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, de l'analyse du prompt jusqu'à la génération de la réponse finale.
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, extraire et synthétiser l'information en temps réel.
Comprendre ce pipeline est essentiel pour le GEO. Chaque étape est une opportunité d'optimisation — ou un point où votre contenu peut être éliminé.
1. Analyse du prompt → 2. Query fan-out → 3. Retrieval (RAG) → 4. Tri RRF → 5. Chunking → 6. Synthèse → 7. Génération → 8. Grounding
Étape 1 : 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
Pour les questions où l'IA se fie à sa mémoire interne, votre contenu doit être suffisamment présent dans les données d'entraînement (via des citations sur des sites autoritaires, Wikipedia, etc.). Pour les recherches web, c'est votre contenu en ligne qui compte.
Étape 2 : 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.
Exemple concret
Question utilisateur : "Quel est le meilleur CRM pour une PME en 2025 ?"
Sous-requêtes générées par l'IA :
- "meilleur CRM PME 2025 comparatif"
- "CRM gratuit petite entreprise"
- "Salesforce vs HubSpot PME avis"
- "prix CRM PME 2025"
- "CRM français TPE PME"
Ne pensez plus en "mot-clé unique". Pensez en territoire sémantique. Pour apparaître dans les réponses, votre site doit couvrir plusieurs de ces sous-requêtes. C'est le concept de cluster sémantique (détaillé dans le Module 4).
Étape 3 : RAG – Retrieval (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" sur le web via les sous-requêtes générées. Elle collecte des dizaines de pages, articles, bases de données — toutes les sources potentielles capables de répondre au besoin.
| Source de données | Utilisée par |
|---|---|
| Index web (Bing, Google) | ChatGPT, Perplexity, Copilot |
| Crawl temps réel | ChatGPT-User, PerplexityBot |
| Knowledge Graph | Google AI Overview |
| Base de connaissances interne | Tous (données d'entraînement) |
Étape 4 : Tri sélectif via RRF (Le jury)
L'IA a maintenant des dizaines de sources potentielles. Elle doit les trier et prioriser. 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 différentes sous-requêtes et à quelle position.
Exemple simplifié de scoring RRF
| Source | Sous-requête 1 | Sous-requête 2 | Sous-requête 3 | Score RRF |
|---|---|---|---|---|
| Site A | Position 2 | Position 1 | Position 3 | 0.85 ✅ |
| Site B | Position 1 | Absent | Position 5 | 0.52 |
| Site C | Absent | Position 4 | Absent | 0.15 |
Le Site A est sélectionné car il apparaît de manière consistante sur plusieurs sous-requêtes.
Être premier sur une seule sous-requête ne suffit pas. Il faut être présent de manière consistante sur plusieurs angles du sujet. C'est pourquoi le cluster sémantique est crucial.
Étape 5 : Chunking (L'extraction chirurgicale)
L'IA ne lit pas vos pages en entier. Elle les découpe en morceaux (chunks) et ne garde que les passages qui contiennent une réponse exploitable.
Un "chunk" fait typiquement entre 200 et 500 mots. C'est l'unité de base que l'IA manipule.
Si un paragraphe nécessite la lecture du paragraphe précédent pour être compris, il sera un mauvais chunk. L'IA l'ignorera car il n'est pas autonome.
Solution : Chaque section de votre contenu doit être compréhensible de manière isolée.
Étape 6 : Synthèse (Le plan)
Avant d'écrire, le moteur organise les chunks retenus. Il hiérarchise les arguments, élimine les redondances et construit un raisonnement logique.
C'est à cette étape que l'IA décide quelles sources seront effectivement citées dans la réponse finale.
Étape 7 : Génération (La rédaction)
Le LLM (Large Language Model) transforme le plan en réponse fluide et naturelle. Il reformule, synthétise et structure l'information pour l'utilisateur.
Important : l'IA ne copie pas vos contenus mot pour mot. Elle les reformule en utilisant votre information comme matière première.
Étape 8 : Grounding (La vérification)
Dernière étape de sécurité : chaque affirmation est reliée à une source identifiée. Les citations et liens sont ajoutés pour ancrer la réponse dans le réel et limiter les hallucinations.
C'est à cette étape que votre site apparaît (ou non) comme source citée dans la réponse.
- Perplexity : Citations numérotées très visibles, liens cliquables
- ChatGPT : Sources en bas de réponse, moins mises en avant
- Google AI Overview : Liens vers les sources dans un encadré
Récapitulatif : où intervenir pour le GEO
| Étape | Ce que fait l'IA | Votre action GEO |
|---|---|---|
| 1. Analyse prompt | Comprend la question | Cibler les bonnes intentions de recherche |
| 2. Fan-out | Génère des sous-requêtes | Couvrir tout le territoire sémantique (cluster) |
| 3. Retrieval | Cherche des sources | Être crawlable et indexable par les bots IA |
| 4. RRF | Trie et priorise | Apparaître sur plusieurs sous-requêtes |
| 5. Chunking | Extrait des passages | Écrire des paragraphes autonomes |
| 6. Synthèse | Organise l'info | Structurer clairement (H2, listes, tableaux) |
| 7. Génération | Rédige la réponse | Fournir des faits vérifiables et datés |
| 8. Grounding | Cite les sources | Être une source de confiance (autorité) |
Ce qu'il faut retenir
- L'IA décompose les questions en sous-requêtes (fan-out) → couvrez le territoire sémantique
- Le RRF favorise les sources présentes sur plusieurs sous-requêtes
- L'IA découpe vos contenus en chunks → écrivez des paragraphes autonomes
- Le grounding lie chaque affirmation à une source → soyez factuel et vérifiable
- Chaque étape est une opportunité d'optimisation GEO
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.