Comment les LLMs décident quoi citer : la logique de sélection expliquée aux équipes marketing

La vraie question que posent les équipes marketing

Il y a une conversation qui revient dans presque chaque appel de découverte : « Nous avons tapé notre requête principale dans ChatGPT, et notre concurrent est cité. Nous, non. Pourquoi ? »

Ce n’est pas une question technique. C’est une question stratégique. Et pour y répondre de façon opérationnelle, il faut comprendre ce que les IA cherchent, en termes de contenu, pas en termes d’infrastructure.

Cet article explique la logique de sélection pour les équipes qui écrivent et éditent du contenu, pas pour les développeurs. Pour ceux qui veulent comprendre la mécanique sous-jacente (RAG, index d’entraînement, architecture de retrieval), notre pilier technique Comment les LLMs choisissent leurs sources couvre ce niveau de détail.

Deux modes qui changent votre stratégie

Les IA opèrent selon deux modes distincts, et les confondre mène à de mauvaises décisions.

Le premier est la mémoire d’entraînement. Quand un LLM répond sans accès internet, il puise dans ce qu’il a appris lors de sa phase d’entraînement, des milliards de pages web, d’articles, de forums et de documents indexés jusqu’à une date de coupure. Si votre contenu existait et était cité ailleurs avant cette coupure, vous êtes dans sa mémoire. Si vous n’y étiez pas, vous n’existez pas pour ce mode.

Le second est la récupération en temps réel. Des outils comme Perplexity, ChatGPT avec navigation activée ou Google Gemini avec Search peuvent aller chercher des pages au moment de la requête. Ce mécanisme de Retrieval-Augmented Generation a été formalisé par Lewis et al. (arXiv:2005.11401) et approfondi par Gao et al. (arXiv:2312.10997). Pour ce mode, ce qui compte est que votre page soit accessible, récente et structurée de façon extractible.

Ce que cela change concrètement : pour la mémoire d’entraînement, vous misez sur l’autorité construite dans le temps (présence presse, citations sectorielles, contenus durables). Pour la récupération temps réel, vous misez sur la fraîcheur et la structure de la page elle-même.

Ce que les IA cherchent, en langage marketing

Oubliez les crawlers et les embeddings. Voici ce qu’une IA évalue, reformulé pour une équipe éditoriale.

Peut-elle extraire un passage autonome ? Le modèle cherche un fragment qui répond à la question sans avoir besoin du reste de l’article. Un paragraphe qui dit « comme nous l’expliquons en introduction » est inutilisable. Un paragraphe qui contient sa propre réponse et au moins un fait précis est extractible.

Y a-t-il une affirmation précise à citer ? Une phrase vague (« notre solution améliore la performance ») ne donne rien à reproduire. Une phrase précise (« les entreprises qui restructurent leur contenu avant publication réduisent leur cycle éditorial de revue ») est citable parce qu’elle contient une affirmation délimitée.

La réponse est-elle sans ambiguïté ? Si deux lectures du même paragraphe sont possibles, le modèle choisit la source plus claire. L’ambiguïté augmente le risque d’erreur perçue pour le modèle, ce qu’il évite.

Trois leviers actionnables dès cette semaine

Ces trois ajustements ne nécessitent pas de refonte. Ils peuvent être appliqués sur les articles existants dès les prochains jours.

1. Des H2 qui répondent, pas qui annoncent. « Pourquoi la FAQ structure le contenu pour les LLMs » est un titre-réponse. « La FAQ et les LLMs » est un titre-annonce. Le premier indique à l’IA le contenu exact de la section. Le second ne dit rien. Relisez vos H2 en vous demandant : est-ce qu’un lecteur sait ce qu’il va lire sans lire la section ?

2. Un fait par paragraphe. Un chiffre, un nom d’organisation, une date, une définition précise. Pas nécessairement une statistique externe : un fait interne sourcé (exemple : « dans 7 cas sur 10 parmi les briefs analysés sur ce type de configuration ») vaut mieux que rien. Le fait ancre le paragraphe dans le réel et le rend réutilisable.

3. La réponse avant l’explication. La structure journalistique - répondre d’abord, expliquer ensuite - est exactement ce que les LLMs préfèrent extraire. Commencer un paragraphe par « Pour répondre à cette question, il faut comprendre que… » retarde la réponse de deux lignes. Ces deux lignes coûtent des citations.

Ce qu’il ne faut pas faire

Les introductions longues. Une introduction de huit lignes qui contextualise, définit et annonce ce que l’article va dire est du remplissage pur du point de vue d’un LLM. Si vos deux premiers paragraphes ne contiennent pas encore de réponse, ils sont ignorés.

Le jargon sans définition. Un terme technique non défini réduit le périmètre d’extraction. Le modèle préfère une formulation accessible qu’il peut citer à une formulation spécialisée qu’il devrait gloser.

Les affirmations sans attribution. « Les études montrent que… » sans référence n’est pas une affirmation citable. Elle augmente le risque d’erreur pour le modèle. « Selon Gartner (2025)… » est une affirmation que le modèle peut reprendre avec une provenance. Aggarwal et al. (NeurIPS 2024, arXiv:2311.09735) ont mesuré cet effet directement : les contenus intégrant des citations et des statistiques sourcées obtiennent des taux de visibilité mesurément supérieurs dans les moteurs génératifs.

La question du concurrent cité

Revenons à la question initiale. Si votre concurrent est cité et pas vous, il y a généralement une ou plusieurs raisons parmi celles-ci : sa page répond à la question plus directement que la vôtre, ses paragraphes sont plus factuels, ses titres de sections sont plus précis, ou sa marque bénéficie d’une autorité externe plus distribuée (presse, références tierces).

Aucune de ces raisons n’est insurmontable. Toutes sont éditorialement corrigeables. La citabilité n’est pas un privilège réservé aux grandes marques - c’est une discipline que les équipes contenu peuvent apprendre et appliquer.

À retenir

• Les LLMs opèrent selon deux modes : mémoire d’entraînement et récupération temps réel. Les deux demandent des stratégies légèrement différentes.
• Les IA cherchent des fragments autonomes, des affirmations précises et des réponses sans ambiguïté.
• Trois leviers immédiats : H2 qui répondent, un fait par paragraphe, réponse avant explication.
• Les introductions longues, le jargon non défini et les affirmations vagues réduisent la citabilité.
• Pour la mécanique technique complète (RAG, retrieval, architecture), voir notre pilier ressource dédié.