Comprendre comment les IA sélectionnent, lisent et classent les contenus pour adapter votre stratégie.
Common Crawl, CCBot. Aspirent tout le web pour construire les datasets d'entraînement. Représentent la majorité du trafic de crawl IA.
Aucun trafic retourChatGPT-User, Perplexity-User, Gemini-User. Déclenchés à la demande d'un utilisateur. Ce sont eux qui génèrent des citations et du trafic vers votre site.
Trafic + citationsOAI-SearchBot. Construisent un index propriétaire pour le LLM. 15 à 18% du crawl IA pour créer l'index (OAI-SearchBot, PerplexityBot…). Peu documentés, mais en croissance.
En constructionPerplexity utilisait un user-agent anonyme pour scraper sans s'identifier. Démasqué par Cloudflare. Preuve que les règles du marché sont encore en construction.
Les IA ajoutent systématiquement l'année en cours dans leurs requêtes fan-out. Date limite des données d'entraînement LLM + besoin de fraîcheur = vos pages stratégiques doivent être mises à jour très régulièrement. Même un petit rafraîchissement compte.
Une page rankant sur 9 requêtes fan-out du top 10 a 57% de chances d'être citée dans un AI Overview. À 0 requête, ce taux tombe à 9%.
Questions BOFU uniquement : ce que votre client pose juste avant d'acheter. Pas de questions génériques. Sources : GSC, connaissance terrain, assistant IA.
Envoyer ces questions aux moteurs IA. Votre marque est-elle mentionnée ? Quelles sources sont citées ? Quels thèmes sont des angles morts ?
Identifier les requêtes fan-out où votre visibilité = 0. Créer ou optimiser les pages correspondantes. Double bénéfice : visibilité IA + SEO classique.
Index inversé classique. Matche les termes exacts de la requête. C'est votre SEO on-page traditionnel : mots-clés, balises title, Hn.
Embeddings vectoriels. Trouve des pages pertinentes même sans les mots-clés exacts. Champ sémantique, entités nommées, intention.
Une page web est découpée en blocs autonomes (chunks). L'IA ne lit pas la page entière : elle cherche la réponse dans ces chunks.
Découper arbitrairement à 150 ou 300 mots. Un découpage purement comptable détruit la cohérence sémantique.
Mixez mise en page HTML (titres Hn, listes, tableaux, paragraphes courts) et cohérence sémantique (1 idée complète par chunk).
Une idée complète, auto-suffisante, avec des données chiffrées. Centrez chaque chunk sur une entité. Utilisez des balises sémantiques.
Un paragraphe qui commence par « Comme vu précédemment » est inexploitable seul. L'IA lit chunk par chunk, sans mémoire du contexte précédent.
« Comme nous l'avons vu dans la section précédente, ce type d'équipement est le plus adapté pour ces conditions de travail. Elles offrent une bonne protection et sont disponibles à un prix raisonnable. Ces modèles respectent les normes en vigueur. Pour l'entretien, il suffit de les nettoyer régulièrement et d'utiliser le produit adapté, comme le recommandent les fabricants. Cette solution est plébiscitée par les professionnels du secteur. »
Pour travailler sur terrain boueux, les chaussures de sécurité montantes S3 sont la référence : maintien de la cheville, imperméabilité certifiée et semelle anti-perforation selon la norme EN ISO 20345. Les modèles basses conviennent aux surfaces stables et sèches. Les chaussures de sécurité femme respectent les mêmes normes avec une anatomie adaptée. Côté prix, comptez entre 55 € et 79 € la paire : Timberland Pro et Puma Safety sont les marques les plus fiables dans cette fourchette. La norme S3 garantit un embout résistant à 200 joules, une semelle anti-perforation et une imperméabilité totale. Pour l'entretien, un nettoyage après chaque journée boueuse et un imperméabilisant hebdomadaire doublent la durée de vie de la paire.
Un document texte optionnel à la racine du site (/llms.txt) qui fournit une version propre et structurée du contenu aux IA.
Version nettoyée sans pub, sans navigation, sans distractions. Format markdown simple. L'IA lit exactement ce que vous voulez.
Très peu adopté par les LLM aujourd'hui. Ne remplace pas un bon chunking HTML. C'est un complément, pas une solution magique.
Un cross-encoder évalue la paire (requête + document) ensemble. Plus lourd que le bi-encoder, mais nettement plus précis. Le pool passe de ~1000 à ~50 candidats.
Mettre à jour les dates, prix et specs régulièrement.
Titres explicites, paragraphes courts, hiérarchie Hn cohérente.
Expertise, Autorité, Fiabilité visibles on-page.
| Site | Q1 | Q2 | Q3 | Q4 | Q5 | Q6 | Présent | Score RRF | Rang |
|---|---|---|---|---|---|---|---|---|---|
| manutan.fr | 1 | 1 | 3 | 2 | 1 | 4 | 6/6 | 0.1084 | 🥇 |
| securite-pro.fr | 4 | 3 | 1 | - | 2 | 1 | 5/6 | 0.0837 | 🥈 |
| epi-direct.com | 2 | 5 | 6 | 1 | 4 | - | 5/6 | 0.0776 | 🥉 |
| chaussures-pro.fr | 6 | 2 | - | 3 | - | - | 3/6 | 0.0423 | 4 |
Stratégies concrètes pour maximiser citations et trafic depuis ChatGPT, Perplexity, Gemini et les autres moteurs IA.
Plan d'action GEO, priorisation des contenus, optimisation du pipeline éditorial, automatisation.
Des questions sur le pipeline technique des LLM ? C'est le moment.
## Contexte Tu es un système de génération d'intentions basé sur le brevet Google US20240289407A1 « Search with Stateful Chat ». ## Tâche À partir du prompt utilisateur suivant : " Je dois équiper 12 techniciens en chaussures de sécurité, terrain boueux, port obligatoire toute la journée, moins de 80 € la paire " Génère 5 intentions diversifiées en appliquant la méthode de « prompted expansion » du brevet. ## Critères ### Diversité d'Intentions 1. Intent Exploratoire / Découverte — exploration générale du sujet 2. Intent Comparatif / Évaluation — comparaison entre options 3. Intent Exploratoire Spécifique / Drill-down — approfondissement sur un aspect 4. Intent Pratique / Clarification — questions logistiques et organisationnelles 5. Intent Contextuel / Entity-based — reformulations basées sur des entités spécifiques ### Équilibre Spécificité éviter trop de détails techniques ou trop de généralités. ### Questions Synthétiques Pour chaque intention, génère 2 questions synthétiques qui capturent des angles de recherche complémentaires.