Contenu citable par l'IA : la méthode en 5 étapes

Un moteur génératif ne cite pas une page. Il cite un passage. J'ai compris cette distinction pour de bon en montant un pipeline RAG maison sur un week-end : le modèle ne reçoit jamais votre article complet, il reçoit un morceau de quelques centaines de mots, découpé par un algorithme, et il répond à partir de ce morceau. Rendre un contenu citable par l'IA, ce n'est donc pas optimiser une page. C'est fabriquer des passages autonomes, des blocs qui gardent leur sens une fois arrachés au reste.

Pour rendre un contenu citable par l'IA, découpez chaque section en passages autonomes : un H2 formulé comme une question, une réponse directe de 40 à 80 mots en tête, une entité nommée et une donnée sourcée. Le moteur extrait ce bloc sans le reste de la page. Le balisage schema.org, lui, ne fait pas le travail.

Sous le capot, un moteur comme ChatGPT Search, Perplexity ou Google AI Mode fait du RAG : il récupère des fragments de documents (retrieval), puis génère une réponse à partir de ces fragments. Google décrit d'ailleurs sa propre technique de « query fan-out » : il émet plusieurs recherches liées sur des sous-sujets, puis assemble la réponse à partir des sources appariées. Votre page n'entre jamais entière dans ce circuit. Elle est découpée en chunks avant d'être indexée.

Ce découpage, c'est le maillon fragile. Un chunk mal coupé, qui commence au milieu d'une idée et se termine avant la donnée clé, devient inexploitable. Anthropic l'a chiffré dans son billet d'ingénierie « Contextual Retrieval » (19 septembre 2024) : en préfixant chaque chunk d'un court contexte de 50 à 100 tokens généré par le modèle, le taux d'échec de récupération chute nettement.

L'exemple d'Anthropic est parlant. Un chunk brut disait « The company's revenue grew by 3% over the previous quarter » sans dire de quelle entreprise ni de quel trimestre il s'agissait. Contextualisé, il devient « This chunk is from an SEC filing on ACME corp's performance in Q2 2023 ; the previous quarter's revenue was $314 million », suivi du contenu d'origine. Vous ne contrôlez pas le préfixe que le moteur ajoute. Mais vous contrôlez une chose : écrire des passages qui portent déjà leur contexte, pour ne pas dépendre de cette béquille.

C'est là que le GEO (Generative Engine Optimization) prend son sens. Le terme vient d'un papier de recherche fondateur (Aggarwal et al., Princeton, Georgia Tech, Allen Institute for AI, arXiv 2311.09735, accepté à KDD 2024) qui mesure jusqu'à 40 % de gain de visibilité dans les réponses génératives selon la façon dont le contenu est structuré. Pour le cadre général, j'ai détaillé le sujet dans le guide GEO complet.

Plusieurs études indépendantes ont mesuré la structure des pages effectivement citées par les moteurs IA. Croisées, elles dessinent une grille de référence que les guides marketing génériques ne donnent presque jamais. La médiane calculée par Evertune sur 33 000 URLs massivement citées par ChatGPT :

Deux enseignements. D'abord, la hiérarchie de titres compte : selon AirOps (12 000 URLs analysées), 68,7 % des pages citées par ChatGPT suivent une structure de titres séquentielle correcte (H1 vers H2 vers H3, sans saut), contre environ un quart des résultats classiques de la page 1 de Google. Ces mêmes pages comptent en moyenne 13,75 sections avec listes. Un extracteur RAG s'appuie sur ces balises pour découper proprement : un plan mal titré, il le coupe n'importe où.

Ensuite, la fraîcheur et l'autorité pèsent lourd. L'étude Ahrefs sur les 1000 pages les plus citées par ChatGPT (septembre 2025) montre un DR médian de 90, une présence organique Google pour 71,7 % d'entre elles, et surtout 76,4 % mises à jour dans les 30 jours précédant l'analyse. Wikipedia rafle 29,7 % des citations, les pages d'accueil 23,8 %, le contenu éducatif 19,4 %. Traduction pour un site normal : sans signal de qualité préexistant, la meilleure structure du monde ne suffira pas. La structure ouvre la porte, l'autorité la franchit.

Voici le workflow que j'applique, section par section. L'idée directrice : chaque bloc doit survivre à l'extraction.

1. Formulez le H2 comme une question. « Pourquoi l'IA cite un passage » plutôt que « Le fonctionnement du RAG ». Le titre en question colle à la requête que l'utilisateur tape et sert de clé d'appariement. C'est le même principe que pour décrocher un featured snippet, poussé un cran plus loin.

2. Ouvrez chaque section par une réponse directe de 40 à 80 mots. Le premier paragraphe répond à la question du titre, complètement, sans renvoyer à « comme vu plus haut ». C'est le bloc que le moteur va extraire. Le storytelling, les nuances, les exemples viennent après. Jamais avant.

3. Ancrez une entité nommée et une donnée sourcée dans le passage. Un chunk qui contient « selon Ahrefs, 76,4 % des pages citées » se contextualise tout seul. Un chunk qui dit « la plupart des pages » ne vaut rien une fois isolé. Les données propriétaires deviennent le carburant des citations précisément pour cette raison.

4. Calibrez la longueur du bloc sur le type de réponse visé. Un papier de recherche (Bhat et al., arXiv 2505.21700, mai 2025) montre que les petits chunks de 64 à 128 tokens sont optimaux pour les réponses factuelles concises et riches en entités, quand les chunks plus grands préservent mieux un raisonnement narratif. En pratique, un point de départ documenté (blog technique Redis) reste 512 tokens avec 10 à 20 % de chevauchement, à ajuster ensuite. Concrètement : une définition, une donnée, un fait daté tiennent dans un passage court et dense ; une démonstration a besoin d'air.

5. Respectez la hiérarchie de titres, sans saut. H1 unique, H2 pour les grandes questions, H3 pour les sous-points. Pas de H2 qui saute directement à un H4 pour faire joli en CSS. L'extracteur lit l'arbre des titres pour poser les frontières de ses chunks. Un arbre propre, ce sont des coupes propres.

Une réserve, parce que je déteste les recettes vendues comme universelles : on lit partout que le chunking sémantique (regrouper par similarité d'embeddings) écrase toutes les autres méthodes. Les comparaisons publiées donnent des résultats mitigés, et sur un article déjà bien titré, un découpage basé sur la structure documentaire fait souvent aussi bien pour moins cher. Sur ce point précis, j'avoue hésiter encore selon les corpus. À benchmarker sur votre propre contenu, pas à appliquer en dogme.

Non, ou en tout cas pas comme levier de citation. C'est la partie qui fâche, parce qu'une bonne moitié des guides GEO recommandent encore d'« ajouter du FAQ schema » pour se faire citer. Deux faits récents cassent ce conseil.

D'abord, Google a mis fin aux rich results FAQPage. Depuis le 7 mai 2026, le résultat enrichi FAQ n'apparaît plus dans Search ; les outils associés dans la Search Console sont retirés par phases jusqu'en août 2026. Le type schema.org FAQPage reste valide et toujours lu par Google pour comprendre la page, mais sans effet visible en SERP. J'ai suivi le calendrier dans l'analyse de la fin des FAQ rich results.

Ensuite, une étude Ahrefs (11 mai 2026) a suivi 1 885 pages ayant ajouté du JSON-LD entre août 2025 et mars 2026, comparées à 4 000 pages témoins. Sur des pages déjà citées, l'ajout de schema.org ne change rien de mesurable : Google AI Overviews -4,6 %, AI Mode +2,4 % (non significatif), ChatGPT +2,2 % (non significatif). Le point technique qui explique tout : durant la récupération directe, les moteurs testés (ChatGPT, Claude, Perplexity, Gemini, Google AI Mode) n'ont extrait que le HTML visible. Le JSON-LD, le Microdata caché, le RDFa caché ont été ignorés.

Attention à ne pas surinterpréter dans l'autre sens. La même étude, élargie à 6 millions d'URLs, note que les pages citées portent environ 3 fois plus souvent du JSON-LD que les pages non citées. Mais Ahrefs précise que la causalité n'est pas établie : c'est une corrélation avec des sites techniquement plus matures. Le balisage accompagne la qualité, il ne la crée pas. Et Google le dit noir sur blanc dans sa doc officielle : « There's no special schema.org structured data that you need to add » pour apparaître dans AI Overviews ou AI Mode. Pour la vue d'ensemble sur l'utilité réelle du markup, voir ce que les annonces schema.org taisent.

C'est un choix de conception assumé : les moteurs récompensent le contenu visible, pas la plomberie invisible.

Le standard llms.txt propose un fichier Markdown à la racine du site (/llms.txt) avec un H1 obligatoire, un résumé du projet et des sections listant vos URLs au format [nom](url) : notes. L'idée : donner aux modèles une version concise et exploitable du site, puisque leur fenêtre de contexte ne peut pas avaler un site HTML complet. C'est propre conceptuellement. Reste que son adoption et son effet réel sont discutés, comme je le note dans le point sur llms.txt.

Plus concret côté accès : vérifiez que vos passages sont bien atteignables par les crawlers IA. GPTBot et OAI-SearchBot pour OpenAI, PerplexityBot pour Perplexity, ClaudeBot et Claude-SearchBot pour Anthropic. Détail que peu de monde connaît : les trois bots d'Anthropic respectent robots.txt, y compris Claude-User pour la navigation à la demande, là où Perplexity-User et ChatGPT-User l'ignorent souvent. Bloquer par erreur un de ces agents, c'est saborder toute la méthode en amont. Le guide sur autoriser ou bloquer GPTBot et ClaudeBot détaille les arbitrages.

Faut-il ajouter du schema FAQPage pour être cité par l'IA ?#

Non. Google a retiré les rich results FAQ de Search le 7 mai 2026, et l'étude Ahrefs de mai 2026 montre que l'ajout de JSON-LD n'améliore pas mesurablement les citations IA sur des pages déjà citées. Pendant la récupération directe, les moteurs ne lisent que le HTML visible. Le vrai levier reste le contenu visible bien structuré, pas le balisage caché.

Quelle taille de passage pour être citable par un moteur RAG ?#

Selon le papier arXiv 2505.21700 (mai 2025), les chunks de 64 à 128 tokens sont optimaux pour les réponses factuelles concises et riches en entités ; les blocs plus grands conviennent mieux au raisonnement narratif. Un point de départ courant documenté par Redis est 512 tokens avec 10 à 20 % de chevauchement. Côté rédaction, visez une réponse directe de 40 à 80 mots en tête de section.

Le JSON-LD aide-t-il vraiment les citations IA ?#

Pas directement. Ahrefs observe que les pages citées portent environ 3 fois plus souvent du JSON-LD, mais souligne que la causalité n'est pas prouvée : c'est un marqueur de maturité technique, pas une cause. Google confirme n'exiger aucun balisage spécial pour AI Overviews et AI Mode. Le balisage aide la compréhension structurelle et l'indexation classique, sans être un levier de citation prouvé.

La fraîcheur du contenu compte-t-elle pour être cité ?#

Oui, fortement. L'étude Ahrefs sur les 1000 pages les plus citées par ChatGPT (septembre 2025) montre que 76,4 % d'entre elles avaient été mises à jour dans les 30 jours précédant l'analyse, avec un DR médian de 90. Un contenu daté et jamais rafraîchi part avec un lourd handicap, même parfaitement structuré.

Arrêtez de penser « page ». Pensez « bloc extractible ». Chaque section de votre contenu est un candidat isolé à la citation : elle sera lue seule, jugée seule, citée seule. Le H2 en question, la réponse directe en tête, l'entité nommée, la donnée sourcée, la hiérarchie propre. Le reste (le FAQ schema, le llms.txt, les balises exotiques) relève du confort, pas du levier. Pour aller plus loin sur les surfaces IA, voir apparaître dans ChatGPT et Perplexity.

À vous de jouer.

• GEO: Generative Engine Optimization, Aggarwal et al., arXiv
• Contextual Retrieval, Anthropic Engineering
• Google Search Central, AI features
• Google to no longer support FAQ rich results, Search Engine Land
• We tracked 1885 pages adding schema, Ahrefs
• ChatGPT's most cited pages, Ahrefs
• ChatGPT content structure, AirOps
• 9 ways to structure your content to be cited by ChatGPT, Evertune
• The llms.txt specification
• OpenAI bots documentation
• Perplexity crawlers documentation
• Anthropic crawler policy
• Chunking strategy for RAG pipelines, Redis
• Rethinking Chunk Size for Long-Document Retrieval, arXiv