Comment les LLM choisissent leurs sources (RAG, citations)

Quand un moteur de réponse IA cite une source, ce n'est pas une récompense pour son existence : c'est le résultat d'un pipeline. Le système interprète la question, récupère des documents candidats depuis un index ou une recherche web en direct, note chacun pour sa pertinence et sa fiabilité, puis décide, en rédigeant sa réponse, si un passage mérite un lien. Rien n'est garanti : deux pages classées de façon comparable peuvent recevoir un traitement très différent.

Le pipeline en quatre étapes : de la question à la citation

Les AI Overviews de Google, la recherche de ChatGPT, Perplexity, Gemini et Claude suivent chacun une variante de la même séquence en quatre étapes. La mécanique diffère — index propriétaire ici, API de recherche web généraliste là — mais la structure reste cohérente, et chaque éditeur en documente une partie.

1. Interpréter l'intention de l'utilisateur

Avant toute récupération, le système détermine à quel type de question il répond. La documentation d'Anthropic sur l'outil de recherche web de Claude est explicite sur ce tri : Claude doit rechercher quand une requête « dépend d'informations actuelles, changeantes, ou en dehors de ses données d'entraînement » — actualité, prix, organisations ou produits spécifiques — et répondre directement, sans recherche ni citation, pour des « faits établis, des mathématiques, des fondamentaux scientifiques... de l'écriture créative... [ou] l'analyse d'un contenu déjà fourni dans la conversation ». Pour le GEO, la distinction compte : dans le second cas, aucune source n'est récupérée, et aucune page — aussi optimisée soit-elle — ne peut être citée.

2. Récupérer des sources candidates

Une fois qu'une information externe est jugée nécessaire, le système récupère un ensemble de candidats. Google décrit ce mécanisme pour les AI Overviews et le mode IA comme un « query fan-out » — « lancer plusieurs recherches liées entre elles sur différents sous-thèmes et sources de données » plutôt qu'une seule requête. L'API Responses d'OpenAI distingue deux modes : un mode rapide « non-reasoning », qui transmet la requête à l'outil de recherche et retient les meilleurs résultats, et un mode « agentic », où un modèle de raisonnement cherche dans le cadre de sa propre chaîne de pensée et décide s'il doit relancer une recherche. Une page ne devient candidate que si elle est indexée et accessible — Google précise qu'elle « doit être indexée et éligible à un affichage dans Google Search avec un extrait » pour seulement qualifier comme lien de support.

3. Noter la pertinence et l'autorité

Les candidats sont ensuite filtrés et classés — pas seulement pour leur pertinence thématique, mais pour la confiance que le système est prêt à leur accorder. C'est là qu'interviennent des signaux proches de l'E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness), le cadre que Google utilise lui-même pour juger la qualité d'un contenu, aux côtés de la fraîcheur (le contenu est-il assez récent pour le sujet ?) et de la clarté structurelle (l'affirmation peut-elle être extraite proprement ?). Une source pertinente sur le fond peut donc perdre à cette étape si elle paraît non étayée, obsolète, ou diffuse.

4. Synthétiser la réponse et décider de citer

Enfin, le modèle rédige la réponse et décide séparément quelles parties seront rattachées à une source. L'outil de recherche web de Claude associe à chaque citation un champ cited_text (jusqu'à 150 caractères, repris tel quel depuis la page), avec l'URL et le titre. L'API Responses d'OpenAI renvoie des annotations url_citation pour les sources réellement citées dans le texte, plus un champ sources séparé listant toutes les URL consultées par le modèle — un ensemble « souvent plus grand que le nombre de citations ». Être lu par le modèle et être cité par le modèle sont deux résultats distincts ; la plupart des pages récupérées ne franchissent pas la seconde étape.

Ce qu'est vraiment le RAG (et d'où vient le terme)

Le terme « RAG » circule de façon assez lâche dans le contenu marketing — autant être précis sur son origine. Il vient d'un article de 2020 signé Patrick Lewis et ses collègues de Facebook AI Research (aujourd'hui Meta AI), publié à NeurIPS 2020 : Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Son idée centrale : les grands modèles de langage stockent la connaissance dans leurs paramètres (« mémoire paramétrique »), mais cette connaissance est figée à l'entraînement, difficile à inspecter et à mettre à jour. Le RAG associe un générateur paramétrique à une « mémoire non paramétrique » — un index externe et interrogeable que le modèle consulte au moment de l'inférence — pour aller chercher des faits qu'il n'a jamais mémorisés.

Concrètement, l'architecture originale combinait un Dense Passage Retriever (DPR) — un bi-encodeur comparant les embeddings de la requête et des documents — à un générateur séquence-à-séquence BART-large. La mémoire non paramétrique était un dump de Wikipédia de décembre 2018, découpé en 21 millions de passages de 100 mots, interrogé par recherche du plus proche voisin. Deux variantes ont été testées — RAG-Sequence, qui conditionne toute la réponse sur un seul passage, et RAG-Token, qui peut piocher un passage différent à chaque mot généré — battant les modèles purement paramétriques en question-réponse à domaine ouvert (Natural Questions, TriviaQA, WebQuestions, CuratedTrec) et produisant un texte plus spécifique sur des tâches génératives comme Jeopardy ou la vérification de faits (FEVER).

Ça, c'est le RAG académique : un corpus fixe et pré-indexé, un retriever entraîné avec le générateur. Ce que font la recherche de ChatGPT, le grounding Google Search de Gemini, l'outil de Claude ou Perplexity en descend, sans en être une copie : le corpus, c'est le web en direct plutôt qu'un instantané figé ; le retriever, c'est un moteur de recherche complet plutôt qu'un bi-encodeur entraîné ; et c'est le modèle lui-même qui décide quand interroger, lit les résultats, et peut recommencer — plus proche d'un agent outillé que de la boucle originale en une seule passe. Le guide de Google sur l'optimisation pour ses fonctionnalités d'IA générative confirme cette filiation, en les décrivant comme reposant sur le retrieval-augmented generation combiné au query fan-out. Le nom est resté ; l'implémentation a largement dépassé l'article de 2020.

Comment les moteurs jugent la fiabilité d'une source

La récupération met une page devant le modèle. Qu'elle devienne une citation dépend de signaux raisonnablement bien documentés — au moins chez Google, dont les consignes explicites sont largement reflétées par les autres éditeurs.

L'E-E-A-T. Le cadre que Google utilise pour juger la qualité d'un contenu — Experience, Expertise, Authoritativeness, Trustworthiness — est passé de E-A-T à E-E-A-T en décembre 2022, pour valoriser l'usage direct et l'expérience de première main, pas seulement les qualifications. Google indique que, parmi les quatre, la fiabilité (trustworthiness) compte le plus, et présente l'E-E-A-T non pas comme un champ unique à remplir, mais comme « un ensemble de facteurs qui aident à déterminer quel contenu démontre » ces qualités — jugées en pratique par des évaluateurs qualité humains dont les avis servent à entraîner les systèmes automatisés de Google, plutôt qu'un signal de classement directement actionnable.

La pondération YMYL. Certains sujets sont soumis à une barre plus haute. Google appelle ces sujets « Your Money or Your Life » (YMYL) — des contenus qui « pourraient avoir un impact significatif sur la santé, la stabilité financière ou la sécurité des personnes, ou sur le bien-être de la société » — et ses systèmes « accordent encore plus de poids aux contenus alignés avec un E-E-A-T fort » dans ces catégories. Un blog de recettes de cuisine et une page sur les interactions médicamenteuses n'ont pas la même exigence de preuve.

La fraîcheur. Les requêtes sensibles au temps poussent la récupération vers des contenus mis à jour récemment ; les requêtes stables et définitionnelles n'en ont pas besoin. Cela découle du fonctionnement même du query fan-out : une page qui parle des tarifs de l'an dernier est un candidat plus faible dès que les faits ont changé, peu importe la qualité de la rédaction.

La structure et l'extractibilité. C'est le signal le moins documenté officiellement, mais il découle directement de la mécanique de citation décrite plus haut : si le mécanisme de citation d'un système capture un court passage de texte autonome et tel quel — comme le fait le champ cited_text de Claude, plafonné à 150 caractères — puis l'associe à une URL, alors une affirmation noyée dans un long paragraphe plein de nuances est mécaniquement plus difficile à extraire proprement que la même affirmation formulée en une phrase directe. Dire que « la structure aide » n'est pas ici une platitude de content marketing : c'est une conséquence directe du fonctionnement réel de l'extraction au niveau de l'API.

Pourquoi certains moteurs citent plus que d'autres

Le comportement de citation n'est pas un accident de style — il découle de différences documentées dans la façon dont chaque produit traite la recherche, comme comportement par défaut ou comme outil optionnel, et dans la façon dont chaque interface décide quoi afficher.

Les AI Overviews et le mode IA de Google sont construits directement sur Search : le grounding y est quasi universel par construction. Google indique que ses systèmes « identifient davantage de pages web de support, ce qui permet d'afficher un ensemble de liens plus large et plus diversifié qu'avec une recherche classique ». La citation y est plus proche de l'état par défaut que d'un cas particulier.

Gemini, via son API, traite la recherche comme un outil invoqué, pas une étape systématique : « le modèle analyse le prompt et détermine si une recherche Google peut améliorer la réponse » avant d'en lancer une — et Gemini 3 est facturé par requête réellement exécutée, ce qui n'a de sens que si la recherche est vraiment conditionnelle.

Claude documente une condition de déclenchement explicite et restreinte pour la recherche — actualité, prix, personnes, organisations ou produits spécifiques, ou demande explicite — et répond à une large part des questions depuis sa seule mémoire paramétrique, sans récupération ni citation possible.

ChatGPT, via l'outil de recherche web d'OpenAI qui alimente sa fonction de recherche, fonctionne selon deux modes : une passe rapide « non-reasoning » qui relaie les meilleurs résultats, ou un mode agentique où un modèle de raisonnement planifie et relance des recherches. Distinction utile pour le GEO : les citations en ligne sont un sous-ensemble sélectionné, tandis que la liste complète des sources consultées par le modèle est « souvent plus grande que le nombre de citations ». Une page peut être lue sans jamais apparaître en citation.

Perplexity est construit différemment depuis le départ : positionné comme un moteur de réponse « search-first » plutôt qu'un assistant généraliste doté d'un outil de recherche, avec une interface conçue pour mettre en avant des citations numérotées comme élément central du produit.

À retenir : être vu par un modèle et être cité relèvent de deux mécaniques différentes, et l'écart varie selon la plateforme. Optimiser pour le comportement documenté d'un moteur ne garantit pas le même résultat sur un autre.

Ce que cela implique concrètement pour votre contenu

Rien de tout cela ne change les fondamentaux du GEO, mais cela explique pourquoi chaque levier fonctionne mécaniquement, et pas seulement de façon anecdotique.

• Restez indexable et crawlable. Google est explicite : une page doit déjà être « indexée et éligible à un affichage dans Google Search avec un extrait » pour prétendre aux AI Overviews. Sans indexation classique, une page n'atteint jamais l'étape de récupération sur au moins un moteur majeur, quelle que soit sa qualité.
• Formulez l'affirmation comme une phrase extractible. Les mécanismes de citation capturent des passages de texte courts et précis — le champ de citation de Claude est plafonné à 150 caractères. Un fait énoncé en une phrase directe est bien plus facile à extraire proprement que le même fait dilué dans un paragraphe plein de nuances.
• Rendez l'expertise et l'expérience visibles, pas seulement sous-entendues. L'identité de l'auteur, ses qualifications et les preuves d'un usage de première main sont ce que l'E-E-A-T demande aux évaluateurs — et par extension aux systèmes entraînés sur leurs jugements — de repérer, en particulier sur les sujets proches du YMYL.
• Gardez les pages sensibles au temps à jour. Tarifs, versions, réglementation, disponibilité : tout doit afficher une vraie mise à jour, pas juste une date changée. La récupération favorise la fraîcheur spécifiquement pour les requêtes où les faits sous-jacents évoluent.
• Ne comptez pas sur les données structurées pour faire le travail. Google l'indique directement : « les données structurées ne sont pas requises pour la recherche IA générative, et il n'y a pas de balisage schema.org spécifique à ajouter ». Le schema reste utile pour la découvrabilité et la désambiguïsation, mais ce n'est pas un raccourci vers la citation.
• Attendez-vous à un crédit partiel. Être récupéré, lu et résumé sans citation visible est un résultat réel et fréquent — la documentation d'OpenAI confirme elle-même que la liste des sources consultées est généralement plus longue que celle des sources citées. Suivre si votre contenu est utilisé tout court, pas seulement s'il est lié, fait partie d'une mesure honnête de la performance GEO.

FAQ

Les moteurs IA citent-ils toujours la page qu'ils ont réellement utilisée ?

Non. La documentation d'OpenAI montre qu'une plateforme peut consulter plus de sources qu'elle n'en affiche en citation — le champ « sources » est décrit comme « souvent plus grand que le nombre de citations ». Un modèle peut être influencé par une page sans jamais la faire apparaître comme un lien.

Ce que font ChatGPT, Gemini et Perplexity aujourd'hui, est-ce la même chose que l'article RAG original ?

Une filiation conceptuelle, pas une copie. L'article de Lewis et al. (2020) décrivait un index Wikipédia fixe couplé à un retriever et un générateur entraînés conjointement. Les moteurs actuels remplacent cet index statique par une recherche web en direct ou une API de recherche, et laissent le modèle décider quand et combien de fois interroger — plus proche d'un agent qui appelle un outil que de l'architecture originale en une seule passe.

Un bon classement SEO garantit-il une citation par une IA ?

Non, mais cela aide à franchir le premier obstacle. Google indique qu'une page doit être indexée et éligible à un extrait dans la recherche classique pour ne serait-ce que qualifier comme source des AI Overviews. Franchir cette barre place une page dans le pool de candidats ; cela ne garantit pas qu'elle survive au filtrage de pertinence, de fiabilité et d'extractibilité qui suit.

Ajouter un balisage JSON-LD garantit-il que ma page sera citée ?

Non. Le guide d'optimisation IA générative de Google indique lui-même que les données structurées « ne sont pas requises pour la recherche IA générative, et il n'y a pas de balisage schema.org spécifique à ajouter ». Cela peut aider à désambiguïser le type de contenu et l'auteur, mais ce n'est pas un déclencheur de citation documenté.

Pourquoi mon contenu est-il cité par un moteur mais pas par un autre ?

Parce que chaque moteur documente un déclencheur de recherche différent et une politique de citation différente. Les AI Overviews de Google ancrent quasiment chaque réponse par construction ; l'API de Claude et celle de Gemini traitent la recherche comme un outil invoqué seulement pour certains types de requêtes ; et la part des sources consultées réellement affichées en citation varie selon le produit.

Sources

• Lewis, P. et al. (2020). « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ». NeurIPS 2020. arxiv.org/abs/2005.11401
• Google Search Central. « AI features and your website ». developers.google.com/search/docs/appearance/ai-features
• Google Search Central. « Google's guide to optimizing for generative AI features on Google Search ». developers.google.com/search/docs/fundamentals/ai-optimization-guide
• Google Search Central. « Creating helpful, reliable, people-first content ». developers.google.com/search/docs/fundamentals/creating-helpful-content
• Anthropic. « Web search tool ». Claude Platform Docs. platform.claude.com/docs/en/agents-and-tools/tool-use/web-search-tool
• Anthropic. « Introducing web search on the Anthropic API ». claude.com/blog/web-search-api
• OpenAI. « Web search ». OpenAI API Documentation. developers.openai.com/api/docs/guides/tools-web-search
• Google AI for Developers. « Grounding with Google Search ». Gemini API Documentation. ai.google.dev/gemini-api/docs/google-search