En bref. L’ancrage relie les réponses d’un modèle à des sources vérifiables : la récupération fournit le contexte et les citations relient les passages de la réponse aux éléments qui les étayent.

Définition : L’ancrage relie la réponse d’un modèle d’IA à des sources d’information vérifiables. Ces sources étayent la réponse et peuvent comprendre des résultats de recherche web ou des documents d’une organisation, comme l’explique la présentation de l’ancrage de Google Cloud.

Points clés

Au 17 octobre 2026, la présentation de l’ancrage de Google Cloud décrit cette technique comme un moyen de réduire les contenus inventés et de fournir des liens permettant de vérifier les réponses.
La documentation de l’API Gemini décrit un processus de recherche dans lequel le modèle décide si une recherche peut améliorer une réponse, puis produit des requêtes si nécessaire.
La présentation de RAG Engine de Google Cloud décrit l’ajout d’informations récupérées à la requête de l’utilisateur pour fournir un contexte à la génération d’une réponse.
Pour qu’une page soit admissible comme lien à l’appui d’une réponse dans AI Overviews ou AI Mode, la documentation de Google sur les fonctionnalités d’IA exige qu’elle soit indexée et admissible à l’affichage d’un extrait, c’est-à-dire la description ou le résumé d’un résultat de recherche.

Comment fonctionne l’ancrage ?

Dans le processus de recherche documenté par Google, une application active l’outil google_search lorsqu’elle envoie un prompt à l’API Gemini. Le modèle analyse le prompt, lance des recherches si nécessaire et traite les résultats pour formuler une réponse. Une réponse correctement ancrée comporte des annotations de citation qui relient des passages de la réponse à leurs sources.

Le fragment de configuration suivant correspond au paramétrage de l’outil dans l’exemple de Google :

{"tools": [{"type": "google_search"}]}

Ce fragment s’insère dans une requête API. Il montre comment une application active une source d’information pour le modèle. La documentation de Google décrit aussi des étapes google_search_call, qui contiennent les requêtes exécutées, et des étapes google_search_result, qui contiennent des suggestions de recherche destinées à l’affichage.

L’ancrage fonctionne également avec des données extérieures à la recherche sur le web public. La présentation de l’ancrage de Google décrit des connexions aux données de sites web et aux documents stockés via Agent Search, ainsi qu’à des sources de données externes via une API de recherche.

Quel est le lien entre l’ancrage, le RAG et les citations ?

La génération augmentée par récupération (retrieval-augmented generation, RAG) fournit des informations récupérées comme contexte lorsqu’un modèle produit une réponse. Dans la description de RAG Engine de Google, la phase de récupération recherche dans une base de connaissances les informations pertinentes pour la requête. La phase de génération utilise ces informations avec la requête d’origine. La présentation de l’ancrage de Google répertorie le RAG parmi les méthodes permettant de relier un modèle aux données d’un site web ou à des documents.

Les citations rendent visible le lien avec les sources. Dans le format de réponse de l’API Gemini, une annotation url_citation associe l’URL d’une source à un segment de texte de la réponse délimité par start_index et end_index. Cela fournit une base concrète pour vérifier quelle source étaye un passage donné. La vérification consiste à comparer l’affirmation annotée avec la source liée.

Que change l’ancrage pour un site web ?

Pour les propriétaires de sites web, la documentation de Google sur les fonctionnalités d’IA précise les conditions d’accès à AI Overviews et à AI Mode. Une page doit être indexée et admissible à l’affichage d’un extrait. Google recommande d’autoriser l’exploration dans robots.txt et au niveau de l’infrastructure d’hébergement, et de rendre les contenus importants disponibles sous forme de texte.

La même documentation indique que ces fonctionnalités ne nécessitent aucune donnée structurée schema.org particulière. Les données structurées existantes doivent correspondre au texte visible. Google présente également l’outil d’inspection d’URL comme un moyen de consulter le code HTML reçu par Googlebot lors de l’exploration d’une page.

Termes associés

Questions fréquentes

L’activation de la recherche déclenche-t-elle une recherche pour chaque prompt ?

Dans le processus de l’API Gemini, le modèle détermine d’abord si une recherche Google peut améliorer la réponse. Il produit et exécute des requêtes lorsque c’est nécessaire.

L’ancrage peut-il utiliser des documents de mon organisation ?

Oui. La présentation de l’ancrage de Google décrit l’utilisation du RAG pour relier un modèle à des ensembles de documents stockés dans Agent Search.

Comment examiner les sources d’une réponse ancrée ?

Dans une réponse de l’API Gemini, vous pouvez examiner les annotations url_citation pour retrouver les URL des sources et les segments de texte associés. Ouvrez la source liée et comparez-la à l’affirmation contenue dans la réponse.

Sources

Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO

Ancrage (grounding)