Les deux couches de connaissance d’un LLM
Un grand modèle de langage répond à partir de deux sources bien distinctes. D’abord sa mémoire d’entraînement : ce qu’il a « appris » d’un immense corpus figé à une date donnée. Ensuite, quand il y est connecté, une recherche web en direct : il interroge un index, récupère des pages et en extrait l’information au moment de répondre. Ces deux couches n’obéissent pas aux mêmes leviers.
La mémoire d’entraînement : long terme
On ne modifie pas à la demande ce qu’un modèle a appris : le corpus est figé. Mais chaque nouveau modèle est réentraîné sur un web plus récent. Une présence cohérente et de qualité dans la durée augmente donc la probabilité d’être correctement représenté dans les futurs modèles. C’est un investissement lent, indirect, mais réel — comparable à la construction d’une réputation.
La recherche en direct : là où l’on agit
C’est la couche la plus accessible au GEO, car elle repose sur le web actuel. Quand le modèle cherche, il applique une logique proche d’un moteur : trouver des sources pertinentes, les lire, en extraire des affirmations. Améliorer sa présence dans cet index et la facilité d’extraction de son contenu influence directement ce qui sera repris.
Écrire pour être extrait
Un modèle reprend d’autant mieux une information qu’elle est claire, autonome et attribuable. Quelques principes :
- Énoncer les faits explicitement, sans les noyer dans le sous-entendu.
- Structurer : titres parlants, réponses directes aux questions probables.
- Attribuer clairement les affirmations à la marque ou à une source.
- Lever l’ambiguïté sur les entités (qui, quoi, où).
Rien de tout cela ne se fait au détriment du lecteur : la clarté sert l’humain autant que la machine.
La cohérence, carburant du modèle
Les modèles agrègent l’information de multiples sources. Une marque décrite de façon cohérente partout — même nom, même activité, mêmes faits — est plus facile à représenter sans confusion. Des informations contradictoires à travers le web brouillent au contraire la compréhension et diluent la probabilité d’être cité correctement.
Rester lucide sur les limites
Le LLMO travaille des probabilités, pas des certitudes. Les modèles évoluent, hallucinent parfois, et ne divulguent pas leurs critères. On applique les bonnes pratiques connues en sachant qu’aucune ne garantit une reprise. La rigueur consiste à améliorer les signaux et à mesurer les effets, sans surpromettre.
En résumé
Optimiser pour les LLM, c’est agir sur deux temporalités : la recherche en direct (immédiate, via un bon référencement et un contenu extractible) et la mémoire des futurs modèles (lente, via une présence cohérente et de qualité). Une facette du GEO, complémentaire de l’AEO.