Fondamentaux, , 12 min de lecture

Le scoring GEO repose sur cinq agents qui évaluent le contenu

Le score GEO de Citead part de onze sous-mesures pondérées, passées par une racine carrée et combinées à la fraîcheur. Il rend une page plus facile à citer, sans garantir de citation.

Citead TeamGEO Experts

Score GEO de cet article

91/100

  • Richesse sémantique90
  • Citabilité par les IA84
  • Fraîcheur78
  • Organisation du contenu91
  • Autorité et citations91
  • Naturalitéhors score95

Le score global pondère les mesures de chaque critère et la fraîcheur. La naturalité est notée à part et ne compte pas dans le score.

Score calculé par Citead le 6 octobre 2026

Analyser votre page

Points clés

  • Le score GEO est la moyenne pondérée de onze sous-mesures, chacune passée par une racine carrée, combinée à la fraîcheur (92 % contenu, 8 % fraîcheur)
  • La richesse sémantique représente 52,8 % du score et la citabilité 31,4 %
  • La naturalité (agent 4) est affichée à part et n'entre pas dans le score
  • L'analyse gratuite est déterministe ; le score du compte ajoute un modèle de langage borné autour des règles

En bref: Le score GEO de Citead note une page de 0 à 100 à partir de onze sous-mesures produites par des agents spécialisés (autorité, organisation, richesse sémantique, citabilité), complétées par un indicateur de fraîcheur. La naturalité, qui détecte les tournures typiques des modèles de langage, est affichée à part et n'entre pas dans le score. Le score indique si une page est facile à citer pour un moteur IA ; il ne prédit ni ne garantit une citation (Bajemon et Rochet, 2026).

Le score GEO mesure la facilité de citation d'une page par les moteurs IA

Le GEO (Generative Engine Optimization) désigne les techniques qui visent à rendre un contenu web exploitable par les moteurs de recherche fondés sur des modèles de langage, comme ChatGPT Search, Google AI Overviews ou Perplexity. Le score GEO de Citead évalue sur une échelle de 0 à 100 les propriétés du texte qui facilitent sa reprise : densité d'information, phrases citables telles quelles, paragraphes compréhensibles hors contexte, données chiffrées.

Ce score est un filtre de qualité. Le papier publié par l'équipe, "Scoring Without the Engine" (Bajemon et Rochet, 2026, arXiv:2609.07559), conclut qu'un score calculé sans interroger les moteurs ne permet pas de prédire quelle page sera citée. Il rend une page plus facile à citer ; la décision de citer appartient au moteur.

Onze sous-mesures composent le score, avec des poids fixés dans weights.json

Le calcul est le même dans les trois moteurs de Citead : l'analyse gratuite, le classement public et le score du compte. Le fichier weights.json du backend (version v5_sqrt) définit onze sous-mesures. Chacune, notée de 0 à 100, est d'abord transformée par une racine carrée (100 × √(x/100)) : une sous-mesure à 25 compte pour 50, une sous-mesure à 64 compte pour 80. Les valeurs transformées sont ensuite moyennées avec les poids suivants, dont la somme vaut 1.

Sous-mesureAgentPoids
Entropie de ShannonAgent 3 (sémantique)0,2459
Densité d'informationAgent 3 (sémantique)0,2441
Densité de phrases citablesAgent 5 (citabilité)0,1242
Densité d'entitésAgent 5 (citabilité)0,0936
Cohérence sémantiqueAgent 3 (sémantique)0,0841
Autonomie des paragraphesAgent 5 (citabilité)0,0725
Densité de statistiquesAgent 5 (citabilité)0,0507
Score MMRAgent 2 (organisation)0,0357
Citation F1Agent 1 (autorité)0,0192
Score NDCGAgent 2 (organisation)0,015
Redondance sémantiqueAgent 2 (organisation)0,015

Le score final vaut 0,92 × cette moyenne de contenu + 0,08 × le score de fraîcheur (agent 6, qui analyse les dates, le vocabulaire temporel et la récence des références). Un plafond s'applique ensuite aux textes courts : 35 en dessous de 100 mots, 50 en dessous de 200 mots, 65 en dessous de 300 mots.

La part effective de chaque critère dans le score

En regroupant les sous-mesures par agent, la répartition effective du score est la suivante.

CritèrePart du score GEO
Richesse sémantique (agent 3)52,8 %
Citabilité (agent 5)31,4 %
Fraîcheur (agent 6)8 %
Organisation du contenu (agent 2)6,0 %
Autorité (agent 1)1,8 %
Naturalité (agent 4)0 % (affichée à part)

Chaque agent calcule aussi sa propre note, affichée par critère dans l'interface. Cette note dépend de poids internes à l'agent, décrits dans les sections suivantes. Le score GEO, lui, n'utilise pas ces notes par critère : il reprend directement les onze sous-mesures du tableau ci-dessus.

Le classement public ajoute deux règles et une moyenne par domaine

Le classement public applique la même formule, avec deux ajustements. Les pages de liste ou de catégorie (hors page d'accueil du site) sont plafonnées à 70. Les contenus éditoriaux longs reçoivent un bonus de profondeur : +1,5 au-delà de 1 000 mots, +3 au-delà de 1 500 mots, +5 au-delà de 2 000 mots. Le classement des domaines utilise une moyenne bayésienne (valeur a priori 50, poids k = 5), qui évite qu'un domaine avec une seule page bien notée passe devant un domaine évalué sur de nombreuses pages.


L'agent 1 évalue l'autorité du contenu à travers les citations et les sources

L'agent 1 (Autorité et citations) mesure la crédibilité factuelle du contenu. Sa note par critère combine trois composantes : le Citation F1 Score (40 %), l'optimisation questions-réponses (35 %) et l'autorité des citations (25 %). Seul le Citation F1 entre dans le score GEO, avec un poids de 0,0192.

Le Citation F1 Score combine précision et rappel. La précision mesure la part de citations valides parmi les citations présentes. Le rappel mesure la proportion d'affirmations factuelles qui possèdent une source. Un article contenant 10 affirmations factuelles dont 4 sont sourcées obtient un rappel de 40 %.

L'autorité des citations classe chaque source par type. Les sources académiques reçoivent un poids de 0,95, les cabinets d'études comme Gartner ou McKinsey 0,92, les organismes publics 0,90, les médias 0,70 et les sites commerciaux comme Google ou Microsoft 0,60. Ces poids servent à la note de l'agent 1 et n'interviennent pas dans le score GEO.


L'agent 4 détecte les tournures typiques des modèles de langage grâce au projet slop-score

L'agent 4 (Naturalité) repose sur le projet open source slop-score de Samuel Paech. Sa note est affichée comme un indicateur séparé : elle n'entre pas dans le score GEO. Une note de 100 correspond à un texte sans marqueur détecté, une note basse à un texte chargé de tournures fréquentes dans les productions des modèles de langage.

Quatre familles de marqueurs alimentent la détection :

  • les mots surreprésentés dans les textes générés (50 % de la note), avec une liste propre au français et une liste propre à l'anglais ; certains mots comptent toujours, d'autres seulement lorsqu'ils apparaissent groupés
  • les constructions de contraste du type "Ce n'est pas X mais Y" ou "Not just X, it's Y" (20 %)
  • les suites de trois mots typiques, comme "il est important" ou "make informed decisions" (15 %)
  • les marqueurs de mise en forme, comme l'abus de listes à puces ou de gras (15 %)

La présence de marqueurs d'expertise humaine (statistiques datées, références, termes techniques) réduit la pénalité, dans la limite de la moitié de celle-ci.


L'agent 5 mesure huit composantes de citabilité inspirées du papier GEO de 2023

L'agent 5 (Citabilité) évalue si le texte se prête à être repris tel quel dans une réponse générée. Huit composantes alimentent sa note par critère, inspirées du papier "GEO: Generative Engine Optimization" d'Aggarwal et al., publié sur arXiv en 2023 puis à KDD 2024. Quatre d'entre elles entrent directement dans le score GEO : la densité de phrases citables, la densité d'entités, l'autonomie des paragraphes et la densité de statistiques.

La composante Answer First (25 % de la note de l'agent 5) vérifie si chaque paragraphe commence par un fait, une définition ou une réponse. Un paragraphe dont la première phrase correspond à un motif de réponse directe obtient 100, un paragraphe qui s'ouvre sur une formule d'attente ("Avant de...", "Dans cet article...") obtient 0, les autres obtiennent 70.

La composante Densité de statistiques (19 %) mesure la présence de données chiffrées. Elle atteint 100 à partir de 1,5 statistique pour 100 mots.

La composante Autonomie des paragraphes (16 %) vérifie que chaque paragraphe reste compréhensible une fois extrait. Un paragraphe qui commence par un pronom renvoyant au contexte précédent ("Cela permet", "This is") obtient 20 ; un paragraphe qui commence par un sujet explicite obtient 100.

La note de l'agent 5 combine moyenne pondérée et bonus

La note de l'agent 5 part de la moyenne pondérée des huit composantes. Lorsque les trois meilleures composantes sont élevées, cette moyenne est rapprochée de leur moyenne. Un bonus s'ajoute lorsque plusieurs composantes atteignent des valeurs hautes, et un plafond s'applique aux textes courts. Ces règles concernent la note affichée pour la citabilité, pas le score GEO.


Les agents 2 et 3 mesurent la structure et la profondeur sémantique

L'agent 2 (Organisation du contenu) utilise deux algorithmes de classement : le NDCG (Normalized Discounted Cumulative Gain) et le MMR (Maximal Marginal Relevance). Le NDCG évalue si les sections les plus pertinentes apparaissent en premier. Le MMR mesure l'équilibre entre pertinence et diversité, en pénalisant la redondance entre sections. Avec la redondance sémantique, ces mesures représentent 6,0 % du score GEO.

L'agent 3 (Richesse sémantique) mesure la densité informationnelle du texte. L'entropie de Shannon quantifie la diversité du vocabulaire. La divergence de Jensen-Shannon mesure la cohérence entre le titre et le contenu. Les indicateurs de diversité lexicale TTR et MTLD alimentent la densité d'information. Avec 52,8 % du score GEO, l'agent 3 est le critère le plus lourd : des informations variées et précises font davantage progresser le score qu'un ajout de sources ou une réorganisation des sections.


Le score est calculé par des règles, et par un modèle de langage dans le compte

L'analyse gratuite, l'outil public et le serveur MCP public calculent le score uniquement avec des règles : expressions régulières et statistiques sur le texte, sans modèle de langage. Le calcul est déterministe : un même texte obtient toujours le même score.

Le score affiché dans un compte Citead est hybride. Un modèle de langage, réglé à une température de 0,1, note aussi les critères d'autorité, d'organisation, de richesse sémantique et de citabilité. Sa note est retenue seulement dans une marge autour de la valeur calculée par les règles. La naturalité reste calculée à 100 % par les règles. Le score du compte peut donc varier légèrement d'une analyse à l'autre pour un même texte.


Sources

  1. 1.GEO: Generative Engine Optimization, Aggarwal et al., Princeton (2023)
  2. 2.slop-score, Samuel Paech (2024)
  3. 3.Scoring Without the Engine: Validating a Deterministic, Manipulation-Resistant Content Score for Generative Engines, End to End, Bajemon, Rochet (2026)

FAQ

Questions fréquentes

Le GEO scoring remplace-t-il le SEO traditionnel?

Le GEO scoring ne remplace pas le SEO. Le SEO vise les resultats classiques de Google, tandis que le GEO cible les encarts IA (AI Overviews, ChatGPT Search, Perplexity). Les deux disciplines se completent : un contenu bien structure pour le SEO performe aussi mieux en GEO selon BrightEdge (2025).

Quel score GEO minimum faut-il viser pour etre cite par les IA?

DataGEO recommande un score minimum de 75/100. Les analyses internes montrent que les contenus scorant au-dessus de 75 obtiennent 2.8 fois plus de citations dans les reponses IA que ceux en dessous de 50 (DataGEO Research, 2026).

Comment fonctionne la detection de contenu IA dans l'agent 4?

L'agent 4 utilise le projet open-source slop-score de Samuel Paech (2024). Le systeme compare la frequence d'apparition de 1 781 patterns (mots, trigrams, constructions de contraste) entre les textes IA et les textes humains. Un score de 100 signifie un texte parfaitement humain, 0 un texte typiquement IA.

Les cinq agents utilisent-ils des LLM pour le scoring?

Trois agents sur cinq (agents 1, 3, 4) sont purement statistiques et ne font aucun appel LLM. L'agent 2 utilise un mode hybride combinant algorithmes mathematiques et comprehension semantique LLM. L'agent 5 est entierement deterministe avec huit calculateurs statistiques (DataGEO Research, 2026).

Le scoring GEO fonctionne-t-il en plusieurs langues?

Le scoring GEO de DataGEO supporte le francais et l'anglais. L'agent 4 maintient des listes de slop words distinctes pour chaque langue (132 mots FR, 1 649 patterns EN). Les agents statistiques (1, 3, 5) s'adaptent automatiquement a la langue detectee dans le contenu.

Comment le papier Princeton influence-t-il le scoring GEO?

Le papier "GEO: Generative Engine Optimization" d'Aggarwal et al. (Princeton, 2023) a identifie neuf strategies d'optimisation. DataGEO a integre ces strategies dans l'agent 5, notamment les composants Answer First, Statistic Density et Self-Containment. Le papier a demontre que l'ajout de statistiques augmente la visibilite dans les reponses generatives de 22%. ---

Quel score GEO faut-il viser pour être cité par les IA?

Aucun score ne garantit une citation. Le papier de l'équipe (Bajemon et Rochet, 2026) conclut que le score ne prédit pas quelle page sera citée. Le score sert à comparer plusieurs versions d'une même page et à repérer les sous-mesures faibles, en priorité la richesse sémantique et la citabilité, qui pèsent ensemble plus de 84 % du score.

Comment le papier de Princeton influence-t-il le scoring GEO?

Le papier "GEO: Generative Engine Optimization" d'Aggarwal et al. (2023, publié à KDD 2024) a testé neuf méthodes d'optimisation, dont l'ajout de citations, de statistiques et de sources, et a observé un gain de visibilité sur les moteurs génératifs de son banc d'essai. Citead s'en est inspiré pour plusieurs composantes de l'agent 5. Le papier de l'équipe (Bajemon et Rochet, 2026) a testé ces trois leviers sur dix familles de moteurs actuels : aucun ne déplace la citation de façon mesurable. C'est pourquoi le score est présenté comme un indicateur de qualité rédactionnelle. ---

À lire ensuite

Testez une page et voyez quoi corriger en premier

L'analyse prend en général moins de 10 secondes et ne demande pas de compte.

520 000+ pages notées dans le benchmark public