Comment fonctionnent les LLM : ce que tout SEO doit comprendre

Vous voyez passer les offres d'emploi qui exigent des « compétences GEO/AEO ».

Vous lisez que ChatGPT va tuer le SEO.

Et quelque part, vous avez ce petit doute : « est-ce que je suis en train de me faire dépasser ? »

Respirez.

Vous n'avez pas besoin d'être ingénieur en machine learning pour reprendre la main. Vous avez besoin d'un bon modèle mental. Un seul. Celui qui vous permet d'expliquer à un client, à un recruteur ou à votre boss comment fonctionnent ChatGPT, Claude et les AI Overviews, sans bullshit, et surtout de savoir quoi en faire dès demain matin sur vos pages. C'est le socle « comment ça marche » de mon guide du GEO, le référencement à l'ère de l'IA.

Pour situer d'où je parle : j'industrialise le SEO d'une vingtaine de sites multilingues avec des agents IA (n8n, GPT, Claude). Mon obsession depuis des années, c'est de tenir un flux de leads qui ne dépende ni du prochain update Google, ni de la dernière hype.

Sur mon poste actuel, ça donne +290 % de leads B2B qualifiés, et une croissance à 7 chiffres qui n'a bougé ni avec les updates, ni avec l'arrivée de ChatGPT. Ce que je vous donne ici, c'est le modèle mental que j'aurais aimé qu'on me pose noir sur blanc.

En bref (pour les pressés)

• Un LLM « nu » (le modèle) ne cherche pas sur Internet : il prédit du texte depuis sa mémoire d'entraînement.

• Les systèmes que vous utilisez vraiment (AI Overviews, ChatGPT Search, Perplexity) vont, eux, chercher des sources en direct, puis demandent au modèle de rédiger à partir d'elles.

• Votre SEO agit presque uniquement sur le second. Confondre les deux, c'est optimiser dans le vide.

• Concrètement : couvrez toutes les sous-questions d'un sujet, soyez clair et désambiguïsé, restez récupérable par les robots, faites-vous corroborer sur plusieurs sources.

Voici la distinction qui structure tout ce qui suit, et que presque personne ne pose clairement :

Le modèle (ChatGPT, Claude, Gemini « nus ») ne cherche pas, il prédit. Il répond depuis sa mémoire.

Le système de réponse (AI Overviews, ChatGPT Search, Perplexity) va chercher des sources en direct, puis demande au modèle de rédiger à partir d'elles.

Votre SEO n'agit quasiment que sur le second.

Gardez cette image en tête. Tout le reste en découle.

Partie 1, le modèle : comment un LLM « pense »

Un LLM, ce n'est pas un moteur de recherche

Commençons par enterrer la confusion qui ruine la plupart des stratégies « SEO IA ».

Un LLM de base ne contient pas Internet et ne cherche rien. C'est un prédicteur de texte. On lui a fait avaler une quantité gigantesque de documents, et tout ce qu'il sait faire, c'est deviner le mot le plus probable après les précédents. Très bien deviner, mais deviner quand même.

Quand vous discutez avec ChatGPT « tout seul », il ne consulte aucune page : il répond de mémoire, un peu comme un étudiant brillant qui passe un oral sans avoir le droit d'ouvrir un livre.

Distinguez aussi deux choses qu'on mélange tout le temps : le modèle (GPT, Claude, Gemini, le cerveau) et le produit (ChatGPT, l'application autour). Le produit peut brancher des outils sur le modèle, dont la recherche web. Le modèle seul, non.

🎯 Ce que ça change pour vous. Tant que vous raisonnez « moteur de recherche » face à un LLM, vous optimisez la mauvaise mécanique. Le SEO à l'ère de l'IA, ce sont deux jeux différents : le modèle d'un côté, le système de récupération de l'autre. On va les traiter séparément.

Tokenisation : l'IA ne lit pas des mots, elle lit des morceaux

Avant même de « comprendre », la machine découpe votre texte. Pas en mots, en tokens : des morceaux de mots, parfois un mot entier, parfois une syllabe, parfois un signe de ponctuation.

Un mot courant comme « marketing » tient sur un seul token. Un mot plus rare comme « déréférencement » se retrouve tronçonné en « dé / référence / ment ».

Pourquoi ? Parce que travailler sur quelques dizaines de milliers de morceaux réutilisables est bien plus efficace que sur tous les mots de toutes les langues. C'est de la plomberie, mais elle a une conséquence pour vous.

🎯 Ce que ça change pour vous. L'IA ne « voit » pas vos mots-clés exacts comme vous les voyez. Le mot-clé recopié à l'identique dix fois, ça ne lui parle pas. Ce qui compte, c'est le sens porté par l'ensemble, pas la répétition d'une suite de caractères.

Embeddings : comment la machine « comprend » le sens

Voici la notion la plus utile de tout l'article, celle qui éclaire enfin la fameuse « autorité thématique ».

Chaque token, chaque concept, est transformé en une suite de nombres : un vecteur. Imaginez une carte géante où chaque mot a une position. Sur cette carte, « chien » et « chiot » sont quasiment voisins. « Chien » et « démocratie » sont à l'opposé. La machine ne connaît pas le sens comme nous, mais elle connaît les distances entre les sens. Deux idées proches, deux points proches. C'est ça, la mécanique derrière le SEO sémantique. Pas de la magie, de la géométrie.

🎯 Ce que ça change pour vous. La proximité de sens prime sur la répétition de mots-clés. On a dépassé le bourrage de mots-clés il y a plus d'une décennie, et avec l'IA, ça n'a tout simplement plus rien à voir. Peut-être qu'en bricolant vous ferez « marcher » un bourrage sur un test isolé, mais ça ne tiendra pas. Ce qui tient, c'est de couvrir tout le champ de sens d'un sujet et de lever les ambiguïtés. Votre travail, ce n'est plus de répéter un mot, c'est d'occuper un territoire.

Attention : pourquoi le contexte change tout

Comment la machine sait-elle que dans « la souris a grillé », on parle de matériel informatique et pas d'un rongeur ? Grâce au mécanisme d'attention : pour chaque mot, le modèle pèse à quel point chaque autre mot du contexte compte pour le comprendre. C'est l'innovation des « transformers », et c'est ce qui a tout débloqué.

Pas besoin d'aller plus loin dans les maths. Retenez l'idée : le sens d'un mot dépend de ses voisins, et le modèle calcule activement ce poids.

🎯 Ce que ça change pour vous. Une page claire, bien structurée, où chaque entité est nommée sans ambiguïté, aide le modèle à pondérer correctement votre contenu. Le flou vous dessert au sens propre, mathématiquement. La clarté n'est pas une coquetterie de rédacteur, c'est un signal exploitable.

Entraînement vs recherche en direct : le « knowledge cutoff »

Un modèle est entraîné jusqu'à une date, puis figé. Cette date, c'est le knowledge cutoff. Tout ce qui s'est passé après, le modèle « nu » l'ignore. Votre super article publié la semaine dernière ? Pour le modèle seul, il n'existe pas. Si vous lui demandez une info récente, soit il l'ignore, soit il l'invente.

🎯 Ce que ça change pour vous. Votre contenu récent est invisible pour le modèle de mémoire. Votre seule porte d'entrée, c'est la recherche en direct, ce qu'on appelle le retrieval. Et ça, justement, c'est le terrain où votre SEO reprend tout son pouvoir. On y arrive.

Partie 2, le système : comment l'IA va chercher des sources (et vous cite, ou pas)

RAG et grounding : quand l'IA dépasse sa mémoire

Quand vous posez une question à ChatGPT en mode recherche, à Perplexity, ou que vous déclenchez un AI Overview, il se passe autre chose que de la prédiction pure. Le système reformule votre question, va récupérer des documents réels, les classe, puis demande au modèle de rédiger la réponse à partir de ces documents, en les citant. On appelle ça le RAG (génération augmentée par récupération), et le fait d'ancrer la réponse dans des sources réelles, le « grounding ».

C'est exactement là que votre SEO existe encore pleinement.

🎯 Ce que ça change pour vous. Vous n'optimisez pas le cerveau de l'IA, vous optimisez l'étape de récupération. Être dans le vivier de sources que le système peut aller chercher, c'est 80 % du combat. Le reste, c'est d'être choisi dans ce vivier.

AI Overviews, ChatGPT, Perplexity, Le Chat : ne confondez pas les bêtes

Voici l'erreur que je vois partout : parler d'« optimiser pour l'IA » au singulier. Ça n'existe pas. Chaque système combine un modèle, une source de savoir (sa mémoire et/ou un index web précis), et ses propres biais de sélection. Résultat : des leviers différents.

Et ce ne sont pas des nuances. Quand on les utilise au quotidien, on le voit tout de suite : ils ne citent pas les mêmes sources. Une analyse de Profound portant sur 680 millions de citations met en évidence des philosophies opposées : ChatGPT privilégie l'autorité encyclopédique (Wikipédia pèse près de 48 % de ses sources principales), Perplexity mise sur la discussion communautaire (Reddit, 46,7 % de ses sources principales), et Google AI Overviews répartit davantage. Plus parlant encore : sur ce volume, seulement 11 % des domaines sont cités à la fois par ChatGPT et par Perplexity. Deux mondes, pas un.

Voici la carte de synthèse. (Le détail plateforme par plateforme mérite son propre guide.)

🎯 Ce que ça change pour vous. Vous adaptez le levier au système, pas l'inverse. Pour un marché français, un bon contenu FR est sur-pondéré chez Le Chat. Pour la masse, tout repose encore sur un SEO Google sain. « L'IA » n'est pas une cible, c'est une demi-douzaine de cibles différentes.

Cas pratique : pour être cité par Claude, passez par Brave

Un exemple concret de cette logique de récupération, testé sur mon propre site. La recherche web de Claude s'appuie sur l'index de Brave Search. J'ai demandé à Claude ce qu'il savait de « Raouf Douihech, consultant SEO », recherche web activée : il citait plusieurs sources, mais pas mon site, pourtant bien indexé sur Google et sur Bing. La raison était simple : mon site était tout bonnement absent de l'index de Brave. Or un site absent de Brave reste invisible pour Claude, quel que soit son classement sur Google.

J'ai soumis le site à Brave dans la soirée. Dès le lendemain, une fois la page d'accueil indexée, Claude la ressortait en première source citée. La leçon rejoint tout le reste de cet article : être dans le bon vivier de récupération prime sur le seul classement Google.

Pour vérifier et corriger ça sur vos propres pages :

• Testez votre indexation : tapez site:votredomaine.com sur search.brave.com. Zéro résultat, et vous êtes invisible pour Claude.

• Soumettez vos pages à la main via le formulaire de soumission de Brave : l'indexation passive est lente, autant l'accélérer.

• Activez le « Web Discovery Project » dans les réglages du navigateur Brave (adresse brave://settings/search) pour aider Brave à découvrir vos pages.

🎯 Ce que ça change pour vous. Ne réduisez pas votre visibilité IA à Google. Chaque système a son vivier : l'index Google pour les AI Overviews, Bing pour ChatGPT, Brave pour Claude. Être indexé là où le système va puiser, c'est la condition d'entrée pour espérer être cité.

Le query fan-out : une question, jusqu'à dix recherches

Quand vous posez une question à un système comme AI Mode, il ne lance pas une recherche, il en lance plusieurs : il éclate votre question en sous-questions traitées en parallèle, souvent une dizaine selon les analyses du secteur.

Conséquence côté Google : votre SEO organique reste un socle, mais il ne suffit plus. Selon Ahrefs, sur 1,9 million de citations, 76 % des pages citées en AI Overviews rankent dans le top 10 et 86 % dans le top 100. D'autres études situent cette part bien plus bas et en baisse, justement parce que le fan-out va chercher des pages au-delà du top 10. Si votre page ne répond qu'à la question « tête », vous ratez les autres portes d'entrée.

🎯 Ce que ça change pour vous. Visez la complétude. Pas le mot-clé principal seul, mais toutes les sous-questions qu'un lecteur (et donc l'IA) se pose autour du sujet. C'est l'application directe des embeddings et du fan-out.

Comment l'IA choisit qui citer (et quoi en faire vraiment)

Soyons honnêtes : la citation affichée n'est pas toujours la preuve de ce qui a nourri la réponse. Des travaux académiques montrent que la source mise en avant n'est pas systématiquement celle qui a réellement servi au raisonnement du modèle. Et ces patterns bougent vite : une étude Semrush sur plus de 230 000 prompts et 100 millions de citations (juillet à octobre 2025) a vu les sources numéro un de ChatGPT se redistribuer brutalement en quelques semaines.

Est-ce que ça veut dire qu'il faut arrêter d'analyser ses citations ? Non, l'inverse. Mais arrêtez de sur-interpréter UNE citation isolée. Ce qui paye, c'est le test systématique : reposez les mêmes requêtes sur plusieurs jours, sur plusieurs systèmes, regardez quels sites réapparaissent, et allez les disséquer. C'est comme ça qu'on voit les vrais patterns, pas en se torturant sur un screenshot unique.

🎯 Ce que ça change pour vous. Concentrez-vous sur deux choses que vous contrôlez : être dans le vivier récupérable, et être corroboré sur plusieurs sources indépendantes. Le reste, c'est de la lecture de marc de café. Testez dans le temps, ne théorisez pas sur un cas.

Partie 3, concrètement, qu'est-ce que vous en faites ?

La grille de lecture : 5 implications directes pour votre métier

Exercice (15 min) : « voir » comment l'IA décompose une page

Assez de théorie. Voici un exercice que vous pouvez refaire sur n'importe quelle page, la vôtre ou celle d'un prospect.

1. Créez une clé API gratuite sur Google AI Studio et activez la recherche (grounding).

2. Faites passer le sujet d'une page dans l'API, et récupérez la liste des sous-requêtes générées.

3. Comparez : pour chaque sous-question attendue, la page y répond, oui ou non ?

Ce que vous obtenez, c'est le « fan-out gap » : l'écart entre ce que l'IA attend du sujet et ce que la page couvre vraiment. (J'ai mis le script que j'utilise à disposition, vous n'avez qu'à coller votre clé API et une URL.)

Prenons un cas concret, et hors de mon métier pour que ce soit parlant. Imaginez que vous accompagnez un installateur de pompes à chaleur. Sa page cible le sujet « pompe à chaleur air eau ». Quand je passe ce sujet dans l'API, Gemini ne pose pas une question, il en pose six : comment ça fonctionne, les avantages, les inconvénients, le prix de l'installation, et les subventions disponibles.

Or que dit la page de la plupart des installateurs ? « Nous installons des pompes à chaleur, devis gratuit. » Elle couvre, au mieux, le fonctionnement, et rate quatre portes d'entrée sur six.

Et pas les moindres : les « inconvénients » (l'IA attend une réponse honnête que personne n'ose donner sur sa propre page, c'est une occasion en or de se démarquer) et surtout les « subventions », qui sont le critère d'achat numéro un en France et qui manquent presque toujours.

Le réflexe vaut pour tous les sujets : le titre et l'angle d'une page dictent ce que l'IA croit qu'elle traite, donc les sous-questions qu'elle doit couvrir, donc contre qui elle se bat.

🎯 Ce que ça change pour vous. Vous venez de transformer une intuition floue (« il faut couvrir le sujet ») en livrable chiffré : « voici les six questions que Google attend sur votre sujet, votre page en couvre deux, voici les quatre sections à ajouter. » C'est exactement le genre d'audit concret qui ouvre une conversation commerciale, bien plus qu'un « on va faire du GEO ».

Ce que dit (vraiment) Google, et les mythes à enterrer

On vous vend beaucoup de poudre « spéciale IA ». Triez.

Premier mythe à enterrer : le llms.txt comme « facteur de ranking ». Google a été clair, il ne l'utilise pas. Ma position de praticien est simple : je croirai au llms.txt le jour où je verrai une seule ligne de log d'un agent IA venir le lire sur mon serveur.

Je l'ai posé sur mon propre site pour tester. Le jour où un bot le visite vraiment, je le déploie chez mes clients. Pas avant. On ne déploie pas chez un client sur la foi d'un thread LinkedIn, on déploie sur des logs.

Pour le reste, la doc officielle de Google le répète : pas de fichier magique, pas de markup secret réservé à l'IA. Les fondamentaux du SEO restent valables. Un contenu utile, de première main, sur un site techniquement sain, qui couvre les sous-questions.

🎯 Ce que ça change pour vous. Méfiez-vous des vendeurs de « hacks IA ». Le socle reste un SEO technique et éditorial sain, exécuté avec rigueur. Le jour où une vraie nouveauté change ça, elle laissera des traces dans vos logs et vos données. Pas dans un post viral.

Par où commencer votre montée en compétence

Si vous débutez, voici une bonne nouvelle à contre-courant : un junior part parfois avec un avantage sur un senior. Pourquoi ? Parce que beaucoup de profils expérimentés sont arc-boutés sur le SEO classique et rigides face au changement. Vous, vous pouvez apprendre les nouvelles mécaniques (GEO, AEO) dès le départ, sans ce poids, et repérer plus vite ce qui marche et ce qui ne marche pas.

Au passage, remettons les sigles à l'endroit, parce que le premier bullshit qui m'agace, c'est d'entendre que « le GEO et l'AEO, ça n'existe pas ». Si, ça existe, ce sont juste des mécaniques différentes :

• SEO, Search Engine Optimization : ranker dans les résultats classiques.

• AEO, Answer Engine Optimization : être la réponse (snippets, AI Overviews).

• GEO, Generative Engine Optimization : être cité par les moteurs génératifs (ChatGPT, Perplexity, Claude, Gemini).

Un parcours simple en quatre paliers : comprendre le modèle (vous venez de le faire), comprendre le retrieval, mesurer, expérimenter. Pour les ressources, restez sur du sérieux : les vidéos citées plus haut, la doc officielle Google Search Central, et quelques voix qui publient des études plutôt que des hacks.

FAQ

Conclusion

Si vous ne deviez retenir que ça : un LLM seul prédit depuis sa mémoire, le système autour va chercher des sources, et votre SEO agit sur le second. Le reste en découle.

Trois réflexes à garder :

1. Couvrez le sujet en entier, pas le mot-clé seul.

2. Soyez clair, daté, et récupérable par les robots.

3. Faites-vous corroborer, et testez dans le temps au lieu de théoriser.

Et surtout, gardez la tête froide. Les fondamentaux ne sont pas morts, ils ont juste une couche IA par-dessus. C'est exactement ce que je mets en place pour mes clients : audit fan-out, visibilité multi-plateformes, contenu citable. Voir mon accompagnement SEO & GEO.