L'AI Search, c'est en réalité deux mécanismes très différents

Depuis l'émergence de l'AI Search, les stratégies, frameworks et formations qui promettent une meilleure visibilité de votre site sur les moteurs IA se sont très clairement multipliés.

Cependant, cette promesse de visibilité ne revient pas sur une mécanique fondamentale qui caractérise les réponses IA. Ce fonctionnement dont je parle, c'est en réalité deux mécanismes très différents. Nous avions introduit ces deux mécanismes dans ma présentation de la knowledge base et nous allons ici développer notre analyse de ces deux processus qui s'opposent.

Le premier est la récupération ancrée, c'est le processus qui se rapproche le plus du SEO classique tel qu'on le connaît depuis plus de dix ans avec un système qui sélectionne des passages qui permettent de produire la réponse à l'utilisateur. Ce processus est entièrement mesurable, reproductible et influençable.

Le second en revanche est celui qui va marquer une différence assez nette avec le SEO classique. C'est l'étape où le modèle recompose la réponse à partir des récupérations et cette étape se caractérise par de l'imprévisibilité. En d'autres termes, deux utilisateurs distincts qui posent la même question peuvent obtenir des réponses totalement différentes. C'est le processus qu'on appelle la génération probabiliste.

Ce que cette compréhension du mécanisme des LLM dit, c'est qu'une partie de l'AI Search repose sur des paramètres hors de portée et de l'autre côté, elle entretient l'impression d'un métier nouveau alors qu'il ne s'agit que d'un simple renforcement des fondamentaux du SEO.

Nous allons donc voir dans cet article, ce qu'il est possible d'optimiser réellement quand on met en place une stratégie en AI Search.

Sommaire

1. Ce qui se passe quand vous interrogez une IA
2. Deux mécanismes très différents
3. La récupération ancrée : ce qu'on peut influencer
4. La génération probabiliste : ce qu'il faut accepter de lâcher
5. Ce que ça change concrètement pour la pratique

Ce qui se passe quand vous interrogez une IA

Pour commencer notre analyse nous allons décomposer les différentes étapes qui se produisent entre le moment où l'utilisateur envoie une question et reçoit la réponse du moteur.

Nous allons la présenter en quatre étapes et y représenter les deux mécanismes qui font l'objet de notre analyse.

Étape 1 : l'analyse de votre intention

La première étape est l'analyse de l'intention qui compose la recherche. On ne raisonne pas en mots-clés à cette étape mais en intention. Plus l'intention est précise et détaillée plus elle entraînera une recherche plus large et complète.

C'est cette étape qui détermine le reste et ce sont bien entendu ces intentions auxquelles il faut répondre.

Étape 2 : le query fan-out

Si la requête envoyée est complexe, le système va envoyer ce qu'on appelle des query fan-out. Ce terme est désormais assez familier dans le secteur et désigne le processus par lequel un ensemble de sous-requêtes est envoyé pour répondre aux différentes facettes du sujet principal. Chacune de ces sous-requêtes est envoyée simultanément et analysées indépendamment par le système.

Si on prend l'exemple assez simple d'une recherche de produits et prenons l'exemple de la machine à café, chaque facette peut faire l'objet d'une query fan-out, selon la recherche initiale de l'utilisateur (on y retrouvera toutes les caractéristiques de ce produit comme la marque, la capacité, les fonctionnalités, le prix, l'usage, ...)

Quand on réfléchit bien cette notion de facettes n'est pas nouvelle, on la travaillait déjà en SEO classique et le principe y est le même, il prend juste plus d'importance qu'auparavant.

Étape 3 : la récupération des passages

Nous l'avions déjà vu mais cette phase de récupération ne part pas de pages web entières mais de passages. Une IA construit donc sa réponse sur des passages et ne lit jamais une page dans son intégralité. Ce fonctionnement implique un travail de structuration et de mise en avant des contenus essentiels répondant aux query fan-out dont nous venons de parler.

Chaque query fan-out aura ses passages qui lui seront dédiés afin de construire la réponse à l'utilisateur qui a émis la requête initiale.

Étape 4 : la synthèse de la réponse

Sur la base de tous les passages qui ont été récupérés à l'étape 3, le système peut désormais formuler une réponse et c'est par un assemblage de ces passages que ce processus va se dérouler.

C'est à cette quatrième étape que la génération probabiliste entre en jeu car c'est à ce moment que l'assemblage imprédictible se produit. C'est ce qui rendra chaque réponse unique et non reproductible.

Toute cette mécanique que nous venons de présenter correspond à ce qu'on appelle le RAG ou Retrieval-Augmented Generation. C'est une notion essentielle à connaître et celle que nous venons de présenter est la version basique en ligne droite, on parle du pipeline RAG.

Depuis moins longtemps une version plus aboutie de ce modèle que nous verrons dans un prochain article fonctionne en boucle.

Deux mécanismes très différents

Les trois premières étapes que nous avons vues ont une propriété commune, à savoir qu'elles sont déterministes. Cela signifie qu'à requête identique entre plusieurs utilisateurs, le système produira les mêmes résultats. Chaque query fan-out auquel votre page est éligible le restera dans le temps. Rien ne sera le résultat du hasard à ce niveau.

Toute cette étape, nous l'avons appelée : la récupération ancrée et cette caractéristique d'ancrage repose sur un référentiel concret et vérifiable.

Toute cette étape reprend ce que les moteurs font depuis plus de vingt ans et tous les facteurs qui permettent à une page de devenir une source du moteur sont observables, mesurables et influençables.

C'est à la quatrième étape que le mécanisme change radicalement, au moment de la génération probabiliste. C'est le moment précis où le modèle produit des sorties non reproductibles et de nature probabiliste. Et il faut bien comprendre que cette caractéristique n'est pas à proprement parler un défaut des LLM, c'est ce qui permet de produire des réponses plus spontanées, plus naturelles et plus nuancées selon le contexte de la conversation.

À cela on peut ajouter une couche de personnalisation en fonction de ce que le moteur sait de l'utilisateur au travers de son historique, du contexte ou même de la knowledge base. On parle ici du "user embedding" qui reste totalement invisible de l'extérieur.

C'est donc assez simple de comprendre que cette quatrième étape suffit à elle seule pour rendre chaque réponse unique et non reproductible. C'est à cette étape précisément que vous perdez le contrôle sur votre stratégie. C'est la compréhension de ce mécanisme qui peut vous aider à mieux relativiser ce que le marché vous vend pour acquis.

La récupération ancrée : ce qu'on peut influencer

Maintenant que nous avons distingué clairement les deux mécanismes qui caractérisent le fonctionnement des moteurs IA, je propose de nous intéresser aux éléments que nous pouvons influencer sur les différentes étapes de la récupération ancrée.

Première condition : que votre page existe pour le système

La première condition est celle de l'éligibilité, à savoir que votre page doit être accessible au moteur. C'est le prérequis de tout système RAG avant même qu'un contenu soit candidat à une citation.

Un test, effectué par Profound sur 700 000 pages, ont été suivies pendant plusieurs jours. Sur ces pages, toutes celles ayant eu un taux d'échec de réponse de plus de 75 % face au crawl de l'IA ont reçu 18 fois moins de citations que les autres pages voire, pour certaines, pas du tout.

Cette étape est donc radicale, elle écarte un contenu si celui-ci n'est pas accessible quelle que soit la pertinence du contenu face à la requête de l'utilisateur.

Mike King évoque même un code de réponse moins connu, l'erreur 499 qui se produit lorsque le client abandonne la connexion suite à un temps d'attente trop long.

Si vous avez lu mon précédent article, vous vous souvenez qu'il s'agit d'ailleurs d'un des principaux facteurs de citations avec la note la plus élevée.

Deuxième condition : que votre page rank en organique

Passé l'étape de l'éligibilité, la page doit ensuite faire partie d'une sélection de sources candidates. Le ranking organique est un des critères qui a d'ailleurs aussi sa place dans les facteurs de citation et je n'y reviens pas en détail.

Son importance a été légèrement revue à la baisse car les systèmes IA ne cherchent pas uniquement les sources qui rank bien sur Google, ils cherchent aussi des formats spécifiques que le ranking organique ne propose pas. En mars 2026, selon une étude d'Ahrefs sur 4 millions d'URL, 38 % des citations analysées proviennent du top 10 organique.

Troisième condition : que votre page rank sur les sous-requêtes du fan-out

L'optimisation d'une page ne consiste plus en l'optimisation d'une requête principale. C'est l'ensemble des sous-requêtes envoyées par l'IA qui fait l'objet du travail d'optimisation. En revenant sur l'analyse Shepard, on la désigne par le fan-out rank qui avait reçu la note de 9,3 / 10 dans cette grille. C'est une très bonne note et pleinement justifiée par son rôle majeur dans le travail d'optimisation.

On peut citer ici une autre étude d'iPullRank réalisée sur 79 000 URL associées à une requête respective. Ce qu'a révélé cette étude c'est que la page doit travailler sa densité d'entités et non de contenu. Un contenu supplémentaire qui n'apporte rien de plus réduit la probabilité de citation. Ce qu'il faut donc enrichir ce n'est pas du rajout superficiel mais bien du contenu qui enrichit le développement et répond à plus de fan out.

Le nombre de mots n'est donc plus l'objet de l'analyse : il faut avant tout lister les principales facettes à couvrir et produire un contenu pertinent autour de ces facettes de la manière la plus qualitative et exhaustive possible.

Ce principe n'est pas nouveau en SEO, je l'ai pratiqué systématiquement quel que soit le format de page. Sur un listing e-commerce avec les facettes des produits qui composent le menu et sur un article de blog avec les sous-requêtes qui structurent le sujet principal de l'article.

La génération probabiliste : ce qu'il faut accepter de lâcher

Une fois les passages récupérés et que la matière nécessaire à la réponse est prête, l'IA engage une étape où elle va formuler sa réponse et cette étape précisément qui est de nature probabiliste et non reproductible.

Je vous propose de voir les trois facteurs qui l'explique :

Le premier est interne au modèle

La première raison de ce caractère probabiliste vient du choix des mots qui suit des probabilités calculées en interne. Ce paramètre est une propriété des modèles de langage et il n'est pas modifiable.

Le deuxième est la personnalisation

La deuxième raison, on l'avait vu, est l'embedding utilisateur qui vient de la connaissance que le modèle a de l'utilisateur à qui il répond. Le modèle apprend à vous connaître et selon le contexte que vous lui laissez prendre, il peut exploiter ces informations pour adapter sa réponse. On rejoint ici la notion de knowledge base mais à un niveau local. C'est l'information que vous lui donnez par de nombreux biais : historique, projet, documents partagés, mémoire. Votre profil est donc ce qui rendra la réponse que vous recevez différente des autres.

Le troisième est l'état mouvant de l'index

L'index des moteurs de recherche est ce qui constitue la base de récupération des modèles. Mais cet index évolue et change constamment et les modèles s'adaptent à ces changements constamment. Pour une même question, la récupération ne sera pas effectuée de la même façon d'un jour à l'autre ce qui va influencer différemment la réponse finale.

C'est cet aspect qui rend la maitrise de la citation quasi impossible à garantir.

Il est donc important de garder en tête ces trois aspects qui rendent la réponse imprévisible et comprendre du coup que les outils de mesure ne peuvent rien contre ce fonctionnement. Ce qu'ils remontent n'est qu'une tendance qui prend du sens quand on l'analyse dans le temps, ce n'est jamais une donnée fiable qui remonte un acquis réel et fiable.

Il ne faut donc pas promettre une citation mais proposer une mesure de tendance réaliste. Pour cela je m'oriente personnellement sur un choix de prompts représentatifs que je construis par le biais d'une étude de marché. Je classifie ensuite ces prompts et je les suis par fréquence. Je ne regarde les résultats que quand la densité de réponse récupérée est suffisante avec une fréquence hebdomadaire au maximum.

De cette façon, le suivi peut prendre son sens malgré ce caractère probabiliste qui remet complètement en question la pratique.

Ce que ça change concrètement pour la pratique

Tout ce que vous avez appris en SEO reste et ne disparaît pas avec l'AI Search. La raison n'est pas que le SEO génère encore du trafic mais la raison principale est que la récupération repose sur des principes travaillés en SEO. Un site déjà optimisé pour le SEO ne part donc pas de zéro en AI Search.

Après avoir vu ce fonctionnement en détail et étape par étape, on peut finir cette analyse en résumant les différentes étapes pour une mise en pratique optimale.

Je résume cela en quatre piliers, et ils sont tous hérités du SEO.

1. La pertinence

Votre page répond parfaitement aux query fan-out qui se rattachent directement au sujet ciblé. On parle ici d'une optimisation qui repose sur des facettes répondant chacune à des intentions très spécifiques. C'est ce qui alimente la réponse des modèles et c'est donc ce qu'il faut optimiser pour en être la source.

2. La confiance

Répondre à des facettes ne suffit pas, la confiance que porte la marque et le domaine rattaché reste au cœur des facteurs de citations.

3. L'autorité thématique

L'autorité thématique qui désigne la couverture d'un sujet dans son ensemble rejoint aussi cette notion de facette et forme cette confiance d'une marque autour d'une spécialisation. C'est ce que le site dans son ensemble doit construire et entretenir dans le temps.

4. L'extractabilité

Sans accès aux pages, quelle que soit la raison, les LLM ne pourront effectuer la récupération nécessaire pour être potentiellement cité.

C'est le prérequis n° 1 et ne doit pas être négligé dans une stratégie.

Pour conclure : un déplacement d'équilibre, pas une rupture

Passer du SEO à l'AI Search n'est donc pas un changement radical d'approche, on priorise simplement différemment et on appuie notre stratégie davantage sur certains aspects.

Ce qui change le plus est le suivi de visibilité qui ne repose plus sur des KPI concrets (impressions, CTR, clics, volume de recherche, position, trafic, conversion) mais sur des tendances beaucoup plus approximatives et soumises à de nombreux angles morts. On reviendra sur cette problématique qui mérite son article.

Et si vous souhaitez mettre en place une stratégie, je vous invite à lire mon retour sur l'analyse de Cyrus Shepard qui pose les 23 facteurs de citations avec un score de pondération. C'est la base la plus solide à ce jour pour poser une stratégie concrète en gardant bien à l'esprit ce mécanisme que nous avons décrit et les limites qu'il implique.