Blog / Opinions & perspectives
SEO, GEO et IA générative : mesurer la fidélité de reconstruction sans connaître l'algorithme
L'opacité des algorithmes n'est pas une excuse. C'est une condition de travail.
Pendant plus de vingt ans, les professionnels du référencement naturel ont travaillé sur des systèmes dont ils ignoraient les règles complètes, le poids exact des facteurs de classement et les transformations successives. Ils ont pourtant développé des méthodes, conduit des expérimentations et accumulé des observations. Certaines pratiques ont résisté au temps, d’autres ont disparu avec l’évolution des moteurs.
Le SEO s’est construit dans un aller-retour permanent entre des mécanismes partiellement connus, des résultats observables et des hypothèses.
Les systèmes d’IA générative reproduisent cette situation, avec une difficulté de plus. Il ne suffit plus de comprendre pourquoi une information apparaît ou non. Il faut comprendre comment elle est interprétée, rapprochée d’autres informations et reconstruite dans une réponse.
Cette différence demande davantage qu’une collection de recommandations SEO rebaptisées GEO. Elle demande une méthode.
Le SEO n’a jamais disposé d’une vérité algorithmique
Les recommandations de Google décrivent ce que le fournisseur accepte de rendre public. Elles n’expliquent ni l’intégralité du classement, ni toutes les variations observées.
Une modification technique améliore la visibilité d’un site et reste sans effet sur un autre. Une pratique longtemps efficace perd son importance après une mise à jour. Les régularités existent, mais elles dépendent du système, du contexte et du moment. Leur accumulation a constitué le savoir professionnel du référencement.
On peut documenter une intervention, comparer des résultats, contester une interprétation. On ne peut pas affirmer qu’une pratique produira le même effet partout. Cette absence d’universalité n’a jamais rendu le SEO illégitime. Elle ne rend pas davantage illégitime l’étude des systèmes d’IA générative.
« N’écrivez pas pour l’IA » : ce que les tests observent
La position de Google est publique. Sa documentation sur les fonctionnalités d’IA l’écrit : aucune exigence supplémentaire ni optimisation particulière n’est nécessaire pour apparaître dans AI Overviews ou AI Mode. En janvier 2026, dans le podcast Search Off the Record, Danny Sullivan déconseillait de découper les contenus en petits morceaux pour les LLM : Google ne veut pas que l’on rédige quoi que ce soit spécifiquement pour la recherche. Il concédait toutefois que ce découpage pouvait produire un avantage à court terme.
Ces recommandations sont utiles. Elles portent sur Google Search. Elles ne donnent aucune connaissance opérationnelle de ChatGPT ou de Perplexity, qui mobilisent leurs propres modèles, index, mécanismes de récupération et règles de sélection. Les déclarations officielles informent. Elles ne prouvent pas le comportement des systèmes.
Or, quand on teste, l’observation nuance la recommandation. Deux exemples.
Le premier concerne l’écriture elle-même. Dans une architecture de type Retrieval-Augmented Generation (RAG), un passage est récupéré selon la proximité entre sa représentation vectorielle et celle de la requête. Je reproduis ce mécanisme dans Pinecone : un environnement approchant, pas une réplique de ChatGPT, dont les modèles internes ne sont pas publics. Les blocs sémantiquement cohérents, de 300 à 500 mots dans certaines configurations, y sont mieux restitués que les paragraphes dispersés. Un paragraphe qui mêle plusieurs objets dilue leurs caractéristiques distinctives dans sa représentation : la similarité peut devenir moins discriminante pour l’objet recherché. Un passage centré sur un objet, avec sa définition, ses limites et ses relations, offre un signal plus discriminant. Écrire pour l’humain n’interdit pas de structurer pour la récupération, et le test montre que la structure compte.
Le second concerne llms.txt, qui a fait couler beaucoup d’encre. En juin 2025, John Mueller, de Google, écrivait qu’aucun système d’IA n’utilisait ce fichier, et que les journaux de serveur ne montraient aucun robot conversationnel venu le chercher. Rien ne garantit qu’il soit indexé, ni qu’un système le récupère au moment d’une requête. Sur ma page d’identité canonique, une page HTML indexée, je contextualise le fichier llms.txt et j’en donne le lien : la page indexée lui offre une porte d’entrée. Mes journaux Cloudflare montrent des robots vérifiés qui demandent directement ce fichier. Le chemin exact de découverte de l’URL reste inconnu. Dans mes observations, les robots de collecte pour l’entraînement le demandent plus souvent que les robots de recherche.
Une étude d’Ahrefs publiée en juin 2026, portant sur 137 210 domaines, observe la même tendance : parmi les requêtes adressées aux fichiers llms.txt, les robots d’entraînement en effectuent environ cinq fois plus que les robots de récupération. La même étude relève que 97 % des fichiers n’ont reçu aucune requête sur la période étudiée.
Ces observations ne prouvent pas que la déclaration de 2025 était fausse le jour où elle a été formulée. Elles en contestent la généralisation aujourd’hui. Sur l’utilisation du fichier, elles ne tranchent rien. Un accès ne démontre ni qu’un document a été conservé, ni qu’il a servi à l’entraînement, ni qu’une relation a été apprise.
La consultation est observable. Le traitement interne est partiellement opaque. La reconstruction produite peut être testée.
Aucune de ces observations ne fonde une règle. Elles indiquent une utilité possible, là où la déclaration officielle laissait conclure à l’inutilité. C’est exactement ce que le SEO a appris à faire : confronter la recommandation à l’observation.
Visibilité IA et fidélité de reconstruction
Le référencement mesure la capacité d’une information à être explorée, indexée et classée. Les systèmes d’IA générative ajoutent une opération : ils composent une réponse à partir de plusieurs sources. Cette réponse peut conserver des faits exacts et produire une représentation incorrecte.
Soit une entreprise québécoise spécialisée dans les logiciels d’ordonnancement d’atelier pour l’industrie manufacturière. Une IA la décrit ainsi : « un éditeur québécois de logiciels pour l’industrie ».
Chaque élément est exact. L’entreprise est québécoise, elle développe des logiciels, ses clients sont industriels. Sa spécialité, elle, a disparu, remplacée par une catégorie générique. C’est une généralisation.
Le problème n’est pas factuel. Il est représentationnel. Une réponse peut être exacte sur chaque point et infidèle dans son ensemble.
Mesurer la présence d’une organisation dans les réponses ne suffit donc pas. Il faut examiner ce que les systèmes en reconstruisent : son identité, ses activités, ses offres, ses relations, ses limites. La fidélité de reconstruction devient un objet de mesure distinct de la visibilité.
Mesurer sans connaître l’algorithme
Nous n’avons accès ni aux paramètres des modèles propriétaires, ni à leurs corpus, ni à leurs mécanismes de sélection. D’autres moyens d’observation existent :
- établir un référentiel canonique : les énoncés, termes, relations, attributions et limites que l’organisation reconnaît comme base d’évaluation ;
- interroger plusieurs systèmes dans des conditions définies ;
- comparer leurs réponses à ce référentiel ;
- qualifier les écarts selon les cinq opérations de variance : généralisation, amalgame, troncature, substitution, projection ;
- répéter les observations pour distinguer ce qui varie de ce qui persiste ;
- intervenir sur le signal que l’organisation gouverne, puis observer les reconstructions suivantes.
Ces opérations laissent le fonctionnement interne des modèles dans l’ombre, mais elles mesurent des phénomènes observables.
Constater une variation et en attribuer la cause restent deux opérations distinctes. Lorsqu’une réponse change après une intervention sur le signal, ce changement se documente. Le modèle a toutefois pu évoluer, les sources récupérées ont pu changer, la formulation a pu peser. Les protocoles précisent donc leurs conditions d’observation et, lorsque c’est possible, introduisent des comparaisons.
L’incertitude sur les mécanismes internes n’empêche pas la mesure. Elle impose une discipline dans son interprétation.
Une méthode n’est pas une garantie
Aucune règle ne certifie qu’une intervention SEO produira un gain de classement. Le métier a pourtant défini des méthodes, des pratiques documentées et des instruments de mesure.
Un référentiel de pratiques définit comment une intervention est conduite et documentée. Un référentiel de mesure établit ce qui doit être évalué, et selon quels critères. Aucun des deux ne garantit la réaction future d’un système propriétaire. Ensemble, ils permettent de qualifier les résultats observés et d’en suivre l’évolution.
Une méthode rigoureuse sépare ce qui est observé, ce qui est mesuré, ce qui est interprété et ce qui reste inconnu. Une connaissance empirique observée plusieurs fois reste dépendante de ses conditions ; sa valeur tient à ce qu’on peut la documenter, la reproduire, la comparer et la contredire.
Du GEO à l’ingénierie du signal
C’est dans cette perspective que j’ai développé le Signal Inference Optimization (SIO).
Une organisation ne contrôle pas l’inférence des systèmes d’IA générative. Elle peut intervenir sur une partie du signal mis à leur disposition : son identité, ses activités, ses offres, ses relations, ses attributs, ses limites, les définitions qu’elle publie et les règles de gouvernance qu’elle associe à ses informations.
Aucune formulation ne contraint un modèle. L’enjeu est de structurer la matière informationnelle pour réduire les ambiguïtés et favoriser la fidélité de reconstruction. Ce travail mobilise la terminologie, qui distingue les concepts ; la modélisation sémantique, qui établit leurs relations ; l’architecture de l’information, qui préserve leurs hiérarchies ; la gouvernance, qui fixe les définitions de référence ; la mesure, qui observe ce que les systèmes reconstruisent.
La densité d’un corpus gouverné n’est pas un défaut à corriger. Une organisation complexe a besoin de matière pour être décrite correctement, à condition que cette matière reste sous gouvernance terminologique.
Le SIO définit le champ d’intervention sur le signal. Reconstruction Fidelity™ est le cadre opérationnel de SEMANTIKIA pour observer les reconstructions, qualifier leurs écarts, intervenir sur l’information et suivre son évolution. On ne peut pas améliorer la fidélité d’une reconstruction sans avoir défini ce qui doit être fidèlement reconstruit.
Ne pas remplacer une boîte noire par un dogme
L’histoire du SEO devrait nous avoir appris à nous méfier des règles définitives. La même exigence vaut pour les systèmes d’IA générative : proposer des méthodes, sans les confondre avec une garantie de résultat.
Une expertise tient moins à la connaissance exhaustive d’un système qu’à la capacité de l’observer, de construire des protocoles, d’interpréter les résultats et de modifier ses pratiques quand les observations l’exigent.
L’opacité algorithmique n’autorise ni à renoncer à comprendre, ni à prétendre tout savoir. C’est une condition de travail.
Face à elle, deux attitudes sont possibles : attendre que les fournisseurs publient des règles, ou développer des instruments d’observation et des méthodes capables d’évoluer avec les systèmes. Je défends la seconde.
Parce que les systèmes évoluent, les méthodes doivent pouvoir évoluer. Parce que les modèles sont probabilistes, les résultats doivent pouvoir être comparés. Parce que les réponses sont reconstruites, leur fidélité doit pouvoir être évaluée.
Le SEO a montré qu’une expertise pouvait naître de l’observation de systèmes propriétaires. Les systèmes d’IA générative posent une question plus profonde : comment préserver l’identité et le sens d’une information lorsqu’elle est reconstruite.
Références
- Google Search Central, « AI features and your website » : https://developers.google.com/search/docs/appearance/ai-features
- Search Engine Land, « Google doesn’t want you to create bite-sized chunks of your content », 9 janvier 2026, sur l’épisode de Search Off the Record du 8 janvier 2026 : https://searchengineland.com/google-doesnt-want-you-to-create-bite-sized-chunks-of-your-content-467269
- Search Engine Roundtable, « Google: No AI System Currently Uses LLMs.txt », 18 juin 2025 : https://seroundtable.com/google-ai-llms-txt-39607.html
- Ahrefs, « We Analyzed 137K Sites: 97% of llms.txt Files Never Get Read », 15 juin 2026 : https://ahrefs.com/blog/llmstxt-study/
CONCEPTS ABORDÉS
PREMIÈRE LECTURE
Vous ne savez pas ce que les IA reconstruisent de votre organisation ?
L'AUTRICE
Mélanie Maquet — autrice de la doctrine Signal Inference Optimization (SIO) et fondatrice de SEMANTIKIA, cabinet d'intelligence inférentielle. Elle travaille les conditions structurelles dans lesquelles les systèmes d'IA reconstruisent une organisation : structurer le signal plutôt que courir après la visibilité. Elle écrit sur le signal informationnel des organisations et la fidélité de reconstruction IA.
À LIRE AUSSI
L'IA vous classe mieux. Mais que reconstruit-elle de vous ?
GEO-Bench mesure les gains de classement génératif, mais pas le coût sémantique des optimisations ni la fidélité de reconstruction des organisations.
SIGNAL INFERENCE OPTIMIZATIONSédimentation interprétative : comment une représentation infidèle peut survivre à sa correction
Une information peut être corrigée à sa source sans que la représentation construite à partir d'elle disparaisse.