Faut-il connaître la technique RAG pour piloter une stratégie GEO ?

Non. Il suffit de comprendre que le LLM reçoit des passages (chunks), pas des pages, et qu'il les sélectionne par pertinence sémantique. Le reste (embeddings, distances vectorielles) est de l'implémentation technique. Ce lexique couvre le niveau de compréhension utile à un décideur.

Pourquoi mon contenu n'apparaît-il pas dans Perplexity alors qu'il est bien indexé par Google ?

Parce que Perplexity dispose de son propre index, indépendant de Google. Un contenu bien classé dans Google peut ne pas être dans l'index de Perplexity si son crawler n'a pas encore exploré la page, ou si le contenu n'a pas été jugé suffisamment pertinent pour les requêtes en question. Vérifiez que PerplexityBot est autorisé dans votre robots.txt et que le contenu est suffisamment dense pour passer le retrieval.

Quelle est la différence entre un moteur de recherche classique et un LLM search-enabled ?

Un moteur de recherche classe des pages et retourne des liens. Un LLM search-enabled extrait des passages de ces pages et génère une réponse synthétisée, en citant éventuellement ses sources. L'unité de résultat n'est pas la page mais la réponse construite à partir de passages. C'est pourquoi être bien classé dans Google ne garantit pas d'être cité par un LLM.

Le lexique RAG pour les équipes marketing : comprendre l'IA sans être ingénieur

Le vocabulaire technique de l’IA peut rapidement bloquer une conversation entre équipes marketing et équipes tech. Ce lexique traduit les 15 concepts les plus importants pour comprendre comment fonctionnent les LLMs, et pourquoi ils citent certains contenus plutôt que d’autres.

RAG (Retrieval-Augmented Generation)

L’architecture sur laquelle reposent la plupart des moteurs IA search-enabled. Elle combine deux étapes distinctes :

Retrieval : le système récupère les passages les plus pertinents depuis un index.
Generation : le LLM génère une réponse à partir de ces passages.

Formalisée par Lewis et al. (Facebook AI Research, NeurIPS 2020). La plupart des moteurs IA modernes (Perplexity, ChatGPT avec web search, Claude avec web search) en sont des variantes.

Ce que ça signifie pour le GEO : votre contenu doit passer deux filtres successifs : d’abord être sélectionné lors du retrieval (pertinence sémantique), ensuite être utilisé lors de la generation (fiabilité et densité). Optimiser uniquement pour l’un des deux est insuffisant.

Le pipeline RAG en quatre étapes : chunking de la page, sélection du passage pertinent (retrieval), génération par le LLM, réponse finale avec citation de la source.

Retrieval

La phase de récupération dans RAG. Le système interroge un index et sélectionne les X chunks les plus proches sémantiquement de la requête. C’est ici que se joue la compétition entre votre contenu et celui des autres sources.

Mécanisme : chaque chunk est représenté par un vecteur numérique (embedding). La distance entre le vecteur de la requête et le vecteur du chunk mesure leur proximité sémantique.

Ce que ça signifie : la pertinence sémantique, pas la popularité, détermine la sélection. Un contenu spécialisé et précis peut battre un domaine à forte autorité si ses passages répondent mieux à la requête.

Generation

La phase de production de la réponse dans RAG. Le LLM reçoit les chunks sélectionnés par le retrieval et génère une réponse cohérente à partir de ces éléments.

Ce que ça signifie : si votre passage est sélectionné mais mal structuré, le LLM peut le paraphraser incorrectement ou l’ignorer en faveur d’un passage concurrent plus exploitable. La densité factuelle et la structure de votre chunk influencent la qualité de la citation générée.

Chunk

Segment de texte extrait d’une page lors de l’indexation. La page entière n’est pas transmise au LLM : elle est découpée en chunks de 200 à 800 tokens (environ 150 à 600 mots). C’est l’unité réelle d’évaluation.

Implications concrètes :

Un article de 3 000 mots produit environ 5 à 15 chunks.
Un chunk peut coïncider avec un paragraphe, une section, ou couper en milieu de phrase selon la logique de découpage.
Le titre H2 qui précède un paragraphe est souvent inclus dans le même chunk, ce qui renforce le signal sémantique.

Ce que ça signifie : optimisez chaque section (H2 + contenu) comme une unité autonome, pas l’article en entier.

Embedding

Représentation numérique d’un texte dans un espace mathématique de haute dimension (typiquement 768 à 4 096 dimensions). Deux textes sémantiquement proches ont des embeddings proches dans cet espace.

Exemple simple : les phrases “comment rendre mon contenu citable par ChatGPT” et “optimiser ses articles pour être mentionné dans les IA” auront des embeddings proches, même si elles ne partagent aucun mot-clé en commun.

Ce que ça signifie : le retrieval fonctionne sur le sens, pas sur les mots exacts. Vous n’avez pas besoin de répéter les mots-clés. Vous avez besoin que vos passages traitent le même sens que les requêtes de vos prospects.

Context window

Quantité maximale de texte qu’un modèle peut traiter en une seule fois, mesurée en tokens. Exemples : GPT-4 Turbo : 128 000 tokens (environ 96 000 mots). Claude Opus 4 : 200 000 tokens. Gemini 1.5 Pro : 1 million de tokens.

Idée reçue à corriger : une grande context window ne signifie pas que le LLM lit tout votre site. Elle signifie que le modèle peut traiter plus de chunks transmis lors du retrieval. Le goulot d’étranglement reste la phase de sélection des chunks, pas la capacité de traitement.

Index propriétaire

Base de données maintenue par un moteur IA, construite à partir de son propre crawler. Perplexity dispose d’un index propriétaire indépendant de Google et de Bing. Être bien classé dans Google ne garantit pas d’être dans l’index de Perplexity.

Vérification : autorisez PerplexityBot dans votre robots.txt et utilisez un outil comme Otterly pour surveiller si votre contenu est effectivement récupéré.

Ce lexique couvre exclusivement la mécanique RAG : les concepts nécessaires pour comprendre comment un LLM sélectionne et utilise vos contenus. Pour les termes GEO, SEO et marketing IA au sens large (citabilité, visibilité IA, monitoring GEO, schema.org, etc.), consultez le glossaire GEO complet.

Pour mettre en pratique ces concepts sur vos contenus stratégiques, notre accompagnement GEO vous guide pas à pas. Ou commencez par un audit GEO pour identifier les passages qui ne passent pas le retrieval.