Par l'équipe Citead | Mis à jour le 23 septembre 2026

Les LLM sélectionnent leurs sources selon des critères mathématiques précis

En bref : ChatGPT, Gemini, Perplexity et Google AI Overviews associent un moteur de recherche documentaire et un modèle de langage. Cette architecture, la génération augmentée par récupération (RAG), a été formalisée par Lewis et al. en 2020. Les passages sont d'abord retrouvés par similarité sémantique, puis reclassés, puis synthétisés avec des citations. Ces citations restent imparfaites : dans l'audit de quatre moteurs génératifs mené par Liu, Zhang et Liang (2023), seules 51,5 % des phrases générées étaient entièrement étayées par leurs sources.

Points clés

• La RAG relie un modèle de langage à un index de documents interrogé au moment de la question (Lewis et al., 2020).
• La recherche dense par embeddings dépasse BM25 de 9 à 19 points de précision sur les 20 premiers passages retrouvés, dans les benchmarks de questions-réponses de Karpukhin et al. (2020).
• Un reclassement par un modèle BERT a amélioré de 27 % (relatif) le meilleur résultat publié sur MS MARCO (Nogueira et Cho, 2019).
• Les modèles exploitent mieux une information placée au début ou à la fin de leur contexte qu'au milieu (Liu et al., 2023).
• Google indique qu'aucune optimisation particulière n'est requise pour AI Overviews : la page doit être indexée et éligible à un extrait (Google Search Central).

---

Qu'est-ce que la génération augmentée par récupération ?

La génération augmentée par récupération (RAG, pour Retrieval-Augmented Generation) désigne un modèle de langage qui consulte un corpus externe avant de répondre. Dans l'article fondateur, Lewis et al. (2020) combinent une mémoire paramétrique, un modèle seq2seq pré-entraîné, et une mémoire non paramétrique, un index vectoriel dense de Wikipédia interrogé par un retriever neuronal. Leur système établit l'état de l'art sur trois tâches de questions-réponses en domaine ouvert.

La synthèse de Gao et al. (2023) résume l'intérêt de cette approche : les modèles seuls souffrent d'hallucinations, de connaissances datées et d'un raisonnement difficile à tracer ; la récupération de documents externes améliore la précision et la crédibilité des réponses sur les tâches qui demandent des connaissances factuelles, et permet de mettre ces connaissances à jour sans réentraîner le modèle.

Les moteurs grand public appliquent ce principe à l'échelle du web. OpenAI documente un robot dédié, OAI-SearchBot, qui sert à faire apparaître des sites dans les résultats de recherche de ChatGPT. Google précise que AI Overviews et AI Mode peuvent recourir à une technique de « query fan-out » : plusieurs recherches liées sont lancées sur des sous-thèmes et des sources de données différentes pour construire la réponse.

Étape 1 : la pertinence sémantique par les embeddings

La première sélection repose sur la proximité de sens entre la question et chaque passage. Question et passages sont convertis en vecteurs, les embeddings, et la similarité cosinus mesure l'angle entre ces vecteurs : plus l'angle est faible, plus le passage est jugé pertinent.

Deux travaux ont rendu cette méthode praticable. Reimers et Gurevych (2019) ont adapté BERT pour produire des embeddings de phrases comparables par similarité cosinus : trouver la paire la plus proche dans un ensemble de 10 000 phrases passe d'environ 65 heures avec BERT à environ 5 secondes avec leur modèle, Sentence-BERT. Karpukhin et al. (2020) ont montré qu'un retriever dense entraîné sur un petit nombre de questions et de passages dépasse un système Lucene-BM25 de 9 à 19 points absolus de précision sur les 20 premiers passages.

Conséquence pour un rédacteur : la sélection se joue au niveau du passage, pas de la page. Un paragraphe qui nomme explicitement son sujet et répond à une question précise a plus de chances d'être rapproché de cette question qu'un paragraphe qui renvoie au contexte des sections précédentes.

Étape 2 : le reclassement des passages

La recherche vectorielle est rapide mais approximative. Les systèmes ajoutent donc une étape de reclassement : un modèle plus coûteux lit la question et chaque passage ensemble, au lieu de comparer deux vecteurs calculés séparément. Nogueira et Cho (2019) ont appliqué BERT à ce reclassement ; leur système a pris la première place du classement MS MARCO, avec un gain relatif de 27 % sur la métrique MRR@10 par rapport au meilleur résultat antérieur. Seuls les passages les mieux reclassés sont ensuite transmis au modèle qui rédige la réponse.

Étape 3 : la synthèse, et pourquoi la position compte

Le modèle de langage reçoit les passages retenus et rédige sa réponse. Tous les passages ne sont pas exploités de la même façon. Liu et al. (2023) ont mesuré que les performances sont souvent maximales quand l'information utile se trouve au début ou à la fin du contexte, et qu'elles se dégradent nettement quand le modèle doit aller la chercher au milieu, y compris pour des modèles conçus pour les contextes longs.

À l'échelle d'une page, la leçon rejoint une règle éditoriale connue : donner la réponse dans la première phrase de la section, puis le détail.

Étape 4 : l'attribution des sources

Une fois la réponse rédigée, le moteur l'accompagne de citations. Leur qualité est mesurable. Liu, Zhang et Liang (2023) ont audité quatre moteurs génératifs (Bing Chat, NeevaAI, perplexity.ai et YouChat) : en moyenne, 51,5 % des phrases générées étaient entièrement étayées par leurs citations, et 74,5 % des citations soutenaient réellement la phrase à laquelle elles étaient associées.

Une page dont chaque affirmation chiffrée est déjà rattachée à sa source réduit la part d'interprétation laissée au moteur au moment de citer.

Autorité et fraîcheur : ce qui est documenté

Aucun moteur de réponse ne publie de score d'autorité. Google écrit dans sa documentation sur le contenu utile et fiable que ses systèmes identifient un ensemble de facteurs liés à l'expérience, l'expertise, l'autorité et la fiabilité (E-E-A-T), tout en précisant que E-E-A-T n'est pas en soi un facteur de classement.

Les mesures externes vont dans le même sens. Chen, Wang, Chen et Koudas (2025) ont comparé les sources citées par ChatGPT, Perplexity et Gemini à celles de Google, sur plusieurs secteurs et plusieurs langues. Les moteurs IA montrent un biais systématique en faveur des médias tiers face au contenu publié par les marques elles-mêmes, et diffèrent entre eux sur la diversité des domaines cités, la fraîcheur des sources et la sensibilité à la formulation de la question.

Comparaison des moteurs : ce que disent leurs éditeurs et les études

Ce que ces mécanismes changent pour une page

Chacune des étapes décrites se traduit par une règle d'écriture vérifiable :

• Une question par section, réponse en première phrase. La récupération opère au niveau du passage, et le modèle exploite mieux ce qui est placé en tête.
• Le vocabulaire exact du sujet. Les embeddings rapprochent des sens ; un passage qui nomme les concepts attendus est plus proche de la question.
• Chaque chiffre avec sa source et son lien. Les citations des moteurs sont imparfaites ; une attribution explicite limite les erreurs.
• Une présence hors de votre site. La préférence des moteurs IA pour les médias tiers ne se compense pas par le seul contenu de marque.
• Une page indexée et éligible à un extrait. C'est la seule condition technique que Google pose pour AI Overviews.

Pour aller plus loin, notre guide du GEO pour les entreprises détaille la démarche complète.

---