📚 Glossaire GEO : Votre guide complet de l'optimisation pour les moteurs génératifs

Architecture de réseaux de neurones qui constitue la fondation technique des LLM modernes. Inventée en 2017, cette technologie permet aux IA de comprendre les relations complexes entre les mots dans un texte grâce à un mécanisme d'"attention". C'est grâce aux Transformers que ChatGPT, Gemini et autres peuvent générer des réponses cohérentes et contextuelles.

Processus de découpage du texte en unités élémentaires (tokens) que les LLM peuvent traiter. Un token peut être un mot complet, une partie de mot, ou même un caractère selon l'algorithme utilisé. Par exemple, "optimisation" peut être divisé en ["optim", "isation"]. C'est la première étape du traitement par les IA : chaque texte doit être transformé en une séquence de tokens avant d'être analysé. Comprendre la tokenisation aide à optimiser la longueur et la structure des contenus pour les moteurs génératifs, car les LLM ont des limites de contexte exprimées en nombre de tokens.

Quantité maximale d'information (mesurée en tokens) qu'un LLM peut traiter simultanément lors d'une interaction. C'est sa "mémoire de travail" : tout ce qui dépasse cette limite est oublié ou tronqué. Par exemple, GPT-4 Turbo dispose d'une fenêtre de 128 000 tokens, tandis que Gemini 1.5 Pro peut aller jusqu'à 2 millions de tokens. Pour le GEO, cela signifie que les contenus concis et structurés ont plus de chances d'être entièrement analysés par les systèmes RAG, car ils consomment moins de tokens précieux de la fenêtre de contexte. Une fenêtre limitée explique aussi pourquoi les IA privilégient l'extraction de passages spécifiques plutôt que le traitement de pages entières.

Le "cerveau" des moteurs IA génératifs. C'est un modèle d'IA entraîné sur des milliards de textes pour comprendre et générer du langage humain. Examples : GPT-4, Gemini, Claude. Ses connaissances sont statiques et limitées à sa date d'entraînement, d'où la nécessité du RAG pour les actualiser.

Représentations numériques (vecteurs mathématiques) de mots, phrases ou concepts que les IA utilisent pour comprendre et comparer le sens. Chaque mot devient un ensemble de nombres qui capture ses relations sémantiques : "roi" et "reine" auront des embeddings proches. C'est grâce aux embeddings que les systèmes RAG peuvent mesurer la proximité sémantique et récupérer du contenu pertinent même sans correspondance exacte de mots-clés.

Système de stockage spécialisé conçu pour indexer et rechercher efficacement des embeddings. Contrairement aux bases de données traditionnelles qui cherchent des correspondances exactes, les bases vectorielles calculent la similarité sémantique entre vecteurs pour retrouver les contenus les plus pertinents. Infrastructure essentielle des systèmes RAG modernes : elles permettent de fouiller instantanément des millions de documents pour extraire les passages les plus proches de la requête utilisateur.

Technique de découpage intelligent du contenu en blocs sémantiques cohérents que les systèmes RAG peuvent facilement traiter et récupérer. Au lieu d'analyser une page entière, l'IA examine des "chunks" (paragraphes, sections) pour identifier les passages les plus pertinents. Un bon chunking structure le contenu en unités autonomes et significatives.

Fragment de texte spécifique extrait et sélectionné par un système RAG comme étant particulièrement pertinent pour répondre à une requête. C'est l'unité de base de la récupération d'information : l'IA ne cite pas des pages entières mais des passages précis. Optimiser pour le GEO, c'est créer des passages denses en information et parfaitement contextualisés.

Mesure de la similarité conceptuelle entre des mots, phrases ou contenus, indépendamment de leur formulation exacte. Les IA utilisent cette proximité pour comprendre que "automobile" et "voiture" sont liés, ou que "optimiser son site" et "améliorer son référencement" traitent du même sujet. Plus votre contenu est sémantiquement proche des requêtes utilisateurs, plus il a de chances d'être récupéré par les systèmes RAG.

Le mécanisme clé que le GEO cherche à influencer. Technique qui permet à un LLM de chercher des informations fraîches sur le web en temps réel pour "augmenter" ses connaissances avant de générer une réponse. C'est cette étape de "récupération" que votre contenu doit conquérir pour être cité.

Méthode d'agrégation de classements étroitement liée au query fan-out. Dans les moteurs conversationnels comme ChatGPT, lorsqu'ils lancent plusieurs query fan-out simultanés (générant des variations de la requête initiale), le RRF fusionne intelligemment tous les classements obtenus pour identifier les contenus les plus pertinents. Plutôt que de comparer des scores incompatibles, le RRF utilise les positions des documents : un contenu bien classé dans plusieurs résultats de recherche aura plus de chances d'être sélectionné pour construire la réponse finale de l'IA. C'est le mécanisme qui détermine quelles sources seront citées.

Catégorie d'intelligence artificielle capable de créer du nouveau contenu (texte, images, son) plutôt que de simplement analyser des données existantes. Elle constitue le fondement des moteurs de recherche génératifs et représente à la fois un outil d'optimisation et un nouvel environnement à conquérir.

Technologie qui permet aux ordinateurs de comprendre et interpréter le langage humain. C'est ce qui rend possible la recherche conversationnelle en allant au-delà de la simple correspondance de mots-clés pour saisir l'intention, le contexte et la sémantique des requêtes.

Phénomène où l'IA génère une réponse qui semble plausible mais qui est factuellement incorrecte ou inventée. Ce risque explique pourquoi les systèmes IA privilégient les contenus avec de forts signaux E-E-A-T : votre fiabilité devient leur protection contre l'imprévisibilité.

Technique qui consiste à ancrer les réponses d'un LLM dans des sources factuelles vérifiables plutôt que de se fier uniquement à ses connaissances d'entraînement. Le grounding utilise le RAG pour récupérer des informations à jour et factuelles avant de générer une réponse, réduisant ainsi drastiquement les hallucinations. C'est la base du fonctionnement de ChatGPT Search, Perplexity et Google AI Overviews : chaque affirmation est "ancrée" dans une source citée. Pour le GEO, comprendre le grounding permet d'optimiser ses contenus pour devenir ces sources d'ancrage privilégiées.