Comment les IA choisissent leurs sources : de la question à la réponse

Ce mécanisme est central pour la visibilité des marques. Une page ne doit pas seulement être publiée ou bien positionnée : elle doit être trouvée sur le bon axe de recherche, puis contenir un passage suffisamment clair, pertinent et autonome pour être retenu. Le webinaire LLM Monitor l’illustre avec une question simple : « Quel bracelet de santé au quotidien me conseilles-tu ? »

Une IA ne répond pas toujours uniquement avec sa mémoire

Un modèle de langage acquiert d’abord des connaissances pendant son entraînement. Il apprend ensuite à formuler des réponses, puis son comportement est affiné grâce à différentes phases d’alignement et de renforcement. Une fois une version mise en production, une partie de ses connaissances est liée aux données sur lesquelles elle a été entraînée.

Ce socle ne suffit pas toujours. Lorsqu’une question demande des informations récentes, précises ou factuelles, un assistant doté d’un accès au web peut s’appuyer sur un index de recherche. C’est le principe du search grounding, ou ancrage de recherche : la réponse n’est plus produite uniquement à partir des connaissances internes du modèle, mais aussi à partir de contenus récupérés au moment de la requête.

Étape 1 : comprendre l’intention et identifier l’entité

Avant de chercher des sources, l’IA doit comprendre ce que l’utilisateur attend réellement. Deux éléments structurent cette lecture :

• L’intention correspond au besoin sous-jacent : obtenir une recommandation, comparer des produits, vérifier un prix, évaluer la fiabilité d’une fonctionnalité ou choisir selon un profil.
• L’entité correspond à l’objet ciblé par la question : une marque, un produit, un lieu, une organisation ou, dans notre exemple, la catégorie des bracelets de santé.

La question « Quel bracelet de santé au quotidien me conseilles-tu ? » paraît simple, mais elle est incomplète. Le meilleur choix dépend de l’âge, du niveau d’activité, des objectifs de santé, du budget, de l’autonomie attendue ou encore de l’écosystème mobile utilisé. L’IA doit faire émerger ces dimensions avant de pouvoir produire une recommandation crédible.

Cette différence entre une requête courte et les besoins qu’elle recouvre explique pourquoi le SEO et la recherche IA ne fonctionnent pas selon la même logique. Un moteur classe des pages pour une requête. Une IA cherche à construire une réponse qui couvre plusieurs facettes de l’intention.

Étape 2 : décomposer la question avec le query fan-out

Une fois la question comprise, l’IA peut la décomposer en plusieurs sous-requêtes. Cette étape est appelée query fan-out. Au lieu d’effectuer une seule recherche très large, le système explore séparément les axes nécessaires pour répondre correctement.

Dans l’exemple du webinaire, la question initiale peut générer des sous-requêtes comme celles-ci :

Le query fan-out change complètement le terrain de jeu pour les marques. Vous ne devez pas uniquement être visible sur la question générale. Vous devez aussi apparaître dans les sources mobilisées pour les sous-questions qui composent la réponse. C’est pourquoi le choix des requêtes est déterminant lorsqu’on cherche à tester sa visibilité dans les IA.

Étape 3 : rechercher des pages pour chaque sous-requête

Chaque sous-requête peut ensuite être envoyée à un moteur de recherche. Pour l’axe du sommeil, l’assistant cherche par exemple les pages qui répondent à la question : « Quels bracelets connectés offrent le suivi du sommeil le plus fiable ? »

Le webinaire utilise un exemple dans lequel cette recherche renvoie douze sources. Ce nombre n’est pas une règle générale : il sert à visualiser le processus. L’idée importante est que l’IA constitue un ensemble de pages candidates, puis les analyse pour identifier les informations capables de nourrir la réponse.

À ce stade, être indexé et apparaître dans les résultats constitue un premier filtre. Mais cela ne garantit pas que le contenu sera retenu. Une page peut être trouvée, puis écartée parce qu’elle répond mal à l’intention, manque de précision, contient trop de bruit ou ne permet pas d’associer clairement une caractéristique à une entité.

Cette sélection explique pourquoi certains types de contenus sont davantage utilisés par les IA : comparatifs structurés, tests détaillés, données factuelles, avis argumentés et passages qui répondent directement à une question précise.

Étape 4 : découper les pages en chunks exploitables

L’IA ne transmet pas nécessairement une page entière au modèle chargé de rédiger la réponse. Les contenus récupérés sont découpés en fragments plus petits appelés chunks. Cette opération, le chunking, permet d’isoler les passages qui portent une information utile.

Dans l’exemple présenté, une page peut contenir un passage sur la précision du suivi du sommeil du Fitbit Charge 6 et un autre sur le confort nocturne du Xiaomi Smart Band 9. Une autre page peut expliquer les différentes phases de sommeil mesurées sans citer de modèle particulier.

Chaque fragment peut donc contenir :

• une entité clairement identifiable, comme une marque ou un produit ;
• une information liée à l’intention, comme la précision du sommeil, le confort, l’autonomie ou le prix ;
• un contexte suffisant pour que le passage reste compréhensible une fois séparé du reste de la page.

Ce dernier point est décisif. Un contenu peut être excellent pour un lecteur humain, mais difficile à réutiliser si ses paragraphes dépendent constamment d’éléments situés plus haut dans la page. À l’inverse, un paragraphe autonome qui nomme le produit, le critère évalué et la conclusion peut être extrait et compris immédiatement.

Étape 5 : scorer, filtrer et dédupliquer les fragments

Après le découpage, le système dispose potentiellement de centaines de fragments. Dans l’exemple pédagogique du webinaire, 315 chunks sont identifiés avant qu’une sélection beaucoup plus stricte ne soit réalisée.

Les fragments passent alors par plusieurs traitements :

• Nettoyage — suppression des menus, publicités, balises et éléments parasites.
• Clarté sémantique — vérification que le passage se suffit à lui-même et reste compréhensible hors de sa page d’origine.
• Classement par pertinence — évaluation de la proximité entre le contenu du chunk et la sous-requête.
• Organisation par source et par entité — regroupement des informations qui parlent du même produit, de la même marque ou du même critère.
• Déduplication — suppression des passages qui répètent la même information.
• Re-ranking — reclassement final afin de conserver les extraits les plus utiles pour la réponse.

Le webinaire illustre cette réduction en passant de 315 fragments candidats à 12 chunks sélectionnés. Là encore, les chiffres servent d’exemple. Le point essentiel est la logique de compétition : plusieurs pages peuvent traiter le même sujet, mais seuls les passages les plus exploitables entrent dans le contexte final.

La sélection ne repose donc pas uniquement sur la notoriété d’un domaine. Une source doit être trouvée, jugée pertinente, puis fournir un extrait supérieur aux autres sur l’intention recherchée. C’est ce mécanisme qui aide à comprendre pourquoi certaines marques sont citées et d’autres restent invisibles.

Étape 6 : construire le contexte qui sera envoyé au modèle

Une fois les meilleurs chunks sélectionnés pour l’ensemble des sous-requêtes, le système les assemble dans un contexte. Le webinaire présente cet assemblage comme un « super prompt » composé de trois briques :

Le modèle ne se contente donc pas de recopier une source. Il synthétise plusieurs fragments, rapproche les informations, tient compte des consignes et formule une réponse adaptée à la question initiale. C’est aussi pour cette raison que deux assistants, ou deux formulations légèrement différentes, peuvent produire des recommandations différentes à partir d’un même sujet.

Le workflow complet, de la question à la réponse

Le processus présenté dans le webinaire peut être résumé en huit étapes :

Ce que ce workflow change pour la visibilité de votre marque

La conséquence est nette : il ne suffit pas de publier une page intitulée « meilleur bracelet de santé ». Pour entrer dans une réponse, votre marque doit être présente dans les contenus qui répondent aux sous-requêtes réellement explorées par l’IA.

Trois conditions doivent être réunies :

• Être trouvé — votre contenu ou une source qui vous mentionne doit apparaître sur les axes de recherche pertinents.
• Être compris — le passage doit associer sans ambiguïté votre marque, votre produit et le bénéfice recherché.
• Être sélectionné — votre fragment doit être suffisamment clair, complet et pertinent pour mieux scorer que les alternatives.

Cette logique impose de travailler à la fois les contenus de votre site et les sources tierces qui parlent de vous. Médias spécialisés, comparatifs, tests, avis et pages de référence peuvent chacun couvrir une partie différente du fan-out. C’est tout l’enjeu d’une stratégie visant à influencer les sources utilisées par les IA sans chercher à manipuler directement le modèle.

Les erreurs fréquentes à éviter

• Travailler uniquement la question principale. La réponse se construit à partir de plusieurs sous-requêtes. Ignorer le fan-out revient à laisser des pans entiers du sujet à vos concurrents.
• Confondre classement et sélection. Une bonne position dans un moteur peut aider à être découvert, mais elle ne garantit pas que votre passage sera conservé dans le contexte final.
• Rédiger des paragraphes dépendants du reste de la page. Les formulations vagues comme « ce produit », « cette solution » ou « comme vu précédemment » deviennent peu exploitables une fois le contenu découpé.
• Accumuler les mots-clés sans apporter de réponse. Le chunk retenu doit résoudre une intention avec une information précise, pas simplement répéter le vocabulaire de la requête.
• Ne parler que depuis son propre site. Les sources tierces participent à la crédibilité, à la comparaison et à la diversité des informations disponibles sur votre marque. Pour apparaître dans les réponses de ChatGPT, il faut construire une présence documentée dans l’ensemble de cet écosystème.

Guillaume

CTO de Market Connect. Je prends plaisir à innover au sein du groupe pour apporter de nouvelles solutions à nos clients.