Documentation et IA : comment être cité, et ce que la documentation influence vraiment
Une documentation publique, structurée en passages autonomes qui répondent d'abord, est l'une des sources que les moteurs citent pour expliquer l'usage et l'intégration d'un produit. Cet article est le mode d'emploi.
La citation par une IA n'est pas un coup de chance. Elle obéit à une mécanique précise : votre page est découverte, découpée en passages, appariée à une question, puis un passage devient la réponse. À chaque étape, une décision de rédaction rend votre contenu citable ou invisible. Nous décrivons cette mécanique, puis nous en tirons un cadre de travail en six couches, en distinguant toujours ce qui est documenté, observé, plausible ou inconnu.
Aucune tactique ne garantit une citation, et personne ne peut l'assurer honnêtement. Ce que nous proposons est un ensemble de pratiques cohérentes avec les meilleures données publiques : structurer, écrire des passages autoportants, répondre d'abord, prouver ses affirmations et rester accessible aux machines. L'article ne cite de vraies documentations que comme illustrations non promotionnelles, sur des faits vérifiés.
Le cadre général de rédaction, valable pour tout contenu et pas seulement la documentation, est dans comment être cité par ChatGPT, Claude et Gemini ; cet article ne le refait pas et se concentre sur ce qui est propre à la documentation produit.
L'essentiel en 60 secondes
- Une IA ne cite pas une page, elle cite un passage : votre unité de travail est la section autoportante, pas l'article entier.
- Répondez d'abord : une affirmation directe et spécifique en tête de section donne à l'IA un extrait citable ; un paragraphe qui commence par du flou n'en donne aucun.
- En laboratoire (article GEO, KDD 2024, moteur simulé), citer des sources, ajouter des verbatims ou des statistiques augmente la visibilité d'une source jusqu'à 30 à 40 % ; un banc d'essai plus large de 2025 (C-SEO Bench) juge ces méthodes largement inefficaces.
- Écrivez des passages qui se comprennent seuls : la recherche sur la récupération montre qu'un passage privé de son contexte échoue bien plus souvent à être retrouvé.
- Servez un contenu lisible par les machines : rendu côté serveur, HTML propre ou markdown, spécification d'API, et dates de mise à jour visibles.
Pourquoi une IA cite un passage plutôt qu'un autre
En bref
Pour répondre, un moteur génératif ne lit pas votre page en entier : il la découpe en passages, transforme chacun en vecteur de sens, retrouve les passages les plus proches de la question, puis en synthétise une réponse qu'il peut citer. Comprendre ce découpage explique pourquoi certains passages sont repris et d'autres jamais.
Les systèmes de récupération, au cœur des moteurs génératifs, segmentent les documents en fragments appelés passages ou morceaux. Chaque fragment est indexé séparément. À la question de l'utilisateur, le système ne remonte que les fragments jugés les plus proches, puis les donne au modèle pour rédiger. Un fragment qui, sorti de son contexte, ne veut plus rien dire, ou ne répond pas nettement à une question, a peu de chances d'être retrouvé et encore moins d'être cité.
Google a annoncé dès 2020 le classement par passage : le moteur peut remonter un passage précis enfoui dans une longue page, et non plus seulement la page entière. Google indiquait alors que cette capacité concernait environ 7 % des requêtes, toutes langues confondues. La leçon vaut pour les IA : un passage bien délimité qui répond seul à une question peut être servi indépendamment du reste.
La proximité entre une question et un passage se mesure par le sens, pas par les mots exacts. Question et passage sont projetés dans le même espace vectoriel, et le système retrouve les passages sémantiquement les plus proches. En pratique, un passage formulé avec le vocabulaire et la question de votre lecteur se rapproche de sa requête, donc a plus de chances d'être retrouvé. C'est le fondement des couches de rédaction qui suivent.
Attention
Le découpage n'attend pas votre autorisation. Si vous n'écrivez pas en passages autonomes, le système les fabriquera pour vous, souvent au mauvais endroit, en coupant une idée en deux. Écrire en sections autoportantes, c'est reprendre la main sur ce découpage.
Étude Evocia : AI Sources Index 2026
Mesure Evocia du 14 septembre 2026 sur ChatGPT (API OpenAI avec recherche web, 200 requêtes B2B × 4) : 17 % des citations pointent vers des hôtes de documentation (learn., docs., support., help.), et learn.microsoft.com est le domaine le plus cité du corpus, présent dans 20,5 % des réponses. Détail : Evocia AI Sources Index 2026. La part de la documentation par secteur est sur GEO pour SaaS B2B.
La documentation publique influence-t-elle les recommandations des IA ?
En bref
Indirectement, et surtout sur les requêtes de découverte. Une documentation publique, indexable et à jour est l'une des sources que les moteurs lisent pour comprendre ce qu'un produit fait, à qui il s'adresse et comment il s'intègre. Sur une requête de décision, elle est une source parmi d'autres. Dans l'étude Evocia sur ChatGPT (questions d'achat B2B en français), toutes intentions confondues, 17,0 % des citations vont à la documentation d'un éditeur, 71,8 % à son site, et aucune à un comparateur.
Trois mécanismes distincts sont en jeu, et ils n'ont pas le même poids. Une documentation entre d'abord dans les données d'entraînement des modèles quand elle est publique et explorable, ce qui fixe une connaissance datée du produit. Elle est ensuite consultée en direct par les moteurs qui recherchent sur le web avant de répondre, ce qui suppose qu'elle soit indexée et lisible sans exécution de JavaScript. Elle est enfin lue par des agents, via des protocoles comme MCP ou des descriptions OpenAPI, quand l'utilisateur ne cherche plus un produit mais lui fait exécuter une tâche.
| Type de requête | Ce que le moteur cherche | Poids probable de la documentation |
|---|---|---|
| Découverte : « comment faire X avec un outil » | Une explication claire, une procédure, des limites | Élevé : la documentation est la source la plus directe |
| Comparaison : « X ou Y pour tel besoin » | Des critères de choix | Moyen : la documentation sert à vérifier une capacité, pas à départager |
| Décision : « quel outil choisir pour ma situation » | Des éléments de choix adaptés à la situation décrite | Moyen : sur les questions de décision, la documentation reçoit 18,0 % des citations de ChatGPT et les sites d'éditeurs, hors documentation, 73,9 %, aucun comparateur (les sources de ChatGPT selon l'étape d'achat) |
Lecture Evocia à partir des sources que les moteurs citent le plus sur chaque type de requête. Les poids sont des ordres de grandeur ; la ligne « Décision » reprend la mesure de l'AI Sources Index 2026 sur les seules questions de décision (517 citations).
Une mesure publiée en décembre 2024 (Vercel et MERJ) a constaté que les robots d'IA dédiés n'exécutaient pas le JavaScript : une documentation rendue uniquement côté navigateur leur est invisible, quelle que soit sa qualité.
Le Framework de Documentation GEO
En bref
Le Framework de Documentation GEO empile six couches, de la plus fondamentale à la plus fine : accessible, structurée, autoportante, répondante, prouvée, lisible par machine. Chaque couche est un prérequis de la suivante. Une documentation prouvée et brillamment écrite ne sert à rien si la couche accessible manque. On construit donc de bas en haut.
/\
/6 \ LISIBLE PAR MACHINE
/----\ markdown, OpenAPI, MCP, dates
/ 5 \ PROUVEE
/--------\ statistiques, sources, verbatims
/ 4 \ REPONDANTE
/------------\ reponse d'abord, titres = questions
/ 3 \ AUTOPORTANTE
/----------------\ chaque passage se comprend seul
/ 2 \ STRUCTUREE
/--------------------\ hierarchie claire, une idee/section
/ 1 \ ACCESSIBLE
/________________________\ crawlable, rendu serveur, public| Couche | Ce qu'elle garantit | Question à se poser |
|---|---|---|
| 1. Accessible | La page peut être lue par un robot d'IA | Un robot voit-il le contenu sans exécuter de JavaScript ni franchir un mur ? |
| 2. Structurée | Le découpage en passages tombe au bon endroit | Chaque section traite-t-elle une seule idée, sous un titre explicite ? |
| 3. Autoportante | Un passage isolé reste compréhensible | Cette section se comprend-elle sans avoir lu la précédente ? |
| 4. Répondante | Le passage offre un extrait citable | La première phrase répond-elle directement à une question ? |
| 5. Prouvée | Le passage inspire confiance et se démarque | L'affirmation est-elle appuyée par une donnée, une source ou un exemple ? |
| 6. Lisible par machine | Agents et récupération exploitent la page | Servez-vous du markdown, une spécification, des dates de mise à jour ? |
Les six couches et le test concret de chacune. Une documentation citable les valide dans l'ordre, de bas en haut.
Couche 1 : accessible, ou rien d'autre ne compte
En bref
La première couche est purement technique : si un robot d'IA ne peut pas lire votre page, aucune qualité de rédaction ne la sauvera. Rendez le contenu côté serveur, ne le cachez pas derrière du JavaScript ou une authentification, et n'excluez pas par excès de prudence les robots utiles.
Un piège courant est le rendu côté client : les principaux robots des IA lisent le HTML initial sans exécuter le JavaScript. Une documentation dont le texte n'apparaît qu'après exécution de scripts est vue comme une page vide. Vérifiez toujours ce que voit un robot, c'est-à-dire le HTML brut, pas ce que votre navigateur affiche. Le mécanisme de récupération, robot par robot, est expliqué dans comment fonctionnent les moteurs génératifs.
- Rendu côté serveur ou statique : le contenu doit être présent dans le HTML, sans dépendre du JavaScript.
- Pas de mur : ce qui doit être compris et intégré par une IA est public, sans authentification.
- Robots.txt maîtrisé : autorisez les robots des IA sur la documentation, plutôt que de les bloquer par défaut.
- URL stables et liées : pages présentes dans le sitemap, atteignables par des liens, sans profondeur excessive.
Attention
Cette couche est éliminatoire. Une équipe qui investit dans la rédaction avant d'avoir vérifié l'accessibilité optimise un contenu que personne ne lira. Commencez toujours par ouvrir le HTML brut d'une page de documentation et vérifiez que le texte y est.
Couche 2 : structurée, une idée par section
En bref
La deuxième couche gouverne le découpage. Une hiérarchie de titres claire et le principe d'une seule idée par section font tomber la coupe en passages au bon endroit. Descendez d'un niveau de titre à la fois, ne sautez pas de niveaux, et donnez à chaque section un titre descriptif.
Les systèmes de récupération se servent souvent de la structure du document, titres compris, pour délimiter les passages. Une section qui mêle trois idées sera mal découpée, et aucun de ses fragments ne répondra nettement à une question. À l'inverse, une section qui traite une question et une seule produit un passage propre, cohérent, facile à retrouver et à citer.
| Pratique de structure | Effet sur le découpage |
|---|---|
| Une idée par section | Chaque passage est cohérent et répond à une question |
| Hiérarchie de titres régulière | Le système délimite les passages sans se tromper |
| Titres descriptifs, non allusifs | Le sujet du passage est explicite, même isolé |
| Sections courtes et denses | Le passage tient dans une fenêtre de récupération |
| Listes et tableaux pour l'énumératif | L'information structurée est extraite plus fidèlement |
La structure n'est pas cosmétique : elle décide de la qualité du découpage en passages, donc de la récupérabilité.
À noter
Les guides d'écriture pour les modèles convergent sur ce point : une hiérarchie de titres cohérente, sans saut de niveau, et une terminologie constante pour un même concept aident les modèles à segmenter et à comprendre. Un terme par idée, pas de synonymes flottants.
Couche 3 : autoportante, le principe du passage
En bref
La troisième couche est la plus négligée et la plus décisive : chaque passage doit se comprendre seul. Un paragraphe qui commence par un pronom sans référent, comme il ou cela, ou qui suppose lu le paragraphe précédent, devient inintelligible une fois isolé par le découpage. Nommez le sujet dans chaque passage.
Anthropic a publié en 2024 une méthode, la récupération contextuelle, qui préfixe à chaque passage un court contexte de cinquante à cent mots pour lever cette dépendance. Résultat mesuré : le taux d'échec de récupération baisse de 35 % avec des embeddings contextualisés, de 49 % en ajoutant une recherche lexicale, et de 67 % avec un reclassement. La preuve est nette : un passage privé de son contexte est bien plus souvent introuvable.
Ce qu'Anthropic fait automatiquement à l'ingestion, un bon rédacteur le fait à la source, gratuitement, en écrivant des passages déjà autoportants. Concrètement : rappeler le nom du produit ou de la fonction au lieu d'un pronom, redonner l'unité ou la version quand un chiffre l'exige, éviter les renvois du type comme vu plus haut. Chaque section doit pouvoir être copiée-collée seule et rester exacte.
À retenir
Test de la section isolée : masquez tout le reste de la page et lisez une seule section. Si elle reste claire, exacte et suffisante pour répondre à une question, elle est citable. Sinon, elle sera mal découpée et rarement retrouvée. C'est un test simple, à faire avant toute réécriture.
Couche 4 : répondante, la réponse d'abord
En bref
La quatrième couche concerne l'ouverture de chaque passage. Commencez par la réponse : une affirmation directe et spécifique, avant l'explication. Un passage qui ouvre sur du flou, du type il existe de nombreux facteurs, ne donne rien à citer. Un passage qui ouvre sur une affirmation nette offre un extrait prêt à l'emploi.
Le modèle cherche, dans les passages récupérés, une phrase qui répond à la question. Si votre première phrase est cette réponse, elle sera reprise presque telle quelle. Si la réponse est noyée au troisième paragraphe, elle risque d'être manquée. Cette logique de réponse d'abord est la même que celle des extraits optimisés de la recherche classique, et elle sert directement la citation par les IA.
La formulation des intertitres prolonge ce principe. Écrivez-les comme les questions réelles de vos lecteurs, car la récupération apparie la question de l'utilisateur au sens de vos passages. Un intertitre formulé comme une question, suivi d'une réponse directe, crée un passage aligné sur la requête. C'est pourquoi les sections de cet article portent des questions et y répondent en tête.
| Ouverture de passage | Citabilité |
|---|---|
| Affirmation directe et spécifique | Élevée : un extrait est prêt à être cité |
| Définition explicite du terme | Élevée : répond aux requêtes de définition |
| Chiffre ou fait en tête | Élevée : réponse factuelle immédiate |
| Mise en contexte longue avant la réponse | Faible : la réponse est manquée |
| Généralité vague, ça dépend | Nulle : rien à extraire |
La première phrase d'une section décide de sa citabilité. Répondre d'abord n'est pas un style, c'est une condition d'extraction.
Couche 5 : prouvée, ce que la recherche mesure
En bref
La cinquième couche distingue un passage cité d'un passage ignoré : la preuve. En laboratoire (article GEO, moteur simulé), citer des sources, ajouter des statistiques et intégrer des verbatims augmente la reprise d'un contenu, et le bourrage de mots-clés la fait baisser ; un banc d'essai de 2025 (C-SEO Bench) ne retrouve pas cet effet. Appuyez chaque affirmation.
Dans l'étude GEO (Aggarwal et al., KDD 2024), un contenu non optimisé obtient un score de visibilité de référence d'environ 19,5 %. Ajouter des verbatims de sources pertinentes le porte à environ 27,8 %, ajouter des statistiques à 25,9 %, citer des sources faisant autorité à 24,9 %. Le trio de tête gagne 30 à 40 % en relatif. À l'inverse, le bourrage de mots-clés tombe à 17,8 %, sous la référence : il nuit.
| Manière d'écrire le passage | Visibilité mesurée | Verdict |
|---|---|---|
| Verbatims de sources pertinentes | Environ 27,8 % | Gagnant |
| Statistiques et chiffres | Environ 25,9 % | Gagnant |
| Formulation fluide et lisible | Environ 25,1 % | Positif |
| Citations de sources faisant autorité | Environ 24,9 % | Gagnant |
| Contenu non optimisé (référence) | Environ 19,5 % | Référence |
| Bourrage de mots-clés | Environ 17,8 % | Contre-productif |
Scores de visibilité d'une source dans la réponse générée, selon la façon d'écrire le passage (étude GEO). Mesurés sur un modèle et un moteur simulé de fin 2023 : la tendance et les pourcentages exacts ne sont pas transposables tels quels aux moteurs de 2026.
L'étude ajoute une nuance à exploiter : l'efficacité de chaque méthode dépend du domaine. Les statistiques et les sources pèsent davantage sur les sujets factuels, juridiques et techniques ; les verbatims sur les sujets de société et d'explication. Pour une documentation produit, cela oriente clairement vers les chiffres exacts, les exemples de code testés et les références aux spécifications, plutôt que vers un ton assuré sans substance.
Attention
La leçon inverse est aussi importante : les vieilles tactiques de référencement qui consistent à répéter des mots-clés desservent la citation par les IA. N'écrivez pas pour saturer une page de termes, écrivez pour prouver une affirmation. Les tactiques qui ne résistent pas aux tests, dont le bourrage de mots-clés, sont discutées dans comment être cité par ChatGPT, Claude et Gemini.
Couche 6 : lisible par machine
En bref
La sixième couche est le raffinement qui sert les agents et la récupération en direct : servir une version propre et lisible par machine de la documentation. Markdown ou HTML sémantique plutôt que DOM lourd, spécification pour les API, dates de mise à jour visibles, URL canoniques. Ce n'est pas un socle, c'est un accélérateur.
Le markdown conserve ce dont un modèle a besoin, titres, listes, tableaux, code et liens, et jette le bruit de mise en page. Une même page pèse plusieurs fois moins de mots à traiter en markdown qu'en HTML complet, ce qui laisse plus de place utile dans le contexte du modèle. Plusieurs plateformes de documentation servent désormais du markdown aux agents pour cette raison. Ce que pèse réellement la documentation dans les citations est mesuré dans l'AI Sources Index 2026.
- Version texte de chaque page : servir du markdown ou un HTML sémantique propre, en plus de la page web.
- Spécification exploitable : pour une API, une spécification lisible par machine, condition de l'usage par les agents.
- Dates et versions visibles : date de dernière mise à jour, numéro de version, changelog, pour signaler la fraîcheur.
- URL canonique claire : une adresse de référence par page, pour éviter les doublons et ancrer la citation.
À noter
N'inversez pas l'ordre des couches. Servir du markdown à des agents ne compense jamais une page inaccessible, mal structurée ou vide de preuve. La lisibilité machine amplifie une bonne documentation ; elle ne rachète pas une mauvaise.
Vous voulez mettre ces chantiers en œuvre sur votre site, dans le bon ordre et avec une mesure avant et après ? Evocia accompagne les équipes sur la durée, sans promesse de citation.
Découvrir l'accompagnement GEOLimites et zones d'ombre
En bref
Ces pratiques s'appuient sur les meilleures données publiques, qui restent partielles. Les mécanismes, découpage, récupération, réponse d'abord, sont solides. Les effets chiffrés précis, eux, dépendent du moteur, du domaine et de l'intention, et ne se transposent pas mécaniquement.
Les pourcentages de l'étude GEO ont été mesurés sur un modèle et un moteur de fin 2023 : la hiérarchie des méthodes, statistiques et sources en tête, bourrage de mots-clés perdant, est mesurée sur un moteur simulé de fin 2023, et ni elle ni les valeurs exactes ne valent telles quelles pour les moteurs de 2026. De même, l'effet causal isolé d'un intertitre formulé en question, d'une liste ou d'un tableau, ou d'une date de fraîcheur, n'est établi par aucune étude contrôlée publique : ce sont des hypothèses argumentées, cohérentes avec les mécanismes connus.
Ni OpenAI, ni Anthropic, ni Google ne publient le détail du découpage, de la pondération des passages et des critères de citation de leurs systèmes. Tout ce qui dépasse la crawlabilité documentée par Google, les résultats publiés sur la récupération et les mesures d'études tierces relève de l'inférence raisonnée. Aucune de ces pratiques ne garantit une citation.
Questions fréquentes
Comment faire pour que les IA citent ma documentation ?
Écrivez des passages autoportants qui répondent d'abord : une affirmation directe et spécifique en tête de section, appuyée par un chiffre, une source ou un exemple, sous un intertitre formulé comme la question de votre lecteur, dans une page accessible aux robots et servie côté serveur. La citation se joue au niveau du passage, pas de l'article. Aucune tactique ne la garantit ; ces pratiques sont cohérentes avec la recherche disponible.
Une IA cite-t-elle une page entière ou un passage ?
Un passage. Les systèmes de récupération découpent les pages en fragments indexés séparément, et ne remontent que les fragments les plus proches de la question. Google a d'ailleurs annoncé dès 2020 pouvoir remonter un passage précis enfoui dans une longue page. Votre unité de travail est donc la section autoportante : un passage qui, isolé, reste compréhensible, exact et directement citable.
Qu'est-ce qu'un passage autoportant, et pourquoi est-ce important ?
Un passage autoportant est une section qui se comprend seule, sans avoir lu le reste de la page. C'est essentiel parce que le découpage isole vos passages : un paragraphe qui commence par un pronom sans référent, comme il ou cela, devient inintelligible une fois seul. La recherche d'Anthropic sur la récupération contextuelle montre qu'un passage privé de son contexte échoue bien plus souvent à être retrouvé, jusqu'à des baisses d'échec de 49 % quand on lui rend son contexte.
Que signifie répondre d'abord ?
Répondre d'abord, c'est placer l'affirmation directe et spécifique en première phrase de la section, avant toute mise en contexte. Le modèle cherche, dans les passages récupérés, une phrase qui répond à la question : si c'est votre première phrase, elle sera reprise presque telle quelle. Une ouverture vague, du type il existe de nombreux facteurs, ne donne rien à citer. C'est le même principe que les extraits optimisés de la recherche classique.
Quelles façons d'écrire augmentent le plus les citations ?
La recherche sur les moteurs génératifs mesure trois leviers de tête : citer des sources faisant autorité, ajouter des verbatims de sources pertinentes et ajouter des statistiques. Mesurés séparément, chacun augmente la visibilité d'une source dans les réponses générées, jusqu'à 30 à 40 % en relatif. Une formulation fluide aide aussi. À l'inverse, le bourrage de mots-clés est mesuré comme contre-productif, sous le niveau d'un contenu non optimisé. Ce sont des résultats de laboratoire, sur moteur simulé, que le banc d'essai C-SEO Bench (2025) ne retrouve pas.
Le bourrage de mots-clés aide-t-il à être cité par les IA ?
Non, c'est même contre-productif. Dans l'étude GEO, répéter des mots-clés fait tomber la visibilité d'une source à environ 17,8 %, sous la référence d'un contenu non optimisé, autour de 19,5 %. Les IA ne récompensent pas la densité de termes mais la précision et la preuve. Écrivez pour prouver une affirmation, pas pour saturer une page.
Sources
- Evocia, AI Sources Index 2026 (1 000 réponses de ChatGPT, 2 970 citations, collecte du 14 septembre 2026)
- Puerto et al., C-SEO Bench (juin 2025 : méthodes largement inefficaces), arXiv:2506.11097
- Vercel et MERJ, The rise of the AI crawler (absence d'exécution du JavaScript par les principaux agents d'IA, décembre 2024)
- Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024, scores de visibilité par méthode), arXiv:2311.09735
- GEO, version HTML lisible (Table 1 des scores absolus, trio gagnant, bourrage de mots-clés)
- Anthropic, Contextual Retrieval (échecs de récupération réduits de 35 %, 49 %, 67 %)
- Search Engine Land, Google Passage Ranking (oct. 2020, passage précis, ~7 % des requêtes)
- Sentence-Transformers, recherche sémantique par embeddings (proximité question-passage)
- Google Search Central, créer un contenu utile, fiable et centré sur l'humain (E-E-A-T)
- Google Search Central, guide d'optimisation pour l'IA générative (crawlabilité, pas de markup spécial)
- Semrush, étude des AI Overviews (citations issues surtout des pages bien classées)
- Ahrefs, les assistants IA citent du contenu plus récent (17 M de citations, juil. 2025)
- BigCode, The Stack v2 et StarCoder2 (corpus de code et documentation), arXiv:2402.19173
Transparence et méthode
Auteur
Evocia · Cabinet français de visibilité dans les IA
Evocia est un cabinet français spécialisé dans la mesure et l'amélioration de la visibilité des éditeurs de SaaS B2B dans les réponses des IA. Cet article traduit la recherche disponible en pratiques de rédaction concrètes, distingue les mécanismes établis des hypothèses argumentées, et ne promet aucune citation garantie.
Comment cet article a été réalisé
- Distinction systématique entre mécanismes documentés (classement par passage, récupération contextuelle, guides d'éditeurs, position de Google), résultats d'études datées (GEO, AI Overviews), consensus techniques (découpage, embeddings) et hypothèses argumentées clairement signalées.
- Le cadre proposé, le Framework de Documentation GEO, est une synthèse organisée des mécanismes et données publics, pas un fait mesuré isolément ; il est présenté comme un outil de travail, non comme une loi.
- Aucune donnée inventée, aucune corrélation présentée comme une causalité, aucune tactique présentée comme une garantie de citation ; les pourcentages de l'étude GEO sont donnés avec leur limite de transposition, et les entreprises citées le sont comme illustrations non promotionnelles sur des faits vérifiés.
Historique des mises à jour
- 5 octobre 2026Retouche d'exactitude. Dans la section sur l'influence de la documentation, la ligne « Décision » du tableau donnait la part de la documentation toutes intentions confondues (17,0 %) ; elle donne désormais la mesure propre aux questions de décision : 18,0 % pour la documentation, 73,9 % pour les sites d'éditeurs hors documentation, aucun comparateur (lien vers la page de données sur les sources selon l'étape d'achat). Les mentions « des sources tierces qui recommandent » et « des avis tiers », que la mesure ne confirme pas, sont retirées. L'effet « sources, verbatims, statistiques » est présenté pour ce qu'il est : un résultat de laboratoire, sur moteur simulé, qu'un banc d'essai de 2025 (C-SEO Bench) ne retrouve pas ; cela vaut pour l'essentiel, la couche 5, la FAQ, la légende et les limites. Plusieurs affirmations sans mesure sont reformulées : le rendu côté navigateur n'est plus « la première cause d'absence » ni « le piège le plus fréquent », le test de la section isolée n'est plus « le meilleur prédicteur de citabilité », et la documentation n'est plus « la source la plus citée » sur les questions d'usage. Le bloc de preuve sur le JavaScript cite sa mesure (Vercel et MERJ, décembre 2024). Les sources qui étaient des guides d'éditeurs de logiciels sont retirées ; l'article d'Anthropic et Sentence-Transformers étayent le découpage. Retirés aussi : des mentions de contenus supprimés en septembre (exemple de réécriture, Cycle de Citation IA) et la phrase sur la fusion de deux anciens guides. Le renvoi sur les tactiques inefficaces pointe vers le guide pour être cité par ChatGPT, Claude et Gemini. Les pourcentages sont écrits en chiffres.
- 21 septembre 2026Cohérence : deux liens qui renvoyaient la page vers elle-même sont remplacés (socle sur les moteurs génératifs, étude Evocia) ; le Score de Citabilité, qui notait dix critères que l'article ne listait plus depuis la réduction du 12 septembre, est retiré avec son point de l'essentiel, l'appel à l'action étant conservé ; la section sur l'influence de la documentation reprend la mesure de l'étude Evocia (17,0 % des citations à la documentation, aucune à un comparateur) au lieu d'affirmer que les moteurs citent d'abord les comparateurs.
- 14 septembre 2026Renvoi vers l'étude Evocia AI Sources Index 2026 (mesure du 14 septembre 2026) ajouté.
- 13 septembre 2026Bloc « l'essentiel » ramené à six points, appel à l'action ajouté.
- 13 septembre 2026Raccourci de 24 à une vingtaine de minutes : la démonstration de réécriture, les erreurs et la checklist sont retirées, la réécriture d'un passage étant désormais démontrée dans le guide de rédaction citable ; section sur l'influence de la documentation resserrée.
- 13 septembre 2026Refonte éditoriale : introduction qui répond d'abord, lien circulaire vers l'ancien article fusionné remplacé par un renvoi interne, frontière explicite avec le guide de rédaction général.
- 11 septembre 2026Fusion avec l'ancien article « La documentation publique influence-t-elle les recommandations des IA ? », dont l'URL redirige désormais ici : son apport, l'analyse de l'influence réelle par type de requête, les trois mécanismes d'accès et la limite corrélation / causalité, est condensé en une section. Réduction de l'ensemble : suppression des sections redondantes avec l'introduction et l'essentiel, du glossaire, des points clés, de la conclusion, et FAQ ramenée à six questions. Aucune source retirée.
- 7 août 2026Publication initiale : mécanique de citation (découpage, récupération, embeddings, classement par passage), Cycle de Citation IA, Framework de Documentation GEO en six couches, détail des six couches, dix critères LLM Friendly, Score de Citabilité sur vingt, exemple de réécriture avant-après, documentations de référence, erreurs qui rendent une documentation non citable, mesure et itération, idées reçues, checklist finale de publication, limites, glossaire et FAQ de 28 questions.