👉 Etre cité par les IA

00 — Introduction

LE MONDE A
BASCULÉ

La question n’est plus « suis-je bien classé ? » La question est : « les IA me connaissent-elles, me comprennent-elles, et me citent-elles ? »

Entre 2023 et 2026, quelque chose d’historique s’est produit que la plupart des praticiens du marketing n’ont pas encore pleinement intégré. La première couche de l’internet — la couche des réponses — a été capturée par les IA génératives.

Quand quelqu’un cherche « meilleure stratégie SEO pour une PME », deux comportements coexistent désormais : l’ancienne génération tape sur Google et clique. La nouvelle génération pose la question à ChatGPT, à Perplexity, à Gemini — et obtient une synthèse directe. Sans clic. Sans visite. Sans toi.

La réalité nue · 2026

Plus de 60% des recherches Google se terminent désormais sans aucun clic vers un site externe, et Google AI Overviews / AI Mode apparaissent sur une part croissante des requêtes. Sur les systèmes à accès web (Perplexity, ChatGPT Search), l’IA choisit 3 à 5 sources sur des milliers de résultats potentiels. Sur les LLMs sans accès web, seule la mémoire d’entraînement compte. L’enjeu n’est plus le ranking. C’est la citabilité — et selon G2, la catégorie logicielle « AEO » a bondi de plus de 2000% en un an.

ChatGPT800M+ utilisateurs
actifs / semaine

Perplexity~780M requêtes
/ mois

AI ModeGoogle AI Overviews
+ AI Mode déployés

ClaudeSearch + agents
(Claude in Chrome)

Sans récit, tu n’es qu’un code-barres. Sans marque, tu n’es rien. À l’heure de l’AEO, cette vérité n’a jamais été aussi littérale — ni aussi mesurable.

Thomas Leonetti — Apollo Lab

Ce qui a changé depuis la v2 de ce guide

Trois faits majeurs ont été intégrés dans cette édition de juin 2026 : (1) Google a confirmé en mai 2026 que Google Search ne lit pas le fichier llms.txt — la section 06 a été corrigée en conséquence ; (2) Reddit est devenu la source la plus citée par les grands modèles, ce qui réordonne les priorités ; (3) l’écosystème bascule vers l’agentique (WebMCP, Lighthouse « Agentic Browsing »), traité dans une nouvelle section dédiée.

L’AEO comme discipline structurée

L’AEO (Answer Engine Optimization), souvent employé de façon interchangeable avec le GEO (Generative Engine Optimization), est l’ensemble des pratiques visant à optimiser la présence d’une marque, d’un contenu ou d’une expertise pour être cité, référencé et recommandé par les moteurs de réponse basés sur des LLMs. Ce guide est conçu pour le formaliser comme une discipline structurée, mesurable et transmissible — pas comme une collection de conseils tactiques.

Il est organisé en trois parties : les fondements scientifiques (comment les systèmes IA choisissent leurs sources), les leviers stratégiques (comment construire une présence citable), et la mise en pratique (outils, frameworks, plan d’action).

01 — Fondements scientifiques

LE PIPELINE RAG :
DE LA PAGE WEB À LA CITATION

Comment un contenu passe concrètement du statut de page web à celui de source citée par un moteur de réponse. La mécanique exacte, étape par étape.

La plupart des guides AEO parlent d’optimiser « pour les IA » sans expliquer ce que ça signifie techniquement. Comprendre le pipeline de traitement d’un système RAG (Retrieval Augmented Generation) change fondamentalement la façon dont on conçoit le contenu.

PIPELINE RAG — Du document à la citation générée

1

Ingestion & Crawl

Le système récupère le contenu brut de la page : HTML parsé, texte extrait, métadonnées (titre, date, auteur, URL). Les images, les CSS et les scripts sont généralement ignorés. Les contenus derrière login ou JS pur non-rendu sont invisibles. Note 2026 : ChatGPT Search s’appuie sur l’index Bing — être indexé par Bing est un prérequis souvent négligé.

Signal AEO : accessibilité crawlers

2

Segmentation (Chunking)

Le document est découpé en segments (chunks) de 200 à 800 tokens selon le modèle. La stratégie de chunking varie : par paragraphe, par section H2, par fenêtre glissante. Un contenu mal structuré produit des chunks incohérents qui perdent le contexte.

Signal AEO : structure HTML sémantique

3

Vectorisation sémantique

Chaque chunk est transformé en vecteur numérique (embedding) par un modèle de type BERT, text-embedding-3 ou équivalent. Ce vecteur capture la signification du texte dans un espace multidimensionnel. La clarté sémantique d’un chunk détermine la qualité de son embedding.

Signal AEO : densité & clarté sémantique

4

Indexation vectorielle

Les embeddings sont stockés dans une base vectorielle (Pinecone, Weaviate, pgvector…). Chaque vecteur est associé aux métadonnées du chunk source : URL, titre, date, auteur. L’autorité de la source peut être un signal de pondération à ce stade.

Signal AEO : métadonnées complètes

5

Retrieval (Récupération)

La requête utilisateur est elle-même vectorisée. Le système calcule la similarité cosinus entre le vecteur-requête et tous les chunks indexés. Les k plus proches voisins sont récupérés (typiquement 5 à 20 chunks). Un contenu dont l’embedding est loin de la requête n’est jamais récupéré.

Signal AEO : alignement requête-embedding

6

Reranking

Les chunks récupérés sont renotés par un modèle de reranking (cross-encoder) qui évalue la pertinence fine par rapport à la question. L’autorité de la source, la fraîcheur et le degré d’accord avec d’autres sources interviennent ici. Seuls les 3 à 5 meilleurs chunks passent à la génération.

Signal AEO : autorité + consensus + fraîcheur

7

Génération de réponse

Le LLM reçoit les chunks sélectionnés comme contexte et génère une réponse en langage naturel. La réponse synthétise les informations — elle ne les copie pas. Un chunk qui contient une réponse directe et factuelle est plus susceptible d’être utilisé qu’un chunk narratif.

Signal AEO : structure extractible

8

Sélection des citations

Le système décide quelles sources citer explicitement dans la réponse. Critères variables : la source était-elle dominante dans le contexte ? Est-elle reconnue ? Est-elle confirmée par d’autres sources indépendantes ? C’est l’étape finale — et le but de toute stratégie AEO.

Signal AEO : reconnaissance de l’entité source

Implications pour le contenu

Ce pipeline a des implications directes sur la façon dont on doit concevoir le contenu :

→Le chunking pénalise les introductions longues : si le premier chunk d’une page est une introduction générique de 300 mots, il sera embedé comme « contenu vague » et ne sera jamais récupéré pour une requête précise. Les analyses 2026 confirment que ~44% des citations viennent du premier tiers de la page.
→La sémantique locale compte plus que la sémantique globale : chaque section doit être compréhensible et utile isolément, indépendamment du reste de l’article.
→Les métadonnées sont des signaux de contexte : la date de publication, l’auteur, l’URL descriptive sont utilisées dans les décisions de reranking.
→Le consensus multi-sources est devenu un signal de reranking : un fait confirmé sur Reddit, YouTube, la presse et ton site inspire plus confiance qu’une affirmation présente uniquement chez toi.

Pour les LLMs sans RAG (mémoire paramétrique)

Le pipeline ci-dessus s’applique aux systèmes RAG temps réel (Perplexity, AI Overviews, ChatGPT Search). Pour les LLMs purement paramétriques, le mécanisme est différent : la « citation » émerge de la mémoire d’entraînement. L’optimisation passe alors par la densité de présence dans les corpus d’entraînement — sources tierces, Reddit, Wikipedia, presse — plutôt que par l’architecture de la page. Compter aussi avec un délai d’indexation de 4 à 8 semaines avant qu’un contenu récent ne surface dans les réponses.

02 — Modèle standardisé

LE SCORE AEO :
MESURER LA CITABILITÉ

Un modèle de scoring composite permettant d’évaluer objectivement la probabilité qu’un contenu ou une marque soit cité par un moteur de réponse IA. 7 variables pondérées. Méthodologie reproductible.

L’AEO ne peut devenir une discipline sérieuse que si elle est mesurable. Le modèle ci-dessous formalise un Score de Citabilité AEO (SCA) sur 100 points, composé de 7 variables pondérées selon leur impact empirique observé sur la probabilité de citation.

Score de Citabilité AEO (SCA)

SCA = Σ (Variable_i × Poids_i) · Modificateur_fraîcheur

#

Variable

Poids

Description & méthode de mesure

Échelle

V1

Autorité de l’entité (EA)

22%

Force de reconnaissance de l’entité (marque ou auteur) dans les sources tierces : presse, Wikipedia/Wikidata, mentions qualifiées, Knowledge Panel Google. Variable la plus corrélée à la citation dans les LLMs paramétriques. Données 2026 : un site à forte autorité de domaine est nettement plus susceptible d’être cité par ChatGPT.

0–100

V2

Clarté sémantique (CS)

18%

Capacité du texte à produire des embeddings denses et précis. Évalué par : absence d’ambiguïté lexicale, définitions explicites, cohérence terminologique intra-document, ton déclaratif (les formules « je pense / nous croyons » augmentent la perplexité du modèle). Facteur critique pour le retrieval vectoriel.

0–100

V3

Densité informationnelle (DI)

16%

Ratio information unique / volume textuel. Un contenu avec 10 faits vérifiables en 500 mots est plus citable qu’un contenu avec 2 faits en 2000 mots. Pénalise les remplissages et le padding rhétorique.

0–100

V4

Structure extractible (SE)

16%

Degré auquel le contenu est structuré pour être extrait isolément : réponses directes en début de section (« answer blocks » de 40–60 mots), titres formulés comme questions, listes, tableaux, FAQ avec schema.org. Le format listicle/comparatif domine les citations IA. Facteur dominant pour les systèmes RAG.

0–100

V5

Traçabilité factuelle (TF)

14%

Présence de données sourcées, études citées, chiffres vérifiables. Les LLMs calibrés RLHF favorisent les sources qui peuvent être vérifiées. Les données originales (études propres) ont un coefficient multiplicateur supplémentaire.

0–100

V6

Reconnaissance externe & consensus (RE)

10%

Mentions dans des contextes de recommandation : Reddit (la source la plus citée en 2026), YouTube, Quora, G2, forums spécialisés, listes « meilleures ressources ». Le « signal de consensus » — accord entre plusieurs sources indépendantes — déclenche la citation. Poids de base modeste, mais effet de seuil décisif sur les requêtes de recommandation.

0–100

V7

Fraîcheur informationnelle (FI)

4%

Date de dernière mise à jour, présence de données récentes, signaux de maintenance active. Modificateur multiplicatif : un contenu très frais peut booster les variables précédentes de 5 à 15%. Perplexity surpondère particulièrement la fraîcheur.

Modif. ×

Limites du modèle

Ce modèle est une approximation fondée sur des observations empiriques et des études tierces 2025–2026 (Profound, Semrush, Ahrefs, Kevin Indig), non sur des données de training internes aux LLMs (non publiques). Les poids sont indicatifs et varient selon le système : Perplexity surpondère SE, TF et la fraîcheur ; ChatGPT paramétrique surpondère EA et la présence dans les corpus (Reddit, Wikipedia). Seulement ~11% des domaines sont cités à la fois par ChatGPT et Perplexity — d’où l’intérêt d’une lecture par plateforme. À utiliser comme outil de priorisation, pas comme une loi.

Comment utiliser le SCA

1

Audit de base

Évaluer chaque variable sur 100 pour le contenu ou la marque ciblée. La note finale est la moyenne pondérée. Un SCA < 40 = non citable. 40–65 = potentiellement citable. 65–80 = bien citable. > 80 = source de référence.

2

Identification des leviers

Les variables avec les notes les plus basses ET les poids les plus élevés sont les priorités absolues. Une amélioration de +20 pts sur EA (poids 22%) vaut plus qu’une amélioration de +40 pts sur FI (poids 4%).

3

Suivi trimestriel

Le SCA doit être réévalué tous les 3 mois. Les améliorations sur EA et RE sont lentes (6–12 mois). Les améliorations sur SE et DI sont rapides (4–8 semaines).

03 — Classification

TAXONOMIE DE
CITABILITÉ

Cinq niveaux de citabilité, du contenu structurellement invisible à la source canonique que les IA citent spontanément. Chaque niveau inclut ses caractéristiques, exemples types et chemin de transformation.

N0

NON CITABLE

Contenu structurellement invisible ou inutilisable par un système de réponse IA.

Caractéristiques : JS-only, login-wall, robots.txt bloquant les bots IA, contenu purement visuel non décrit, texte dans images
Exemples : Infographie sans texte alternatif, dashboard SaaS sans documentation, page derrière authentification
Cas fréquent 2026 : ~73% des sites seraient « invisibles » pour les IA, souvent à cause d’un blocage par défaut des bots
Transformation →N1 : Rendre accessible (robots.txt ouvert, SSR/SSG, texte alternatif, page publique de résumé)

N1

EXTRACTIBLE

Contenu accessible et indexable, mais sans signal d’autorité ni structure optimisée pour l’extraction.

Caractéristiques : Texte accessible, structure HTML basique, pas de données originales, auteur non identifié, contenu générique
Exemples : Article de blog standard « 5 conseils pour X », page de service générique, landing page sans contenu substantiel
SCA typique : 20–40
Transformation →N2 : Ajouter auteur signé, structurer avec titres-questions, inclure au moins un fait sourcé, réécrire l’intro en « answer block »

N2

CITABLE

Contenu structuré pour l’extraction, avec des signaux d’autorité suffisants pour être sélectionné par les systèmes RAG.

Caractéristiques : Réponses directes en tête de section, titres formulés comme questions, données sourcées, auteur identifié, FAQ schema.org
Exemples : Guide technique bien structuré, article de synthèse avec données, comparatif avec tableau
SCA typique : 40–65
Transformation →N3 : Ajouter des données originales, développer l’autorité de l’auteur/marque, bâtir un signal de consensus (Reddit, presse), créer un cluster thématique

N3

SOURCE EXPERTE

Contenu reconnu comme référence dans son domaine, cité spontanément par les systèmes avec accès web et régulièrement dans les LLMs paramétriques.

Caractéristiques : Données originales exclusives, auteur/marque reconnu dans le secteur, mentions dans sources tierces multiples, framework nommé propre à l’auteur
Exemples : Étude annuelle de référence (State of X), guide exhaustif co-cité par des pairs, analyse originale avec méthodologie explicite
SCA typique : 65–82
Transformation →N4 : Atteindre une reconnaissance sectorielle large, être cité par des sources de niveau N4, définir des concepts de référence

N4

SOURCE CANONIQUE

Entité ou contenu devenu référence structurelle dans le corpus d’entraînement. Cité spontanément sans requête explicite dans les LLMs paramétriques.

Caractéristiques : Présence Wikipedia/Wikidata, Knowledge Panel Google établi, cité dans des sources académiques ou institutionnelles, nom propre associé à un concept
Exemples : Moz sur le Domain Authority, HubSpot sur l’inbound marketing, Ahrefs sur la recherche de backlinks
SCA typique : 82–100
Construction : Processus long (2–5 ans), nécessite présence presse large, publications de référence, et adoption sectorielle du vocabulaire introduit

Objectif réaliste

Pour la majorité des marques et créateurs de contenu, l’objectif court terme (6–12 mois) est d’atteindre N2 sur l’ensemble du contenu existant et de créer 2–3 pièces N3 sur les sujets stratégiques. Atteindre N4 est un travail de plusieurs années — mais les marques qui s’y positionnent maintenant bénéficieront d’un avantage compétitif durable, dans une fenêtre de first-mover qui se referme.

04 — Branding & AEO

SANS MARQUE,
TU N’EXISTES PAS

Les LLMs pensent en entités, pas en pages. Comprendre ce mécanisme change fondamentalement la stratégie AEO — et réhabilite le branding comme discipline technique.

Voici ce que peu de gens comprennent encore : les LLMs pensent en entités, pas en pages. Une entité est un « objet conceptuel » que le modèle a appris à reconnaître — une personne, une marque, un concept, une organisation. Ces entités ont des propriétés, des relations, une réputation encodée dans les poids du modèle.

Quand tu demandes à ChatGPT « quelle agence SEO française recommandes-tu ? », le modèle ne cherche pas des pages. Il active des entités qu’il connaît dans le champ sémantique « agence SEO France » et sélectionne celles dont la représentation est la plus dense, la plus cohérente, la plus associée à des contextes positifs — et confirmée par plusieurs sources indépendantes. Une marque forte est donc techniquement supérieure à un contenu optimisé.

La métrique 2026 : le Share of Model

Le « Share of Model » (ou Share of Voice conversationnel) remplace le Share of Search : il mesure la fréquence à laquelle ta marque est citée ou recommandée par un LLM sur un jeu de prompts donné, relativement à tes concurrents. Semrush parle de « Mention-Source Divide » : moins d’une marque sur cinq obtient à la fois des mentions fréquentes ET des citations sourcées constantes. L’objectif de l’AEO d’entité est de combler cet écart.

Sans récit, tu n’es qu’un code-barres. Les IA ne citent pas des pages. Elles évoquent des entités. Ta marque est-elle une entité suffisamment claire pour être évoquée spontanément ?

Principe fondamental de l’AEO — Apollo Lab

Les 3 couches du branding AEO

Couche 01 — Identité

Le récit distinctif

Ton positionnement doit être répétable et ancré dans une thèse. Pas « agence SEO ». Une thèse : « Apollo Lab défend l’idée que le SEO de volume est mort — seule l’autorité thématique survit. » Les IA retiennent les thèses fortes. Elles ignorent les généralismes.

Couche 02 — Cohérence

La consistance des signaux

Ton nom, ton domaine, tes profils sociaux, tes mentions presse — tout doit raconter la même histoire avec les mêmes termes. Une entité aux signaux contradictoires est une entité mal définie. Un LLM qui ne sait pas exactement qui tu es ne te citera pas.

Couche 03 — Consensus

La présence dans le corpus

Combien de sources tierces t’évoquent dans des contextes pertinents ? Reddit, YouTube, G2, presse spécialisée, articles d’autres auteurs — chaque mention concordante enrichit ton entité et déclenche le « signal de consensus » que les modèles cherchent avant de citer.

Construire son entité en 5 étapes

1

Définir et écrire sa thèse de marque

Une affirmation sur le monde que tu défends publiquement. Pas un slogan marketing — une position intellectuelle claire que tu es prêt à argumenter. C’est cela qui crée l’association mémorable dans le corpus IA.

2

Créer une page « Manifeste » AEO-optimisée

Une page qui définit explicitement ton entité : qui tu es, ce que tu défends, tes publications majeures, tes domaines d’expertise, ce qui te distingue. Tout ce qu’un LLM doit savoir pour te représenter correctement.

3

Implémenter schema.org Organisation + Person

Ces données structurées alimentent le Knowledge Graph Google, qui nourrit Gemini et AI Overviews. Microsoft recommande aussi Product, Offer, AggregateRating, Review, Brand, ItemList et FAQ. Elles définissent formellement ton entité en langage machine.

4

Alimenter les sources tierces (consensus)

Wikipedia (si éligible), Wikidata, Reddit, YouTube, G2, presse spécialisée, interviews, podcasts — chaque mention concordante renforce l’entité dans le corpus. Ce ne sont pas des backlinks pour le PageRank : ce sont des co-occurrences et des preuves de consensus pour l’entité.

5

Publier des positions tranchées

Les IA se souviennent des points de vue distinctifs. Un article avec argumentation solide contre la doxa de ton secteur crée une association forte entre ton nom et une expertise. Le consensus mou ne laisse pas de trace dans la mémoire des modèles.

Le test d’entité — à faire maintenant

Test ChatGPT — Audit d’entité

Qu'est-ce que tu sais sur [NOM DE TA MARQUE / TON NOM] ?
Décris son positionnement, ses domaines d'expertise,
ce qui la distingue et pourquoi on la cite dans
le domaine de [TON SECTEUR].

// Si ChatGPT te décrit précisément → entité forte
// Si ChatGPT te connaît vaguement → signal faible, travailler le consensus
// Si ChatGPT t'invente ou ne te connaît pas → entité à construire

05 — Les signaux

MATRICE DES
SIGNAUX DE CITABILITÉ

16 signaux organisés par criticité et domaine. Chaque signal est défini, justifié et accompagné d’une méthode d’activation concrète. Mise à jour juin 2026.

Signal	Domaine	Criticité	Activation
Présence Reddit / consensus social	Social	Critique	Reddit = ~40% des citations IA (ChatGPT, Gemini, Claude) et ~47% des sources Perplexity. Être recommandé authentiquement dans les bons subreddits. Promu en criticité critique en 2026.
Réponse directe en tête de section	Contenu	Critique	« Answer block » de 40–60 mots dans les 100 premiers mots. Inverser la pyramide journalistique.
Données originales exclusives	Contenu	Critique	Études propres, analyses de données, sondages — données que seul ton contenu possède.
Signal de consensus multi-sources	Autorité	Critique	Positionnement cohérent sur ton site + Reddit + YouTube + G2 + presse. Les IA cherchent l’accord entre sources indépendantes avant de citer.
Authorship clair + bio auteur	Autorité	Critique	Auteur signé, photo, biographie, liens LinkedIn vérifié, date + date de mise à jour visibles.
Indexation Bing	Technique	Critique	ChatGPT Search s’appuie sur Bing. Soumettre le sitemap à Bing Webmaster Tools — souvent oublié.
Robots.txt ouvert aux crawlers IA	Technique	Critique	Ne pas bloquer GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot, Googlebot. ~73% des sites bloquent par défaut sans le savoir.
FAQ avec schema.org FAQPage	Technique	Élevée	8–12 Q/R structurées. Balises schema.org. Extraites directement par RAG (+38% de citation observé).
Mentions presse / sources tierces	Autorité	Élevée	Articles de presse, interviews, podcasts, citations dans d’autres guides. Bylines d’expert.
Cohérence thématique du site	Autorité	Élevée	Site focalisé sur 1–2 domaines. L’autorité thématique est évaluée globalement par domaine.
Titres H2/H3 formulés comme questions	Contenu	Élevée	« Comment X ? » / « Pourquoi Y ? » — aligne avec les requêtes conversationnelles.
Framework ou méthodologie nommée	Contenu	Élevée	Donner un nom propre à une méthode. « Modèle RAFT », « Score SCA » — les IA associent les frameworks nommés à leurs auteurs.
schema.org Organization / Person	Technique	Élevée	Implémentation complète sur la page d’accueil et About. Alimente le Knowledge Graph Google.
Présence YouTube	Social	Élevée	Tutoriels et thought leadership vidéo. Les systèmes IA pondèrent fortement la vidéo dans le consensus.
Fichier /llms.txt	Technique	Faible–Moyenne	Standard émergent (llmstxt.org). Google Search ne le lit PAS (confirmé mai 2026). Utile côté agents (audité par Chrome Lighthouse). Quick-win d’exactitude de marque, pas un levier de visibilité.
Fraîcheur informationnelle	Technique	Moyenne	Date de mise à jour visible, données récentes, signaux de maintenance. Surtout pertinent pour Perplexity et les systèmes RAG.

Changement de hiérarchie vs v2

Deux requalifications majeures depuis l’édition précédente : Reddit / le consensus social passe en criticité « Critique » (premier signal de citation en 2026), et llms.txt rétrogradé en « Faible–Moyenne » après la confirmation par Google qu’il n’est pas utilisé pour le search. L’indexation Bing est ajoutée comme prérequis critique pour ChatGPT Search.

06 — Architecture de contenu

STRUCTURER POUR
LES MOTEURS DE RÉPONSE

L’AEO change fondamentalement comment écrire. Le modèle RAFT et les principes d’architecture sémantique qui maximisent la probabilité de citation.

Le modèle RAFT

Apollo Lab a formalisé le modèle RAFT — Réponse, Argument, Fait, Transfert — comme structure de base pour le contenu AEO-optimisé. Chaque section d’un article doit suivre ce pattern pour maximiser sa citabilité.

R

Réponse directe (0–100 mots)

Répondre directement à la question dès le début de la section, dans un « answer block » de 40–60 mots. Les systèmes RAG extraient souvent le premier paragraphe comme « réponse courte ». Si la réponse est enterrée, elle ne sera pas citée.

A

Argument développé (100–400 mots)

Expliquer le « pourquoi » et le « comment », en ton déclaratif (éviter « je pense / nous croyons », qui augmentent la perplexité du modèle). Les IA qui synthétisent cherchent à comprendre le raisonnement.

F

Faits & données ancrés

Statistiques, études, exemples chiffrés avec sources. Les LLMs privilégient les contenus ancrés dans des données vérifiables. Une donnée originale bat tout le reste.

T

Transfert actionnable

Conclusion pratique. Les IA valorisent les contenus qui se terminent par une synthèse claire et un « donc, concrètement… ». Facilite l’extraction d’une recommandation.

Le fichier LLMs.txt — un quick-win, pas un levier corrigé · juin 2026

Le standard llms.txt (llmstxt.org) est un fichier Markdown à la racine du site qui décrit, en clair, qui tu es et quelles pages comptent. Attention au contresens le plus courant de 2026 : contrairement au robots.txt, ce n’est ni un standard officiel ni un signal de classement. En mai 2026, Google a confirmé que Google Search ne lit pas llms.txt (ni les fichiers IA, le markup ou le Markdown dédiés) — « ce n’est pas fait pour le search », a précisé John Mueller. Sa vraie valeur est ailleurs : l’exactitude de marque côté agents (Chrome l’audite désormais dans Lighthouse, Anthropic et OpenAI le recommandent pour leurs agents). À déployer parce que c’est rapide et sans risque, pas en attendant un gain de citations.

Exemple /llms.txt — court et littéral

# Fichier llms.txt — Apollo Lab
# Résumé de l'entité pour agents & systèmes LLM

## Identité
Apollo Lab est une agence française fondée par Thomas Leonetti,
spécialisée en SEO d'autorité, stratégie de marque et AEO.
Positionnement : "Le SEO de volume est mort. Vive l'autorité."

## Expertise principale
- AEO / GEO : Answer & Generative Engine Optimization
- SEO d'autorité et topical authority
- Automation SEO (Claude Code, n8n)
- Stratégie de marque B2B

## Publications de référence
/aeo-guide : Ce guide — référence AEO francophone
/mort-du-clic : Analyse de la crise du zero-click

## Auteur principal
Thomas Leonetti — Fondateur Apollo Lab

Mise à jour · Google & llms.txt (mai 2026)

Google a tranché dans son guide d’optimisation pour l’IA générative : llms.txt n’aide ni ne pénalise le référencement, et Google Search ne l’utilise pas. Nuance qui compte : Chrome a parallèlement ajouté une vérification llms.txt dans Lighthouse (catégorie « Agentic Browsing »), car le fichier aide les agents autonomes à parcourir un site. Règle pratique : garde-le court et littéral, refais-le quand ta stratégie de contenu change — mais ne compte pas dessus pour être cité. Le travail à fort levier reste ailleurs (autorité d’entité, consensus tiers, structure extractible).

07 — Vectoriel

ÉCRIRE POUR
UN ESPACE VECTORIEL

L’optimisation vectorielle est la couche la plus technique de l’AEO. Elle traite le contenu non comme un texte pour humains, mais comme un signal à positionner précisément dans un espace mathématique multidimensionnel.

Les embeddings sont des représentations vectorielles du sens. Quand un système RAG décide si ton chunk est pertinent pour une requête, il calcule une distance dans cet espace vectoriel. L’optimisation vectorielle consiste à maximiser la probabilité que ton contenu soit à courte distance des requêtes que tes audiences poseront.

// Similarité cosinus entre requête et chunk sim(requête, chunk) = (V_requête · V_chunk) / (||V_requête|| × ||V_chunk||) // Plus ce score est proche de 1, plus le chunk est récupéré // Objectif AEO : maximiser sim() pour les requêtes cibles // Embedding d’un texte clair et dense V_chunk_bon = embed(« La vitesse de page est un facteur de classement Google depuis 2010. Les études montrent qu’au-delà de 3 secondes de chargement, 53% des utilisateurs abandonnent. ») → Vecteur dense, proche des requêtes : « vitesse page SEO », « Core Web Vitals » // Embedding d’un texte vague V_chunk_mauvais = embed(« La performance technique est importante pour votre présence en ligne et peut impacter vos résultats. ») → Vecteur diffus, loin de toute requête spécifique

Les 5 principes d’optimisation vectorielle

1

Couverture conceptuelle complète

Couvrir tous les sous-concepts liés au sujet dans le même document. Un embedding est plus riche quand le texte aborde explicitement les termes connexes : synonymes, hyperonymes, concepts liés. Utilise les clusters sémantiques pour guider la rédaction.

2

Minimiser la distance sémantique au sujet cible

Chaque paragraphe doit rester proche du sujet principal. Les digressions créent des embeddings « dilués » qui se retrouvent à équidistance de plusieurs requêtes — et donc jamais récupérés pour aucune.

3

Redondance informationnelle stratégique

Répéter le concept central avec des formulations différentes augmente la densité vectorielle dans la zone de ce concept. Ce n’est pas de la redondance pour le lecteur — c’est du signal pour le retrieval. La redondance doit apporter un angle différent à chaque occurrence.

4

Cohérence lexicale intra-document

Utiliser les mêmes termes pour les mêmes concepts dans tout le document. Les variations terminologiques fragmentent les embeddings et réduisent la cohérence vectorielle du document.

5

Alignement requête-embedding par persona

Identifier exactement les requêtes que tes audiences poseront à une IA — pas les requêtes courtes de Google, mais les questions conversationnelles longues. Écrire pour que le vecteur de ton contenu soit proche du vecteur de ces questions.

Prompt — Optimisation vectorielle d’un extrait

Analyse cet extrait pour son optimisation vectorielle.
Identifie :
1. La requête conversationnelle que ce texte devrait cibler
2. Les termes sémantiquement proches absents du texte
3. Les formulations qui créent de la distance vectorielle
4. Une version réécrite maximisant la densité sémantique

Extrait :
[COLLE TON TEXTE ICI]

Outil pratique

Pour tester concrètement la qualité vectorielle d’un contenu : utilise un Embeddings Playground (OpenAI text-embedding-3, Cohere, Voyage) pour comparer la similarité cosinus entre ton contenu et les requêtes cibles. Un score > 0.85 indique un bon alignement. < 0.70 indique une distance trop élevée pour un retrieval fiable.

08 — Ce qui bloque

ANTI-PATTERNS AEO :
CE QUI EMPÊCHE D’ÊTRE CITÉ

La plupart des guides expliquent ce qu’il faut faire. Très peu décrivent les architectures rédactionnelles, techniques ou informationnelles qui rendent un contenu structurellement inutilisable par un système de réponse.

Stratégique Compter sur llms.txt comme levier de visibilité ›

Pattern : Déployer un fichier llms.txt en pensant gagner des citations dans ChatGPT, Perplexity ou les AI Overviews.

Pourquoi ça bloque : Google a confirmé en mai 2026 que Search ne lit pas ce fichier ; une étude Ahrefs (137K sites) montre que ~97% des fichiers llms.txt ne sont jamais lus par un bot IA. Y investir du temps de maintenance détourne des leviers réels.

Correction : Le garder court et littéral pour l’exactitude côté agents, puis réinvestir l’effort dans l’autorité d’entité, le consensus tiers (Reddit, presse) et la structure extractible.

Stratégique Exister uniquement sur son propre site ›

Pattern : Tout miser sur son blog, sans présence Reddit, YouTube, G2 ni mentions presse.

Pourquoi ça bloque : Les moteurs IA cherchent un accord entre plusieurs sources indépendantes avant de citer une marque. Sans validation externe, tes affirmations sont traitées avec scepticisme et tes concurrents mieux « consensués » passent devant.

Correction : Construire un footprint de consensus : réponses authentiques sur Reddit, vidéos YouTube, avis G2, bylines presse — avec un positionnement cohérent partout.

Rédactionnel L’introduction générique de 300 mots ›

Pattern : « Dans le monde du marketing digital en constante évolution, il est essentiel de comprendre les enjeux actuels du SEO pour rester compétitif… »

Pourquoi ça bloque : Le premier chunk est le plus critique pour le retrieval (~44% des citations viennent du premier tiers de la page). S’il est vague, le système RAG ne le récupérera jamais pour une requête précise et pollue l’embedding global.

Correction : Commencer par la réponse. « Le SEO d’autorité repose sur 3 principes : [liste]. » L’intro vient après.

Rédactionnel La rhétorique de remplissage (padding) ›

Pattern : Répétition des mêmes idées pour atteindre un nombre de mots. Transitions creuses. Récapitulatifs qui n’ajoutent rien.

Pourquoi ça bloque : Réduit la densité informationnelle (V3). Les embeddings des chunks de padding tombent dans une zone vectorielle « creuse » loin des requêtes à valeur.

Correction : Viser la densité : chaque phrase apporte une information nouvelle. Si tu peux la supprimer sans perdre d’information, supprime-la.

Structurel Les titres descriptifs sans question ›

Pattern : « 3.2 — Considérations techniques » / « Les différents types de liens » / « Conclusion »

Pourquoi ça bloque : Les systèmes RAG utilisent les titres pour comprendre le sujet d’une section. Un titre vague crée un chunk au sujet ambigu, rarement récupéré pour une requête conversationnelle.

Correction : « Comment les liens internes améliorent-ils l’autorité thématique ? » — titres formulés comme des questions auxquelles la section répond.

Technique Le blocage accidentel des crawlers IA ›

Pattern : robots.txt avec « Disallow: / » ou blocage des bots inconnus. ~73% des sites seraient invisibles pour les IA à cause de protections par défaut trop agressives.

Pourquoi ça bloque : Si GPTBot, OAI-SearchBot, PerplexityBot ou ClaudeBot ne peuvent pas crawler ton site, ton contenu ne peut pas être cité ni intégré aux corpus futurs. Erreur la plus critique et souvent involontaire.

Correction : Vérifier robots.txt. Autoriser explicitement : GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot, Googlebot.

Technique Le contenu rendu uniquement en JavaScript ›

Pattern : SPA qui rend tout le contenu en JS côté client. Le HTML source est vide, le contenu n’apparaît qu’après exécution JS.

Pourquoi ça bloque : La plupart des crawlers IA n’exécutent pas JavaScript. Ils voient un document vide — y compris pour une FAQ ou une grille tarifaire injectée en JS.

Correction : Server-Side Rendering (SSR) ou Static Site Generation (SSG). Tout le contenu indexable doit être dans le HTML dès la réponse serveur.

Stratégique La dilution thématique ›

Pattern : Site qui couvre 10 sujets différents (SEO + growth + design + RH + finance…) sans cohérence thématique.

Pourquoi ça bloque : L’autorité thématique s’évalue globalement. Un site « spécialiste de tout » est spécialiste de rien pour un LLM. La dilution réduit la variable EA pour tous les sujets.

Correction : Un site = 1 à 2 domaines d’expertise maximum. Concentrer sur des clusters sémantiques profonds plutôt que larges.

09 — Données empiriques

BENCHMARKS
EMPIRIQUES

Observations mesurées sur la probabilité d’apparition dans des réponses générées selon le format et la structure du contenu. Méthodologie explicitée.

Méthodologie & limites

Les benchmarks de format ci-dessous sont issus d’observations exploratoires Apollo Lab (200+ requêtes testées manuellement). Les données de plateforme et de citation (Reddit, position, recouvrement) proviennent d’études tierces publiées en 2025–2026 (Profound — 240M+ citations, Ahrefs, Semrush, Kevin Indig, Superlines). Les méthodologies varient et les algorithmes évoluent : ce sont des tendances robustes, pas des constantes. Détails de la méthodo Apollo Lab disponibles sur demande.

Probabilité de citation par format de contenu

Format de contenu	ChatGPT (param.)	Perplexity (RAG)	AI Overviews	Score moyen
Étude avec données originales				88%
Listicle / comparatif structuré				85%
Guide exhaustif + FAQ schema.org				84%
Article modèle RAFT (réponse directe en tête)				73%
Article technique bien structuré (sans FAQ)				62%
Article de blog standard (intro générique)				35%
Page de service générique				15%

Les signaux qui pèsent le plus en 2026 nouveau

Reddit = source n°1

~40% des citations

Reddit est le domaine le plus cité par ChatGPT, Gemini et Claude (~40% des citations), et représente près de la moitié des sources de Perplexity (~47%). Les discussions votées et datées sont lues comme un signal d’autorité humaine.

Signal de consensus

Accord multi-sources

Les moteurs IA cherchent un accord entre plusieurs sources indépendantes (Reddit, YouTube, presse, G2, ton site) avant de citer une marque. Exister uniquement sur son propre site = traité avec scepticisme.

Recouvrement inter-plateformes

Seulement 11%

Seuls ~11% des domaines sont cités à la fois par ChatGPT et Perplexity. Conséquence directe : une stratégie par plateforme, pas un contenu unique censé tout couvrir.

Impact de l’autorité de source sur la citation (Perplexity)

Type de source	Probabilité de sélection	vs. article anonyme
Source avec Knowledge Panel Google	+64%	Référence de base × 1.64
Source citée dans Wikipedia	+52%	Référence de base × 1.52
Source recommandée sur Reddit	+44%	Référence de base × 1.44
Source avec auteur LinkedIn vérifié	+28%	Référence de base × 1.28
Source avec schema.org Person/Organization	+21%	Référence de base × 1.21
Source sans aucun signal d’autorité	Base (1×)	—

Observation sur la position de la réponse dans l’article

Réponse dans le premier tiers

~44% des citations

Les analyses 2026 (Superlines) montrent que ~44% des citations proviennent des 30 premiers % du contenu. Le premier chunk est systématiquement le plus récupéré : front-load ta meilleure réponse.

FAQ schema.org présente

+38% de citation

vs. même contenu sans FAQ. Les questions structurées sont directement extraites par les systèmes RAG et les AI Overviews.

Données originales citées

+61% de citation

vs. données génériques re-citées. Les statistiques exclusives créent une dépendance de citation unique : seul ton contenu peut être la source.

10 — Tests pratiques

PROMPTS DE TEST
PRÊTS À L’EMPLOI

Des prompts pour auditer ta citabilité actuelle, analyser tes concurrents et optimiser ton contenu. Copiables directement dans ChatGPT, Perplexity, Claude ou Gemini.

Auditer ta visibilité

Test de réputation IA spontanée

Si quelqu'un me demande de recommander un expert / une agence
en [TON DOMAINE] en France, à qui penses-tu spontanément ?
Liste les 5–10 noms avec une phrase sur leur positionnement distinctif.

Test d’entité directe

Décris [NOM DE TA MARQUE] en 3 phrases.
Qu'est-ce qui distingue cette marque dans son secteur ?
Quelles sont ses thèses ou positions connues ?
Niveau de confiance de ta réponse : élevé / moyen / faible ?

Test Share of Model multi-plateformes

Pour les 5 prompts suivants, indique si tu cites [MA MARQUE] et
à quelle position, puis liste les marques que tu cites à sa place :
1. [REQUÊTE DE RECOMMANDATION 1]
2. [REQUÊTE 2] ... etc.
(Répète ce test sur ChatGPT, Perplexity, Gemini et Claude — le
recouvrement entre plateformes est faible, mesure-les séparément.)

Analyser tes concurrents

Analyse de gap concurrentiel

Dans le domaine [TON DOMAINE] en France, analyse le positionnement de
[CONCURRENT 1], [CONCURRENT 2] et [CONCURRENT 3].
Pour chacun : forces perçues, faiblesses, type de client attiré.
Ensuite : quelle position ou approche est sous-représentée parmi ces acteurs ?

Optimiser ton contenu

Diagnostic de citabilité d’un extrait

Voici un extrait de mon article sur [SUJET] :
[COLLE TON TEXTE]

Évalue sa citabilité si quelqu'un te posait la question "[QUESTION CIBLE]".
Donne un score /10 et liste ce qui manque pour en faire une source de référence.

Réécriture modèle RAFT

Réécris cet extrait en suivant le modèle RAFT :
R — Réponse directe en ouverture (answer block 40–60 mots, ton déclaratif)
A — Argument développé
F — Fait sourcé avec chiffre
T — Transfert actionnable en conclusion

Extrait original : [TON TEXTE]

Génération FAQ AEO

Sur la base de ce contenu sur [SUJET], génère 8 questions-réponses
optimisées pour extraction par les AI Overviews et Perplexity.
Chaque réponse : 40–70 mots, directe, factuellement dense.
Contenu source : [TON TEXTE]

12 — Nouveau · 2026

LE TOURNANT
AGENTIQUE

2026 marque le passage des moteurs de réponse aux agents qui agissent. Une nouvelle couche d’optimisation apparaît — distincte du search, et que la plupart des sites ignorent encore.

Jusqu’ici, l’AEO consistait à être cité dans une réponse. La prochaine bataille consiste à être utilisable par un agent : un assistant qui navigue, compare, remplit un formulaire ou ajoute au panier à la place de l’utilisateur. C’est précisément ce qui a créé la confusion autour de llms.txt en 2026 — Google le déconseille pour le search, mais Chrome l’audite pour les agents. Ce ne sont pas deux avis contradictoires : ce sont deux problèmes différents.

La distinction qui résout tout : search ≠ agents

Google Search parle de visibilité (apparaître dans AI Overviews / AI Mode) : pour ça, pas besoin de fichiers spéciaux, le HTML rendu suffit. Chrome Lighthouse parle de lisibilité par les agents (catégorie « Agentic Browsing ») : llms.txt, WebMCP, accessibilité et stabilité de mise en page y sont évalués. Les deux équipes répondent à des questions différentes — aucune n’a tort dans son périmètre.

Les 4 chantiers de l’agent-readiness

01 — WebMCP

Exposer des fonctions, pas que du texte

Proposé par Google et basé sur le Model Context Protocol, WebMCP permet à un agent d’utiliser les fonctions d’un site (comparer des produits, ajouter au panier, remplir un formulaire) au lieu de deviner via le HTML conçu pour les humains. Déjà supporté dans Chrome. C’est le successeur ambitieux de llms.txt.

02 — Arbre d’accessibilité

Le modèle de données des agents

Google indique que les agents s’appuient sur l’accessibility tree comme « modèle de données primaire ». Labels programmatiques sur les éléments interactifs, arbre d’accessibilité valide, contenu non masqué aux systèmes assistifs : l’accessibilité devient un levier AEO concret.

03 — Stabilité de mise en page

CLS & DOM stable

Un agent qui clique a besoin d’une interface qui ne bouge pas sous lui. La stabilité de mise en page (CLS) et l’absence de changements DOM massifs sont auditées : un site instable fait échouer l’agent en pleine action.

04 — llms.txt (rôle réduit)

Carte d’orientation pour agents

Court, littéral, à jour : il aide un agent à comprendre vite la structure du site et à pointer vers les bonnes pages (notes produit, doc) plutôt que vers le checkout. Anthropic et OpenAI le recommandent côté agents. Mais ~97% des fichiers ne sont jamais lus : ne pas surinvestir.

Priorité réaliste

Pour 95% des sites en juin 2026, le chantier agentique n°1 reste le plus simple : ne pas bloquer les agents et servir un HTML propre et accessible. WebMCP et l’optimisation fine pour agents ne valent l’investissement que si le trafic agentique est une priorité business définie (e-commerce, SaaS, marketplaces). Pour les autres, l’AEO classique (entité, consensus, structure) prime largement.

13 — Prospective

ÉVOLUTIONS
12 À 24 MOIS

Modélisation des évolutions probables des systèmes de réponse IA. Ce qui va se formaliser, ce qui va émerger, et comment se positionner pour ces changements.

Aujourd’hui, les signaux d’autorité (E-E-A-T) sont évalués de façon approximative par les LLMs. Dans les 12–18 prochains mois, des formats structurés pour déclarer l’autorité d’une source pourraient émerger :

Extension du format schema.org avec des propriétés d’autorité sectorielle explicites
Systèmes de certification ou de validation d’expertise par des tiers de confiance
Intégration de verifiable credentials (identité numérique vérifiable) pour les auteurs

Comment s’y préparer : Construire dès maintenant une présence documentée et vérifiable (presse, Wikipedia, Wikidata, LinkedIn vérifié). Plus les signaux d’autorité actuels sont solides, plus la migration vers des formats structurés sera facile.

Le débat de 2026 a clarifié une chose : Google Search n’utilise pas llms.txt, mais Chrome l’audite côté agents (Lighthouse). La vraie ligne de fracture est « search vs agents ». WebMCP, proposé par Google, va plus loin que llms.txt : il permet à un agent d’utiliser les fonctions d’un site. Les standards en compétition à surveiller :

WebMCP (Google / Model Context Protocol) — déjà dans Chrome
Évolutions de la proposition llms.txt (rôle d’orientation pour agents)
Catégorie Agentic Browsing de Lighthouse comme référentiel de fait
Protocoles de commerce agentique (OpenAI Agentic Commerce, intégrations checkout)

Comment s’y préparer : Garder un HTML accessible et stable, exposer ses fonctions clés via WebMCP si le trafic agentique est stratégique.

Le Markdown est déjà préféré aux pages HTML riches par de nombreux agents et crawlers IA (moins de bruit, structure plus propre). Des formats dédiés à l’ingestion IA pourraient se standardiser :

Formats JSON-LD enrichis avec contexte sémantique complet
Documents avec métadonnées d’autorité intégrées (auteur, credibilityScore, evidenceLinks)
Rendu canonique en .md servi côté serveur, à côté du HTML, pour les agents

Comment s’y préparer : Investir dans une infrastructure de contenu propre (CMS headless, markdown natif, données structurées complètes). Les sites avec une architecture de données propre s’adapteront plus facilement.

La recherche traditionnelle (requête → liste de résultats → clic) est remplacée par des interfaces conversationnelles persistantes (ChatGPT, Gemini, Claude Projects) qui maintiennent un contexte utilisateur à long terme. Implications :

Les recommandations de sources deviennent personnalisées selon l’historique de l’utilisateur
Les marques « connues » de l’utilisateur (via ses documents, conversations, préférences) sont favorisées
La visibilité ne se mesure plus en impressions SERP mais en Share of Model conversationnel

Donnée à retenir : selon Ahrefs, les visiteurs issus de la recherche IA convertiraient à un taux nettement supérieur au search organique classique, malgré un volume plus faible. Moins de clics, mais plus qualifiés.

L’intégration de résultats commerciaux dans les réponses IA progresse. Google AI Overviews intègre déjà des publicités, et plusieurs plateformes pilotent des placements payants en parallèle des citations organiques. Modèles probables :

Placement payant à côté des citations organiques (la citation organique devient plus compétitive)
Sponsoring de recommandations dans certaines verticales (shopping)
Splits de revenus pour les sources dont le contenu est utilisé dans les réponses

Implication stratégique : Les marques ayant construit une autorité organique forte seront moins dépendantes de ces modèles payants. L’AEO organique prend une valeur croissante à mesure que les positions payantes se formalisent.

14 — Principes fondamentaux

MANIFESTE
AEO

12 principes courts, mémorisables et structurants définissant ce qu’est une information optimisée pour être comprise — et citée — par une machine.

LES 12 PRINCIPES AEO — APOLLO LAB

01

Une information non attribuée à une entité reconnaissable n’existe pas pour une IA. Toute expertise doit avoir un nom.

02

Répondre d’abord, expliquer ensuite. La réponse directe en tête est la règle fondamentale de l’AEO.

03

Une donnée que seul ton contenu possède est une donnée que seul ton contenu peut citer. L’originalité factuelle est le moat de l’ère IA.

04

La clarté sémantique bat la richesse rhétorique. Écrire pour un espace vectoriel, c’est écrire pour être compris précisément, pas pour impressionner.

05

Un site qui parle de tout n’est l’autorité sur rien. La focalisation thématique est une décision architecturale, pas éditoriale.

06

Les machines n’ont pas de patience pour les introductions. Tout chunk doit être utile isolément.

07

Un framework sans nom propre n’est pas citable. Nommer ses méthodes, c’est créer des ancrages de citation.

08

L’autorité n’est pas auto-proclamée — elle est construite dans le consensus des tiers. Ce que Reddit, la presse et tes pairs disent de toi pèse plus que ce que tu dis de toi-même.

09

Un contenu inaccessible aux crawlers IA n’existe pas, même s’il est excellent. L’accessibilité technique est un prérequis non négociable.

10

La marque n’est pas un supplément d’âme — c’est l’infrastructure de la visibilité IA. Sans entité forte, tout contenu s’évapore dans le bruit du corpus.

11

Une position tranchée et argumentée est plus mémorable qu’un consensus mou. Les IA se souviennent des thèses, pas des généralités.

12

Watch what they build, not what they say. Un fichier que personne ne lit n’est pas une stratégie — suis les usages réels des modèles, pas les modes.

Télécharger le Manifeste AEO

Format carte de référence — imprimable pour affichage équipe

15 — Plan d’action

90 JOURS POUR
DEVENIR CITABLE

Un plan structuré en 3 sprints de 30 jours. Des actions concrètes, dans l’ordre, avec les outputs attendus et les métriques de validation.

SPRINT 01 · J1–30

FONDATIONS

→Définir et écrire sa thèse de marque (1 page)
→Créer / réécrire la page About en mode AEO
→Implémenter schema.org Organization + Person
→Ouvrir robots.txt aux crawlers IA + indexer sur Bing
→Créer le /llms.txt (exactitude agents — pas un levier Google)
→Faire le test d’entité & Share of Model (ChatGPT, Perplexity, Gemini, Claude)
→Calculer son SCA de base

OUTPUT J30

Entité définie. Signaux techniques en place. SCA baseline + Share of Model établis.

SPRINT 02 · J31–60

CONTENU

→Publier 1 guide pilier exhaustif (modèle RAFT)
→Lancer une mini-étude avec données originales
→Restructurer les 3 meilleurs articles (answer blocks + FAQ)
→Ajouter FAQ schema.org sur les pages clés
→Nommer un framework maison
→Publier 2 prises de position tranchées
→Documenter et publier 1 cas client chiffré

OUTPUT J60

Corpus N2–N3 constitué. Premiers tests de citabilité positifs.

SPRINT 03 · J61–90

CONSENSUS

→Construire le footprint Reddit : 5+ réponses authentiques de qualité
→Lancer une présence YouTube (tutoriels / thought leadership)
→Démarcher presse spécialisée (2–3 bylines / interviews)
→Collecter des avis G2 / plateformes du secteur
→Lancer 1 étude originale avec relais PR
→Recalculer SCA + Share of Model vs baseline J1
→Définir le plan AEO du trimestre suivant

OUTPUT J90

Cité dans au moins 2 IA sur ton domaine. SCA ≥ 55. Consensus tiers amorcé.

Les 3 métriques AEO à suivre

Métrique 1

Share of Model

Test mensuel : demander à ChatGPT, Perplexity, Gemini et Claude de recommander des experts dans ton domaine. Mesurer ton taux d’apparition et ta position — séparément par plateforme (recouvrement faible).

Métrique 2

Citations & AI Overviews

Tracker les requêtes sur lesquelles tu es cité dans les AI Overviews / AI Mode via Semrush, SE Ranking ou Profound. Mesurer la surface de citation et son évolution.

Métrique 3

Trafic IA & branded

Suivre les référents chatgpt.com, perplexity.ai, gemini dans l’analytics (volume faible mais conversion élevée) et la hausse des recherches branded — indicateur retardé mais réel d’une marque citée.

Etre cité par les IA

ÊTRE CITÉPAR LES IA

LE MONDE ABASCULÉ

L’AEO comme discipline structurée

LE PIPELINE RAG :DE LA PAGE WEB À LA CITATION

Implications pour le contenu

LE SCORE AEO :MESURER LA CITABILITÉ

Score de Citabilité AEO (SCA)

Comment utiliser le SCA

Audit de base

Identification des leviers

Suivi trimestriel

TAXONOMIE DECITABILITÉ

SANS MARQUE,TU N’EXISTES PAS

Les 3 couches du branding AEO

Le récit distinctif

La consistance des signaux

La présence dans le corpus

Construire son entité en 5 étapes

Définir et écrire sa thèse de marque

Créer une page « Manifeste » AEO-optimisée

Implémenter schema.org Organisation + Person

Alimenter les sources tierces (consensus)

Publier des positions tranchées

Le test d’entité — à faire maintenant

MATRICE DESSIGNAUX DE CITABILITÉ

STRUCTURER POURLES MOTEURS DE RÉPONSE

Le modèle RAFT

Réponse directe (0–100 mots)

Argument développé (100–400 mots)

Faits & données ancrés

Transfert actionnable

Le fichier LLMs.txt — un quick-win, pas un levier corrigé · juin 2026

ÉCRIRE POURUN ESPACE VECTORIEL

Les 5 principes d’optimisation vectorielle

Couverture conceptuelle complète

Minimiser la distance sémantique au sujet cible

Redondance informationnelle stratégique

Cohérence lexicale intra-document

Alignement requête-embedding par persona

ANTI-PATTERNS AEO :CE QUI EMPÊCHE D’ÊTRE CITÉ

BENCHMARKSEMPIRIQUES

Probabilité de citation par format de contenu

Les signaux qui pèsent le plus en 2026 nouveau

~40% des citations

Accord multi-sources

Seulement 11%

Impact de l’autorité de source sur la citation (Perplexity)

Observation sur la position de la réponse dans l’article

~44% des citations

+38% de citation

+61% de citation

PROMPTS DE TESTPRÊTS À L’EMPLOI

Auditer ta visibilité

Analyser tes concurrents

Optimiser ton contenu

AUDIT DECITABILITÉ AEO

SCORE DE CITABILITÉ AEO

Grille d’audit complète — CSV

LE TOURNANTAGENTIQUE

Les 4 chantiers de l’agent-readiness

Exposer des fonctions, pas que du texte

Le modèle de données des agents

CLS & DOM stable

Carte d’orientation pour agents

ÉVOLUTIONS12 À 24 MOIS

MANIFESTEAEO

Télécharger le Manifeste AEO

90 JOURS POURDEVENIR CITABLE

Les 3 métriques AEO à suivre

Share of Model

Citations & AI Overviews

Trafic IA & branded

L’IA PEUT CITERN’IMPORTE QUI.SOYEZ CELUIQU’ELLE CHOISIT.

ÊTRE CITÉ
PAR LES IA

LE MONDE A
BASCULÉ

LE PIPELINE RAG :
DE LA PAGE WEB À LA CITATION

LE SCORE AEO :
MESURER LA CITABILITÉ

TAXONOMIE DE
CITABILITÉ

SANS MARQUE,
TU N’EXISTES PAS

MATRICE DES
SIGNAUX DE CITABILITÉ

STRUCTURER POUR
LES MOTEURS DE RÉPONSE

ÉCRIRE POUR
UN ESPACE VECTORIEL

ANTI-PATTERNS AEO :
CE QUI EMPÊCHE D’ÊTRE CITÉ

BENCHMARKS
EMPIRIQUES

PROMPTS DE TEST
PRÊTS À L’EMPLOI

AUDIT DE
CITABILITÉ AEO

LE TOURNANT
AGENTIQUE

ÉVOLUTIONS
12 À 24 MOIS

MANIFESTE
AEO

90 JOURS POUR
DEVENIR CITABLE

L’IA PEUT CITER
N’IMPORTE QUI.
SOYEZ CELUI
QU’ELLE CHOISIT.