’élément enterré au huitième rang d’une liste de quinze est techniquement lu, et pratiquement sous-pesé.

De l’autre côté de la chaîne, l’analyse de Kevin Indig, conduite sur 1,2 million de réponses de ChatGPT et 18 012 citations vérifiées, relayée par Search Engine Land, dessine une distribution en tremplin de ski : 44,2 % des citations viennent des trente premiers pour cent du contenu, et la probabilité glisse à mesure que l’on descend dans la page. Les gestes suivent : l’essentiel d’une page dans son premier tiers ; dans chaque liste, l’élément majeur en tête, et l’indispensable rappelé en clôture pour occuper les deux zones fortes de la courbe.

Un paragraphe auto-portant se comprend hors de sa page : le sujet y est nommé en toutes lettres, l’unité de mesure précisée, la source datée. Anthropic a mesuré qu’ajouter à chaque fragment une phrase de contexte avant indexation réduit de 35 à 49 % les échecs de récupération (Contextual Retrieval, 2024). Vous obtenez le même effet à la source, en remplaçant chaque pronom orphelin par son référent.

Détaché de sa page, le premier fragment est illisible : quelle méthode, quel délai, garanti par qui ? Le second se cite tel quel, avec le nom de l’entreprise embarqué. Une contre-intuition complète le geste : les termes techniques se répètent à l’identique. La variation élégante, apprise à l’école, dessert ici la correspondance : les dispositifs de récupération apparient des termes exacts, et l’entreprise qui nomme son offre de trois façons différentes divise sa présence par trois. Un nom d’offre, une unité, une formulation de référence, tenus d’un bout à l’autre du site et des profils externes. La sonorité y perd un peu ; la citation y gagne beaucoup.

Beaucoup, et de façon mesurable. En injectant de fausses dates dans des passages soumis à sept modèles, des chercheurs ont montré qu’une date plus récente fait remonter un passage de dizaines de rangs dans le reclassement (2025). Une page datée et réellement mise à jour part devant ; une donnée qu’on ne lit que chez vous donne, elle, une raison de vous citer.

La date récompensée est la vraie : celle d’une révision de fond, portée dans la page et dans son balisage, à cadence régulière sur les contenus sensibles au temps, tarifs, réglementations, délais. L’expérience citée plus haut décrit un biais des machines ; en tirer un maquillage cosmétique des dates exposerait à la sanction inverse, car les moteurs comparent la date déclarée au contenu réellement changé.

Reste le levier que la recherche ne peut mesurer à votre place : la donnée originale. Une mesure interne, un retour de terrain chiffré, un cas client anonymisé avec ses résultats datés. L’IA compose ses réponses à partir de ce qui existe ; publier une donnée qui n’existait pas la conduit à vous nommer pour s’en servir. Les pages de généralités bien écrites ressemblent à des millions d’autres ; la citation va à la page qui apporte sa pièce au dossier.

Un préalable technique conditionne tout le reste : le texte doit exister dans le HTML brut. L’étude de Vercel et MERJ sur 569 millions de requêtes de GPTBot, en décembre 2024, a constaté que les principaux robots étudiés n’exécutaient pas JavaScript ; les robots d’OpenAI, d’Anthropic et de Perplexity téléchargent parfois les scripts, et les laissent fermés. Gemini fait exception, adossé à l’infrastructure de rendu de Google. Un contenu affiché par script demeure invisible pour les autres.

Le piège échappe à l’œil : dans votre navigateur, la page s’affiche, le texte est là, tout paraît en ordre. Le robot, lui, reçoit le document avant que les scripts ne le remplissent. Le test tient en trente secondes : ouvrir le code source de la page (Ctrl+U dans le navigateur) et y chercher la phrase qui vous décrit. Si elle en est absente, elle est absente aussi des réponses de ChatGPT, de Claude et de Perplexity. Les sites vitrines classiques sont épargnés ; les applications monopage (React, Vue et proches) sont concernées au premier chef, et se corrigent par un rendu côté serveur.

Réunis, ces résultats tiennent en cinq gestes d’écriture, à appliquer page après page en commençant par celles qui portent le chiffre d’affaires : relire chaque bloc seul, répondre en tête de section, armer chaque bloc d’un fait daté, tenir les termes stables, et vérifier ce que la machine reçoit vraiment.

Ces gestes sont le quotidien de la rédaction SEO et IA : des pages écrites pour le lecteur d’abord, construites pour être reprises sans se déformer. Vingt minutes suffisent pour passer ensemble une de vos pages au crible des cinq gestes, et repérer ce qui retient aujourd’hui les citations.

• Nelson F. Liu, Kevin Lin, John Hewitt et al., « Lost in the Middle: How Language Models Use Long Contexts », Transactions of the Association for Computational Linguistics, 2024 (arXiv 2307.03172) : l’attention en courbe en U sur les longs contextes.
• Tong Chen et al., « Dense X Retrieval: What Retrieval Granularity Should We Use? », EMNLP 2024 (arXiv 2312.06648) : la proposition comme grain optimal de récupération.
• Anthropic, « Introducing Contextual Retrieval », septembre 2024 : le contexte préfixé réduit les échecs de récupération de 35 à 49 %, le reclassement de 67 %.
• Kevin Indig, analyse de 1,2 million de réponses ChatGPT et 18 012 citations vérifiées, 2026, relayée par Search Engine Land : 44,2 % des citations dans le premier tiers du contenu.
• Vercel & MERJ, « The Rise of the AI Crawler », 2025 : 569 millions de requêtes GPTBot analysées, zéro exécution de JavaScript.
• Étude sur le biais de fraîcheur dans le reclassement des passages, 2025 (arXiv 2509.11353) : des dates plus récentes font remonter les passages de dizaines de rangs.

Charles Clèdes-Flahaut est consultant en stratégie de communication depuis 2014, fondateur d’Agent Fédérateur, aux portes de Saint-Germain-en-Laye. Formation philosophie et ingénierie financière, pratique de la photographie et de la vidéo. Il accompagne PME, dirigeants et entreprises de service dans leur stratégie, leur création de site web avec IA, leur ligne éditoriale et leur visibilité face aux intelligences artificielles. Lire la biographie complète.