Module 2 : Anatomie d'un Moteur Génératif

Pour optimiser votre visibilité dans les réponses IA, il faut comprendre comment ces systèmes fonctionnent. Découvrez les 8 étapes du pipeline, du découpage de vos pages en chunks jusqu'à la réponse finale citée.

Mis à jour le 17 août 2026

Vue d'ensemble du pipeline

Quand vous posez une question à ChatGPT ou Perplexity, une mécanique complexe se met en marche. L'IA ne "sait" pas tout : elle doit chercher, trier, sélectionner et synthétiser l'information en temps réel. Et cette mécanique commence même avant votre question : les moteurs préparent leur index en continu.

Comprendre ce pipeline est essentiel pour le GEO. Chaque étape est une opportunité d'optimisation - ou un point où votre contenu peut être éliminé.

Étape 1 : Indexation et chunking (Le découpage préalable)

Le pipeline ne démarre pas au moment où l'utilisateur tape sa question. En continu, les moteurs crawlent le web et préparent leur index. Votre page n'y est pas stockée d'un seul bloc : elle est découpée en morceaux (chunks) de typiquement 200 à 500 mots.

Chaque chunk est converti en vecteur (embedding) puis versé dans un index hybride, interrogeable à la fois par mots-clés et par similarité sémantique. C'est cette unité de base, le chunk, que toutes les étapes suivantes manipulent. Jamais votre page entière.

Cas particulier : lors d'une visite à la demande (ChatGPT-User, Perplexity-User), la page est récupérée puis découpée à la volée au moment de la réponse. Le moment change, pas la logique : c'est toujours le passage autonome qui survit.

Étape 2 : Analyse du prompt

À chaque question posée, le moteur commence par analyser le besoin. Il identifie les entités clés, les termes critiques et évalue la complexité de la demande.

Cette analyse détermine la suite du processus :

• Question simple → L'IA peut répondre avec ses connaissances internes (pas de recherche web)
• Question factuelle récente → Recherche web simple (une ou deux sources)
• Question complexe → Query fan-out avec multiples recherches parallèles

Étape 3 : Query fan-out (L'éclatement)

C'est l'une des étapes les plus importantes pour le GEO. L'IA divise la question en plusieurs sous-requêtes pour couvrir toutes les facettes du sujet.

Étape 4 : Retrieval - RAG (La grande pêche)

RAG signifie "Retrieval-Augmented Generation". C'est le mécanisme qui permet à l'IA de chercher des informations externes pour enrichir sa réponse.

L'IA lance ses "filets" via les sous-requêtes générées. Précision importante : elle ne repêche pas des pages entières, mais des chunks candidats, puisés dans l'index préparé à l'étape 1. Chaque sous-requête interroge deux canaux complémentaires : la recherche par mots-clés et la recherche vectorielle, par similarité sémantique.

Étape 5 : Fusion des classements via RRF (Le jury)

L'IA dispose maintenant de plusieurs classements de passages : un par sous-requête et par canal de recherche. Elle doit les fusionner en une seule liste priorisée. C'est le rôle du Reciprocal Rank Fusion (RRF).

Le RRF fonctionne comme un vote pondéré : il mesure combien de fois une source apparaît parmi les différents classements et à quelle position.

Étape 6 : Sélection du contexte via MMR (Le casting final)

Après la fusion, il reste bien plus de passages pertinents que la fenêtre de contexte du modèle ne peut en accueillir. Le moteur n'en transmettra qu'une poignée à la génération. Problème : les passages les mieux classés se ressemblent souvent, car tout le monde répète le consensus du sujet.

C'est là qu'intervient la Maximal Marginal Relevance (MMR), un algorithme qui arbitre entre pertinence et diversité. À chaque tour de sélection, le passage retenu est celui qui obtient le meilleur score selon une logique simple :

Conséquence directe : un passage très pertinent mais redondant avec un passage déjà sélectionné saute, au profit d'un passage qui apporte autre chose. Dire la même chose qu'une source déjà retenue, même en le disant très bien, ne mène nulle part.

Étape 7 : Génération groundée (La rédaction ancrée)

Les passages sélectionnés sont placés dans le contexte du LLM (Large Language Model), avec une consigne : rédiger la réponse à partir de ces sources, en les citant. C'est le grounding : la réponse est ancrée dans les documents récupérés au moment de la requête, au lieu de reposer sur la seule mémoire du modèle.

Le modèle organise alors la matière : il hiérarchise les arguments, élimine les dernières redondances et construit un raisonnement fluide. Important : l'IA ne copie pas vos contenus mot pour mot. Elle les reformule en utilisant votre information comme matière première.

Point clé : l'attribution (quelle affirmation s'appuie sur quelle source) se construit pendant la rédaction, pas après. Un passage absent du contexte à ce stade n'a plus aucune chance d'être cité. Le grounding n'est donc pas une vérification finale : c'est la condition d'écriture de la réponse.

Étape 8 : Citations et vérification (La vitrine)

Dernière étape, la seule visible pour l'utilisateur : la mise en forme des citations. Numéros, liens, encadrés de sources : c'est ici que votre site apparaît (ou non) comme source citée dans la réponse.

Certains moteurs ajoutent une passe de contrôle après la génération : vérifier que chaque affirmation est bien couverte par un passage source, puis atténuer ou supprimer celles qui ne le sont pas, pour limiter les hallucinations.

Récapitulatif : où intervenir pour le GEO

Ce qu'il faut retenir

Dans le prochain module, nous verrons le Deep Research : un mode avancé où l'IA réfléchit de manière itérative, analyse ses propres lacunes et lance des recherches complémentaires.