SEO pour les LLM : comment les modèles de langage choisissent leurs sources, ce qui rend un passage citable, l'accès des robots et la mesure des mentions.

En bref
le SEO pour les LLM consiste à faire apparaître votre marque et vos pages dans les réponses des grands modèles de langage comme ChatGPT, Gemini, Claude et Perplexity. Ces modèles puisent à deux sources : ce qu'ils ont appris pendant leur entraînement et ce qu'ils récupèrent sur le web au moment de la question. Vous agissez sur la première par des mentions nombreuses et cohérentes de votre marque sur le web, et sur la seconde par des pages explorables dont les passages répondent directement aux questions, avec des faits et des sources. Ensuite, vous mesurez, question par question, si vous êtes cité.
Pour aller plus loin, demandez à
La recherche se partage désormais entre la page de résultats classique et les réponses conversationnelles, et le SEO pour les LLM désigne la seconde moitié du travail. On parle aussi de GEO (generative engine optimization), d'AEO ou de LLMO. Les noms changent, les mécanismes restent les mêmes, et ils sont assez précis pour être travaillés avec méthode.
Le SEO pour les LLM regroupe les actions qui augmentent la probabilité qu'un modèle de langage mentionne, recommande ou cite votre marque quand il répond à une question. Le SEO classique vise une position dans une liste de dix liens. Le SEO pour les LLM vise une place dans une réponse synthétique, où trois à cinq marques ou sources seulement sont souvent nommées.
L'objectif prend deux formes qu'il vaut mieux distinguer :
Une marque peut être mentionnée sans être citée (le modèle la connaît par son entraînement) et citée sans être recommandée (votre page sert de source neutre). Un bon travail porte sur les deux.
Par deux canaux : la mémoire acquise pendant l'entraînement, et la récupération en direct sur le web quand le modèle fait une recherche. Savoir lequel joue pour une question donnée indique le levier à actionner.
| Canal | Fonctionnement | Ce qui l'influence | Délai d'effet |
|---|---|---|---|
| Données d'entraînement | Le modèle a appris des associations à partir d'un vaste instantané du web, figé à sa date de coupure | La fréquence et la cohérence avec lesquelles de nombreux sites indépendants décrivent votre marque | Lent : des mois, jusqu'à la version suivante du modèle |
| Récupération en direct | Le modèle lance des requêtes, récupère quelques pages et construit sa réponse à partir de passages extraits | L'indexation, l'accès des robots, le classement sur les sous-requêtes, la qualité des passages | Rapide : quelques jours à quelques semaines après publication |
La récupération correspond au mécanisme de génération augmentée par récupération (RAG). Quand un modèle cherche, il découpe souvent la question en plusieurs sous-requêtes (query fan-out), récupère des résultats pour chacune et garde les passages qui répondent le mieux. Bien se classer dans la recherche classique sur ces sous-requêtes reste donc l'un des meilleurs indicateurs de citation. Google indique que ses fonctionnalités d'IA, comme les AI Overviews, reposent sur le même index et les mêmes systèmes de qualité que la recherche, sans balisage spécial requis (Google Search Central).
Un passage est cité quand il répond entièrement à une question, de façon autonome, avec un fait vérifiable. Le modèle extrait un bloc de quelques phrases : ce bloc doit avoir du sens sans le reste de la page.
La recherche le confirme. L'étude de Princeton qui a donné son nom au GEO a testé plusieurs méthodes de réécriture : ajouter des sources, des citations et des statistiques augmentait la visibilité dans les réponses générées jusqu'à environ 40 % sur leur banc d'essai (Aggarwal et al., GEO). Le bourrage de mots-clés, lui, n'apportait rien.
Les règles pratiques :
Vous pouvez vérifier comment un modèle lit une page avec notre testeur de lisibilité pour les LLM, gratuit.
Parce qu'un modèle fait confiance à ce que de nombreuses sources indépendantes disent de la même manière. Si votre site, votre page LinkedIn, les plateformes d'avis, les annuaires et les articles de presse décrivent votre entreprise avec le même nom, la même catégorie et les mêmes faits clés, le modèle forme une association stable entre votre marque et cette catégorie.
Des descriptions incohérentes (un ancien nom ici, une autre catégorie là, des prix dépassés ailleurs) brouillent cette association et augmentent le risque d'erreurs dans les réponses. Le travail est discret et efficace :
C'est le cœur du SEO d'entité, et souvent la pièce manquante des marques dont le site est bien optimisé mais qui n'apparaissent jamais dans les listes de recommandations.
En autorisant les robots qui récupèrent les pages pour les réponses en direct, en rendant vos pages lisibles sans JavaScript et en restant indexé dans les moteurs que les modèles utilisent. Une page que le modèle ne peut pas récupérer ne sera jamais citée, si bonne soit-elle.
| Robot | Éditeur | Rôle |
|---|---|---|
| OAI-SearchBot | OpenAI | Récupère les pages pour les réponses de recherche de ChatGPT |
| GPTBot | OpenAI | Collecte du contenu pour l'entraînement des modèles |
| ClaudeBot | Anthropic | Collecte du contenu pour Claude |
| PerplexityBot | Perplexity | Indexe les pages pour les réponses de Perplexity |
| Google-Extended | Contrôle l'usage du contenu pour l'entraînement de Gemini ; sans effet sur la recherche ni les AI Overviews |
Vérifiez votre robots.txt, les réglages anti-robots de votre pare-feu ou CDN (certains bloquent les robots des IA par défaut) et le rendu côté serveur du contenu principal. Notre guide des règles robots.txt pour les robots des IA détaille les directives ligne par ligne.
En suivant une liste fixe de questions dans le temps et en notant les mentions, les citations et les concurrents nommés à votre place. Il n'existe pas d'équivalent de la position, et les réponses varient d'une fois à l'autre : vous mesurez donc des tendances sur un panel de questions.
À la main, ce suivi devient vite fastidieux : c'est pourquoi des outils de suivi des mentions dans les IA rejouent le panel chaque semaine et listent les sources citées pour chaque question.
Le SEO pour les LLM tient en trois points : être accessible aux robots, écrire des passages qui répondent entièrement à une question avec des faits sourcés, et veiller à ce que le reste du web décrive votre marque comme vous le faites. Mesurez ensuite sur un panel de questions stable, car ce que vous ne suivez pas, vous ne pouvez pas l'améliorer.
Sorank fait ce travail en autopilote : il écrit et publie chaque jour des articles qui répondent d'abord, vérifie chaque semaine si ChatGPT, Gemini, Claude ou Perplexity citent votre marque, et montre qui est cité à votre place. Vous pouvez commencer avec 3 jours offerts.

Le SEO pour les LLM prolonge le SEO classique sans le remplacer. Les IA qui cherchent sur le web s'appuient toujours sur des pages explorables et indexées, donc la santé technique et l'autorité comptent encore. Ce qui change, c'est l'unité de compétition : les IA citent des passages, et elles tiennent compte de la façon dont les autres sites décrivent votre marque.
Listez les 20 à 50 questions que vos clients posent réellement, posez-les à ChatGPT, Gemini, Perplexity et Claude, et notez si votre marque apparaît, à quelle place et quelles sources sont citées. Répétez la même liste chaque semaine ou chaque mois, car les réponses varient d'une fois à l'autre. Un outil de suivi automatise ce travail et montre qui est cité à votre place.
Bloquer un robot d'entraînement comme GPTBot retire votre contenu des futures données d'entraînement, sans effacer votre marque des réponses, et peut réduire votre présence à long terme. Les robots de recherche comme OAI-SearchBot ou PerplexityBot récupèrent les pages pour les réponses en direct : les bloquer vous rend invisible dans ces réponses. La plupart des marques qui veulent de la visibilité autorisent les deux.
ILS ONT ESSAYÉ SORANK AVANT VOUS
