Le RAG : comment un moteur IA va chercher vos pages avant de répondre

C'est le mécanisme qu'il faut comprendre avant tout le reste. La plupart des recommandations GEO qui circulent en découlent directement, et beaucoup de fausses intuitions viennent de ce qu'on imagine un modèle qui « connaît » un site, alors qu'il le découvre au moment de répondre.

Le mécanisme en quatre étapes

Le détail qui change tout est à l'étape 2 : la récupération travaille sur des passages, pas sur des pages. Un document est découpé en fragments de quelques centaines de mots, chacun indexé séparément. Le moteur retrouve les fragments dont le sens est le plus proche de la question, et le modèle ne voit que ceux-là. Il ne lit ni votre menu, ni votre pied de page, ni les autres sections de la page. Voir le chunking et l'écriture par passages.

RAG, grounding, entraînement : trois choses différentes

Ces trois mots sont utilisés de façon interchangeable dans les contenus GEO, à tort. Ils décrivent des moments distincts.

Cette distinction a une conséquence pratique immédiate sur le réglage des crawlers IA : bloquer les robots d'entraînement n'empêche pas d'être retrouvé au moment de la réponse, bloquer les robots de récupération si.

Elle explique aussi une confusion fréquente. Un modèle non ancré qui « cite » une source produit souvent une référence mémorisée, parfois inexacte, parfois inventée. Une citation avec lien cliquable vient presque toujours d'une récupération réelle.

Six conséquences concrètes pour un éditeur

1. Le SEO reste le socle. La récupération s'appuie sur des index de recherche. C'est l'argument de Lily Ray dans le rapport Similarweb : si la visibilité organique baisse, la visibilité IA suit. Ce n'est pas une opinion, c'est une conséquence de l'architecture. Voir GEO et SEO.
2. Mais bien se classer ne suffit plus. Ahrefs mesure 37,9 % de citations issues du top 10, 31,2 % des positions 11 à 100 et 31,0 % de pages hors du top 100. La récupération sémantique va chercher des passages que le classement ne remonte pas.
3. Écrivez des passages autonomes. Un fragment qui commence par « comme on l'a vu plus haut » ne veut rien dire hors contexte. Chaque section doit se tenir seule, avec son sujet nommé explicitement plutôt qu'en pronom.
4. Le contenu doit être dans le HTML. Ce qui est injecté par JavaScript après chargement n'est pas garanti d'être vu par un robot de récupération. C'est la limite que l'analyseur d'URL signale en premier.
5. Un ensemble de pages bat une page isolée. Quand le moteur éclate une question en sous-requêtes (le query fan-out), il faut une page pour chacune. C'est le raisonnement des clusters thématiques, et ce que mesure l'étude EcoGEO.
6. La fraîcheur redevient un signal fort. Le RAG existe précisément pour donner accès à ce que l'entraînement ignore. Une page datée, avec une date visible et balisée, est plus facile à préférer qu'une page sans repère temporel.

Ce que le RAG ne garantit pas

• Il ne supprime pas les erreurs. Le modèle peut mal résumer un passage correct, ou attribuer à une source un propos voisin. C'est le cas du site documenté par The Verge, où un classement inventé s'est retrouvé repris en moins de 24 heures.
• Il ne rend pas la citation prévisible. La volatilité des sources d'une semaine à l'autre est mesurée : voir le citation drift.
• Il n'est pas identique d'un moteur à l'autre. Perplexity maintient son propre index, Gemini décide requête par requête s'il va chercher le web, les AI Overviews s'appuient sur l'index Google. Voir les fiches par moteur dans la rubrique comment chaque moteur choisit ses sources.
• Le détail des implémentations n'est pas public. Aucun éditeur ne publie sa méthode de découpage, son modèle d'embedding ni ses règles de reclassement. Tout ce qui circule à ce sujet, y compris sur cette page, relève de l'inférence à partir de comportements observés.