Être cité par une IA : les quatre signaux que ChatGPT, Perplexity et les AI Overviews regardent vraiment

Une réponse générée par ChatGPT, Perplexity ou les AI Overviews de Google cite en général entre trois et huit sources, d'après nos propres relevés sur les requêtes de nos clients. Des dizaines de pages traitaient pourtant le même sujet. La question n'est donc plus « suis-je indexé ? » mais « pourquoi celle-là et pas la mienne ? ». On ne connaît pas les modèles de sélection en détail, mais on dispose de quatre références fiables pour raisonner : la documentation officielle de Google sur ses fonctionnalités d'IA, celle d'OpenAI et de Perplexity sur leurs robots, et les travaux académiques qui ont mesuré ce qui fait varier la visibilité d'une page dans une réponse générée. Ces sources convergent sur quatre signaux.

Signal 1 : la page est accessible au bon robot, pas seulement à Googlebot

C'est le préalable que beaucoup de sites ratent sans le savoir. Les moteurs génératifs n'utilisent pas tous le même robot que le moteur de recherche classique, et un même éditeur en envoie plusieurs. OpenAI documente trois agents distincts : GPTBot pour l'entraînement, OAI-SearchBot pour l'index de recherche de ChatGPT, et ChatGPT-User pour aller chercher une page à la demande d'un utilisateur. Chacun se contrôle séparément dans le fichier robots.txt, comme l'explique la documentation des robots OpenAI. Anthropic fait de même avec ClaudeBot, Claude-SearchBot et Claude-User, et Perplexity avec PerplexityBot et Perplexity-User.

Concrètement, un site qui a bloqué « tous les robots d'IA » en 2024 par précaution a souvent bloqué aussi ceux qui servent à répondre aux utilisateurs. Il ne peut plus être cité, quelle que soit la qualité de ses contenus. La lecture des logs serveur est le seul moyen de savoir qui passe réellement ; nous y consacrons un article dédié à l'identification des robots d'IA.

Signal 2 : le moteur sélectionne des passages, et chaque section doit en être un

Google est explicite sur ce point dans sa documentation des fonctionnalités d'IA dans la recherche : les AI Overviews et le mode IA s'appuient sur les mêmes systèmes que la recherche classique, et il n'y a « rien de spécial à faire » au-delà des recommandations habituelles. Mais la manière dont ces systèmes lisent une page a changé. Google décrit une technique de query fan-out : la question de l'utilisateur est décomposée en plusieurs sous-requêtes, chacune lancée en parallèle, et la réponse est assemblée à partir des passages les plus pertinents pour chaque sous-question, comme l'explique l'annonce du mode IA.

L'unité de sélection n'est donc plus la page mais le passage. Un paragraphe qui répond nettement à une sous-question précise a plus de chances d'être repris qu'une page longue où la réponse est diluée. Cela plaide pour une écriture où chaque section porte une question identifiable, ouvre par la réponse, puis développe la nuance. C'est l'objet de notre article « Réponse d'abord, nuance ensuite ».

Signal 3 : le contenu porte des éléments citables

La recherche a mesuré ce signal mieux que les autres. En 2023, une équipe de Princeton, de Georgia Tech et de l'Allen Institute a publié GEO: Generative Engine Optimization, une étude qui teste neuf méthodes de réécriture d'une même page et mesure leur effet sur la visibilité de cette page dans des réponses générées. Trois méthodes sortent nettement du lot : ajouter des citations de sources, ajouter des statistiques, et ajouter des citations directes attribuées. Les auteurs mesurent jusqu'à 40 % de visibilité en plus, selon la méthode de réécriture appliquée. À l'inverse, le bourrage de mots-clés, technique historique du SEO, n'apporte rien et dégrade parfois le résultat.

On comprend pourquoi : un modèle qui doit produire une réponse fiable préfère s'appuyer sur un passage qui affirme quelque chose de précis, daté, chiffré et attribué, plutôt que sur une généralité. Un chiffre avec sa source est un fragment que l'IA peut reprendre tel quel en indiquant d'où il vient. Une phrase comme « le marché progresse fortement » ne l'est pas.

Signal 4 : la source est identifiable et cohérente

Les systèmes de Google évaluent depuis des années ce que les consignes aux évaluateurs de qualité appellent l'expérience, l'expertise, l'autorité et la fiabilité, regroupées sous l'acronyme anglais E-E-A-T (experience, expertise, authoritativeness, trustworthiness). Ce n'est pas un facteur de classement au sens strict, mais c'est le cadre dans lequel Google entraîne et vérifie ses systèmes. Or ces critères portent sur la source autant que sur la page : qui écrit, avec quelle légitimité, et si le site tient un discours cohérent d'une page à l'autre.

Pour un moteur génératif, la cohérence compte doublement. Un site qui donne trois chiffres différents pour la même donnée sur trois pages est une source risquée. Un site dont chaque article est signé par une personne identifiée, avec une page auteur et un domaine d'expertise stable, est une source que le système peut attribuer. La documentation des données structurées Article de Google décrit d'ailleurs les champs qui rendent cette attribution lisible par une machine : auteur, date de publication, date de modification.

Ce que ces quatre signaux changent dans la production

Mis bout à bout, ces signaux dessinent une méthode qui n'a plus grand-chose à voir avec le SEO de volume :

• Vérifier l'accès avant d'écrire : le robots.txt est lu à la racine du domaine, et chaque robot d'IA a son propre token. Bloquer l'entraînement n'oblige pas à bloquer la citation.
• Écrire par passages : une question par section, la réponse en tête, la nuance après.
• Sourcer chaque affirmation qui compte : un chiffre, une date, une origine. C'est le signal le plus fort mesuré par la recherche, et c'est aussi ce qui protège l'éditeur contre l'erreur.
• Signer et tenir une ligne : un auteur identifié, un vocabulaire stable, des données qui ne se contredisent pas d'une page à l'autre.

Aucun de ces points ne relève d'une astuce technique. Ce sont des exigences éditoriales, qui se tiennent à l'échelle seulement si elles sont intégrées à l'outil de production plutôt que vérifiées à la main après coup. Concrètement : des contenus organisés en clusters cohérents, une source par affirmation, une signature par article.

Ce qu'on ne sait pas, et qu'il faut dire

Ces signaux sont documentés, mais ils ne forment pas une formule. Les moteurs génératifs changent vite, leurs index ne se recouvrent pas, et la même question posée deux fois peut produire deux listes de sources différentes. La seule façon honnête de piloter sa présence est de la mesurer dans le temps : poser régulièrement les mêmes questions aux mêmes moteurs, noter qui est cité, et distinguer les pages simplement récupérées de celles réellement attribuées. Nous décrivons cette méthode de mesure dans un article consacré à la part de voix dans les IA.