GEO
Comment créer une documentation que les IA adorent citer
Publié le 7 août 2026, à jour des pratiques connues à cette date. Cet article est le mode d'emploi. Il suppose acquis que la documentation compte, ce que nous avons démontré, avec ses limites, dans la documentation publique influence-t-elle les recommandations des IA. Ici, nous ne redémontrons pas l'effet : nous répondons à la seule question qui reste, comment écrire et structurer une documentation pour qu'une IA la reprenne comme source.
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 des frameworks concrets et une checklist, 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, et son exemple de réécriture utilise une marque fictive.
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.
- Le Framework de Documentation GEO empile six couches : accessible, structurée, autoportante, répondante, prouvée, lisible par machine. Chacune est un prérequis de la suivante.
- 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.
- Le trio le plus efficace pour être repris, mesuré par la recherche, est de citer des sources, d'ajouter des verbatims et d'ajouter des statistiques : jusqu'à trente à quarante pour cent de visibilité en plus.
- Le bourrage de mots-clés est contre-productif : la même recherche le mesure sous le niveau d'un contenu non optimisé.
- 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.
- Formulez vos intertitres comme les questions réelles de vos lecteurs : la récupération se fait par similarité de sens entre la question et le passage.
- Servez un contenu lisible par les machines : rendu côté serveur, HTML propre ou markdown, spécification d'API, et dates de mise à jour visibles.
- Le Score de Citabilité note dix critères de zéro à deux : au-dessous de la moyenne, votre documentation est fragile ou invisible pour les IA.
- N'écrivez pas pour les IA au détriment des humains : Google recommande l'inverse, un contenu utile et clair sert à la fois les lecteurs, les corpus et les agents.
La réponse en bref
En bref
Pour qu'une IA cite votre documentation, rendez chaque section autoportante et répondez d'abord : une affirmation directe et spécifique en tête, appuyée par une donnée ou une source, sous un intertitre formulé comme la question du lecteur, dans une page accessible aux robots et lisible par machine. La citation se joue au niveau du passage, pas de l'article.
L'idée directrice
Une IA ne reprend jamais votre page entière : elle en extrait un passage. Tout le travail consiste donc à écrire des passages qui, isolés de leur contexte, restent compréhensibles, exacts et directement citables. Une documentation citable est une collection de bons passages, pas un long texte élégant.
La recherche sur l'optimisation pour les moteurs génératifs (Aggarwal et al., KDD 2024) montre que des modifications de contenu, comme citer des sources, ajouter des statistiques et des verbatims, augmentent la visibilité d'une source dans les réponses générées jusqu'à trente à quarante pour cent en relatif, tandis que le bourrage de mots-clés la fait baisser. La façon d'écrire un passage pèse, indépendamment du classement de la page.
Ce que couvre ce guide, et ce qu'il ne couvre pas
En bref
Ce guide est un mode d'emploi de rédaction et de structure. Il ne rejuge pas si la documentation influence les IA, ni ne promet de recommandation. Il part du principe, établi ailleurs, que la documentation pèse surtout à la décision et à l'intégration, et il explique comment écrire pour être repris à ces moments.
La preuve de l'effet, l'effet d'intention de la requête, le mythe du fichier llms.txt et le rôle du protocole MCP sont traités dans la documentation publique influence-t-elle les recommandations des IA. Nous nous appuyons sur ces acquis sans les répéter. Le présent article se concentre sur l'exécution : la mécanique de citation, six couches de travail, deux frameworks, un barème, un exemple de réécriture et une checklist.
À noter
Une documentation excellente ne remplace ni la notoriété ni la corroboration par des tiers pour être découvert. Elle décide de la qualité avec laquelle une IA vous explique et vous intègre une fois que votre nom est déjà connu. Ce guide optimise ce moment-là, pas la découverte, développée dans pourquoi certaines marques sont recommandées par toutes les IA.
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 sept pour cent 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.
Le Cycle de Citation IA
En bref
La citation par une IA n'est pas un événement, c'est un cycle. Une documentation est publiée, récupérée, découpée, appariée à une question, citée dans une réponse, puis ce passage cité génère du trafic, des liens et de l'usage, qui renforcent sa présence dans les corpus et augmentent ses chances d'être cité à nouveau. Comprendre la boucle aide à choisir où agir.
(1) PUBLICATION
doc accessible et autoportante
|
v
(2) RECUPERATION <-----------------+
crawl + index + MCP + agents |
| |
v |
(3) DECOUPAGE |
la page est coupee en passages |
| |
v |
(4) APPARIEMENT |
le passage rejoint la question (sens) |
| |
v |
(5) GENERATION + CITATION |
le passage devient la reponse citee |
| |
v |
(6) RENFORCEMENT --------------------+
usage, trafic, liens -> plus de presence
dans les corpus -> le cycle repartLa conséquence pratique est double. D'abord, un passage n'a de valeur cumulative que s'il franchit les étapes 1 à 5 : inutile de soigner la rédaction si la page n'est pas récupérable. Ensuite, le renforcement de l'étape 6 explique pourquoi les documentations déjà citées le sont de plus en plus : elles nourrissent leur propre présence. Pour un nouvel entrant, l'enjeu est d'amorcer le cycle sur les requêtes d'usage et d'intégration, là où la documentation officielle domine.
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.
Le piège le plus fréquent 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. Les preuves et le détail de ce mécanisme sont dans la documentation publique influence-t-elle les recommandations des IA.
- 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 trente-cinq pour cent avec des embeddings contextualisés, de quarante-neuf pour cent en ajoutant une recherche lexicale, et de soixante-sept pour cent 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. Ce test simple est le meilleur prédicteur de citabilité.
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. La recherche sur les moteurs génératifs mesure que citer des sources, ajouter des statistiques et intégrer des verbatims augmente nettement la reprise d'un contenu. À l'inverse, le bourrage de mots-clés la fait baisser. 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 dix-neuf virgule cinq pour cent. Ajouter des verbatims de sources pertinentes le porte à environ vingt-sept virgule huit pour cent, ajouter des statistiques à vingt-cinq virgule neuf, citer des sources faisant autorité à vingt-quatre virgule neuf. Le trio de tête gagne trente à quarante pour cent en relatif. À l'inverse, le bourrage de mots-clés tombe à dix-sept virgule huit, 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 de fin 2023 : la tendance est robuste, 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. Le sujet plus large des tactiques inefficaces est traité dans les données structurées influencent-elles les recommandations des IA.
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. Le détail des versions markdown, des spécifications d'API et du protocole MCP figure dans le pilier sur la documentation publique.
- 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.
Les dix critères d'une documentation LLM Friendly
En bref
Les six couches se déclinent en dix critères concrets et vérifiables. Ensemble, ils définissent ce qu'est une documentation lisible et citable par les modèles. Ils servent aussi de base au Score de Citabilité de la section suivante, où chacun est noté.
| Critère | Ce qu'il vérifie | Couche |
|---|---|---|
| 1. Accessible aux robots | Contenu lisible sans mur ni blocage | Accessible |
| 2. Rendu côté serveur | Texte présent dans le HTML, sans JavaScript | Accessible |
| 3. Hiérarchie de titres cohérente | Titres réguliers, une idée par section | Structurée |
| 4. Passages autoportants | Chaque section se comprend isolée | Autoportante |
| 5. Réponse d'abord | Affirmation directe en tête de section | Répondante |
| 6. Titres formulés en questions | Intertitres alignés sur les requêtes réelles | Répondante |
| 7. Preuves intégrées | Statistiques, sources, verbatims, exemples | Prouvée |
| 8. Termes constants, pronoms explicites | Un terme par concept, pas de renvoi flou | Structurée et autoportante |
| 9. Fraîcheur signalée | Dates, versions, changelog visibles | Lisible par machine |
| 10. Lisible par machine | Markdown, spécification, URL canonique | Lisible par machine |
Les dix critères d'une documentation LLM Friendly, rattachés aux six couches du framework. Aucun n'est un facteur de classement officiel : ce sont des conditions d'exploitation par les IA, appuyées sur la recherche et les guides d'éditeurs.
Le Score de Citabilité d'une documentation
En bref
Le Score de Citabilité transforme les dix critères en un diagnostic chiffré. Notez chaque critère de zéro à deux, zéro si absent, un si partiel, deux si pleinement satisfait. Le total, sur vingt, situe votre documentation, de invisible à excellente, et désigne les couches à travailler en priorité.
| Score sur 20 | Niveau | Ce que cela signifie |
|---|---|---|
| 16 à 20 | Excellente | Documentation pleinement exploitable et citable, à maintenir et à mesurer |
| 11 à 15 | Correcte | Base saine, gains à prendre sur la preuve et la lisibilité machine |
| 6 à 10 | Fragile | Découpage et autonomie des passages défaillants, citation rare et instable |
| 0 à 5 | Invisible | Problèmes d'accessibilité ou de structure : la documentation n'est pas exploitée |
Barème d'interprétation du Score de Citabilité. Un score faible sur les critères un et deux, accessibilité et rendu, prime sur tout le reste : corrigez d'abord la base.
À retenir
Le Score de Citabilité n'est pas une note absolue, c'est un ordre de priorité. Un zéro sur l'accessibilité annule la valeur de tous les autres critères, quel que soit le total. Lisez le score couche par couche, de bas en haut, et traitez la première faiblesse rencontrée avant de monter.
Utilisez ce score par page importante, pas seulement pour l'ensemble du site. Une page d'accueil de documentation peut être excellente pendant qu'une référence d'API critique reste rendue côté client, donc invisible. Le diagnostic gagne à être fait sur les pages qui répondent à vos requêtes d'intégration et d'usage, celles où la documentation est réellement citée.
Réécrire un passage pour le rendre citable
En bref
La différence entre un passage ignoré et un passage cité tient à quelques choix concrets : répondre d'abord, nommer le sujet, chiffrer, se rendre autoportant. L'exemple ci-dessous, fondé sur une marque fictive, montre la même information écrite de deux façons, l'une invisible pour une IA, l'autre citable.
AVANT (non citable)
"Notre solution a ete pensee pour s'adapter a tous vos besoins.
Grace a une architecture flexible, elle vous accompagne a chaque
etape de votre croissance. Pour commencer, rien de plus simple :
il vous suffit de suivre le guide."
Problemes : aucune affirmation directe, aucun chiffre, sujet
imprecis ("notre solution"), pronom flou ("il"), rien d'extractible.
APRES (citable)
"L'API de facturation Acme cree une facture par un appel POST sur
/v1/factures. Elle accepte des montants en centimes et renvoie un
identifiant au format fac_XXXX. La limite est de 100 requetes par
seconde et par cle d'API. Les erreurs suivent le code HTTP standard."
Atouts : reponse d'abord, sujet nomme, chiffres exacts, passage
autoportant, aucun renvoi. Copie-colle seul, il reste exact.Le passage réécrit n'est ni plus long ni plus technique par pose : il est plus précis. Chaque phrase porte un fait vérifiable qu'une IA peut reprendre pour répondre à une question d'intégration, du type comment créer une facture ou quelle est la limite de débit. C'est exactement le moment où la documentation est citée, celui de l'usage, pas celui de la découverte.
Ce que font les documentations de référence
En bref
Les documentations souvent citées comme des modèles appliquent ces couches de façon visible : exemples de code exécutables, versions en texte pour les agents, spécifications d'API, changelogs clairs. Ces exemples ne sont pas des recommandations de produits, mais des illustrations concrètes du framework.
Les documentations d'API de Stripe et de Twilio sont régulièrement citées pour leur clarté et leurs exemples prêts à l'emploi. Des entreprises comme Vercel ou Mintlify servent explicitement des versions markdown de leurs pages aux agents et exposent des accès lisibles par machine. Anthropic publie des guides d'écriture pour les modèles et des documentations structurées. Ce ne sont pas des conseils d'achat, mais des preuves que les six couches se traduisent en pratiques réelles.
| Pratique observée | Couche du framework qu'elle sert |
|---|---|
| Exemples de code exécutables et à jour | Prouvée : des faits vérifiables, pas des promesses |
| Version markdown de chaque page | Lisible par machine : lecture directe par les agents |
| Spécification d'API publiée | Lisible par machine : usage automatisé |
| Titres de tâche explicites, du type comment faire X | Répondante : intertitres alignés sur les requêtes |
| Changelog daté et versionné | Lisible par machine : signal de fraîcheur |
Les documentations de référence ne font pas de magie : elles appliquent visiblement les couches du framework. Ces pratiques sont reproductibles, quelle que soit la taille de l'entreprise.
Les erreurs qui rendent une documentation non citable
En bref
Une documentation n'est jamais citée pour des raisons récurrentes et évitables : contenu rendu côté client, réponses vagues, passages dépendants de leur contexte, information périmée, ou tentative de manipulation par mots-clés. Corriger ces erreurs vaut souvent mieux qu'ajouter du contenu.
| Erreur | Pourquoi l'IA ne cite pas | Couche à corriger |
|---|---|---|
| Contenu rendu côté client | Le robot lit une page vide | Accessible |
| Documentation derrière authentification | Invisible pour l'entraînement et la récupération | Accessible |
| Sections fourre-tout, plusieurs idées mêlées | Le découpage produit des passages incohérents | Structurée |
| Passages truffés de il, cela, ci-dessus | Isolés, ils deviennent inintelligibles | Autoportante |
| Ouverture vague, ça dépend de nombreux facteurs | Rien à extraire ni à citer | Répondante |
| Affirmations sans preuve ni chiffre | Rien pour se démarquer ni inspirer confiance | Prouvée |
| Information périmée non datée | Risque de citation erronée, méfiance du système | Lisible par machine |
| Bourrage de mots-clés | Mesuré comme contre-productif par la recherche | Prouvée |
Les causes récurrentes d'invisibilité, rattachées à la couche à corriger. La plupart sont des défauts de structure et d'accessibilité, pas de volume de contenu.
Mesurer et itérer sur la citabilité
En bref
La citabilité se pilote par la mesure, pas par intuition. Croisez trois observations : le trafic des agents dans vos journaux, les citations effectives de vos pages dans les réponses des IA, et votre présence sur un panel de requêtes d'usage. Puis itérez couche par couche sur les pages faibles.
- Trafic des agents : repérez dans vos journaux les robots et agents qui accèdent à votre documentation, un canal souvent invisible autrement.
- Citations effectives : notez quelles pages de documentation les IA citent, et sur quelles requêtes, surtout d'intégration et d'usage.
- Panel de requêtes : mesurez votre présence dans chaque moteur sur des requêtes figées, en distinguant découverte et intégration.
- Score de Citabilité par page : notez les pages clés sur vingt, corrigez la couche la plus basse, remesurez.
- Prudence causale : une amélioration concomitante à une refonte n'en est pas la preuve ; isolez les variables autant que possible.
La méthode de mesure complète, panel de requêtes et suivi des sources citées, est détaillée dans mesurer sa visibilité dans ChatGPT, Claude et Gemini. Pour diagnostiquer une absence totale, voyez pourquoi votre SaaS est invisible dans les réponses des IA.
Idées reçues sur la documentation et les IA
En bref
Le sujet est encombré de raccourcis qui font perdre du temps. Les corriger évite d'investir dans des tactiques inefficaces et de négliger les couches qui comptent vraiment.
| Idée reçue | Réalité |
|---|---|
| « Il faut écrire spécialement pour les IA » | Non : Google recommande un contenu utile et clair. Écrire pour les humains, bien structuré, sert les modèles. |
| « Répéter les mots-clés aide à être cité » | Faux : la recherche mesure le bourrage de mots-clés sous le niveau d'un contenu non optimisé. |
| « Un long article détaillé sera forcément cité » | Pas si les passages ne sont pas autoportants : c'est le passage qui est cité, pas la longueur. |
| « Une belle page suffit » | Faux si elle est rendue côté client : le robot lit une page vide. |
| « Le fichier llms.txt me fera citer » | Non démontré : aucune corrélation établie, voir le pilier sur la documentation publique. |
| « Ajouter des chiffres, c'est du remplissage » | Au contraire : statistiques et sources sont mesurées comme les leviers les plus efficaces. |
Six raccourcis fréquents et leur correction, alignés sur la recherche et les guides officiels disponibles.
La checklist finale de publication
En bref
Avant de publier ou de refondre une page de documentation, parcourez cette checklist dans l'ordre des couches, de l'accessibilité au raffinement machine. Elle traduit tout le framework en gestes concrets, à cocher page par page.
- 1Accessible : le texte apparaît dans le HTML brut, sans exécution de JavaScript, sans mur, sans blocage des robots utiles.
- 2Structurée : une seule idée par section, titres descriptifs, hiérarchie régulière sans saut de niveau.
- 3Autoportante : chaque section, lue seule, reste claire et exacte ; le sujet est nommé, pas désigné par un pronom flou.
- 4Répondante : la première phrase de chaque section répond directement ; les intertitres sont formulés comme des questions réelles.
- 5Prouvée : chaque affirmation clé est appuyée par un chiffre exact, une source, un verbatim ou un exemple de code testé.
- 6Terminologie : un terme par concept, constant dans toute la documentation, sans synonymes flottants.
- 7Fraîche : date de mise à jour visible, version indiquée, éléments dépréciés signalés, changelog tenu.
- 8Lisible par machine : version markdown ou HTML sémantique propre, spécification pour les API, URL canonique claire.
- 9Mesurée : page notée avec le Score de Citabilité, couche la plus basse identifiée et corrigée avant publication.
À retenir
Cochez de haut en bas, mais corrigez de bas en haut. Si l'accessibilité n'est pas cochée, inutile de travailler la preuve : rien ne sera lu. La citabilité se construit couche par couche, et la première faiblesse est toujours la priorité.
Limites 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 robuste, mais les valeurs exactes ne valent pas 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.
Glossaire
En bref
Les termes indispensables pour raisonner juste sur la documentation citable, définis simplement. Chaque définition est autonome et réutilisable.
| Terme | Définition |
|---|---|
| Passage | Fragment d'une page indexé et récupéré séparément par un système d'IA, unité réelle de la citation. |
| Découpage | Segmentation d'un document en passages, souvent guidée par la structure et les titres. |
| Passage autoportant | Section qui reste compréhensible et exacte une fois isolée de son contexte. |
| Réponse d'abord | Principe de rédaction plaçant l'affirmation directe en tête de section, avant l'explication. |
| Récupération | Recherche des passages les plus proches d'une question, injectés dans la réponse au moment de la requête. |
| Embedding | Représentation vectorielle du sens d'un texte, servant à mesurer la proximité entre une question et un passage. |
| Classement par passage | Capacité d'un moteur à remonter un passage précis d'une longue page, et non la page entière. |
| Score de Citabilité | Diagnostic sur vingt notant dix critères d'une documentation exploitable par les IA. |
| Lisible par machine | Contenu servi en markdown, spécification ou HTML sémantique, exploitable par les agents et la récupération. |
Points clés à retenir
En bref
Une documentation citable est une collection de passages autoportants qui répondent d'abord, prouvent leurs affirmations et restent accessibles aux machines. On la construit couche par couche, de l'accessibilité au raffinement, et on la pilote par la mesure. Aucune tactique ne garantit la citation, mais ces pratiques mettent les probabilités de votre côté.
- L'unité de la citation est le passage, pas la page : écrivez des sections qui se comprennent seules.
- Répondez d'abord : une affirmation directe et spécifique en tête donne un extrait citable.
- Prouvez : citer des sources, ajouter des statistiques et des verbatims est mesuré comme le plus efficace ; le bourrage de mots-clés nuit.
- Formulez vos intertitres comme les questions réelles : la récupération apparie le sens de la question et du passage.
- Restez accessible et lisible par machine : rendu côté serveur, markdown, spécifications, dates de mise à jour.
- Diagnostiquez avec le Score de Citabilité, corrigez la couche la plus basse d'abord, remesurez.
Conclusion et pour aller plus loin
En bref
Rendre sa documentation citable par les IA n'est ni un secret ni une astuce : c'est une discipline de rédaction et de structure, appliquée couche par couche. Écrivez pour le passage, répondez d'abord, prouvez, restez accessible. Vous servez alors les humains, les corpus et les agents d'un même geste.
Retenez trois choses. D'abord, la citabilité se joue au niveau du passage : c'est votre unité de travail. Ensuite, l'ordre des couches est un ordre de priorité : l'accessibilité avant la preuve, la structure avant le raffinement. Enfin, la mesure est ce qui distingue une méthode d'une croyance : notez, corrigez, remesurez.
Pour situer la documentation parmi tous les leviers, voyez le guide complet du GEO et les 100 facteurs qui influencent les recommandations des IA. Pour comprendre l'effet et ses limites, revenez à la documentation publique influence-t-elle les recommandations des IA. Pour les signaux voisins, voyez les données structurées, les avis clients et les forums. Pour la sélection des sources, voyez comment Google AI Mode choisit les entreprises qu'il recommande.
Passer de la méthode à la mesure
En bref
Connaître la méthode est la première étape. La seconde est de noter vos pages de documentation, de corriger les couches faibles et de vérifier, sur vos requêtes réelles, si les IA vous citent. C'est l'objet d'un audit de visibilité IA.
Après cette lecture, la question n'est plus « ma documentation est-elle belle ? » mais « chacun de ses passages est-il autoportant, répondant, prouvé et accessible ? ». On y répond par la mesure : un Score de Citabilité par page clé, l'analyse des sources citées par les moteurs, le suivi du trafic des agents, et un plan de correction couche par couche.
Evocia mesure votre présence dans ChatGPT, Claude, Gemini, Perplexity et Google AI Mode sur vos requêtes d'usage et d'intégration, note la citabilité de vos pages de documentation et construit une présence exploitable par les IA. Un audit chiffré, sans promesse de citation, avec une méthode reproductible.
Demander un audit de visibilité IAQuestions 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, mais ces pratiques, cohérentes avec la recherche disponible, augmentent nettement vos chances.
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 quarante-neuf pour cent 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. Ensemble, ils augmentent la visibilité d'une source dans les réponses générées de trente à quarante pour cent 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.
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 dix-sept virgule huit pour cent, sous la référence d'un contenu non optimisé, autour de dix-neuf virgule cinq. 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.
Faut-il écrire ma documentation spécialement pour les IA ?
Non. Google recommande explicitement l'inverse : un contenu utile, clair et pensé pour les humains. Une documentation bien structurée, accessible et prouvée sert naturellement les modèles et les agents. Écrire artificiellement pour les IA, en saturant de mots-clés ou en dégradant la lisibilité humaine, se retourne contre vous. Le raffinement pour les agents, comme les versions markdown, vient après le socle utile aux lecteurs.
Comment structurer une page pour qu'elle soit citable ?
Appliquez une idée par section, une hiérarchie de titres régulière sans saut de niveau, et des titres descriptifs. Les systèmes de récupération s'appuient sur la structure pour délimiter les passages : une section qui mêle plusieurs idées produit des fragments incohérents, rarement retrouvés. Une section qui traite une seule question produit un passage propre, cohérent et facile à citer.
Faut-il formuler mes intertitres comme des questions ?
C'est fortement recommandé, sans être une loi prouvée isolément. La récupération apparie la question de l'utilisateur au sens de vos passages : un intertitre formulé comme une question réelle, suivi d'une réponse directe, rapproche le passage de la requête. C'est une hypothèse argumentée, cohérente avec le fonctionnement des embeddings, et sans risque pour la lisibilité humaine.
Qu'est-ce que le Framework de Documentation GEO ?
C'est un modèle en six couches empilées, 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 elle n'est pas accessible aux robots. On construit donc de bas en haut, en traitant toujours la couche la plus basse défaillante en priorité.
Comment calculer le Score de Citabilité de ma documentation ?
Notez chacun des dix critères d'une documentation lisible par les modèles de zéro à deux : zéro si absent, un si partiel, deux si pleinement satisfait. Le total, sur vingt, situe votre documentation : seize à vingt excellente, onze à quinze correcte, six à dix fragile, zéro à cinq invisible. Faites ce diagnostic par page importante, et corrigez d'abord la couche la plus basse, car un zéro sur l'accessibilité annule tout le reste.
Quelles sont les dix critères d'une documentation LLM Friendly ?
Accessible aux robots, rendue côté serveur, hiérarchie de titres cohérente, passages autoportants, réponse d'abord, titres formulés en questions, preuves intégrées, terminologie constante avec pronoms explicites, fraîcheur signalée, et lisible par machine. Ces dix critères déclinent les six couches du framework en points vérifiables, et servent de base au Score de Citabilité. Aucun n'est un facteur de classement officiel : ce sont des conditions d'exploitation par les IA.
Le markdown est-il vraiment mieux que le HTML pour les IA ?
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. C'est un raffinement utile, pas un substitut à un contenu accessible et prouvé.
La longueur de mes pages influence-t-elle la citation ?
Moins que leur découpage. Un long article n'est pas cité pour sa longueur, mais pour la qualité de ses passages : c'est le fragment qui est repris, pas la page entière. Une longue page bien structurée, faite de sections autoportantes qui répondent d'abord, sera citée ; une longue page fourre-tout, non. Concentrez-vous sur la qualité de chaque passage, pas sur le nombre de mots.
Comment savoir si un passage est citable ?
Appliquez le test de la section isolée : masquez 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. Si elle dépend d'un pronom flou, d'un renvoi ou d'un contexte absent, elle sera mal découpée et rarement retrouvée. Ce test simple est le meilleur prédicteur pratique de citabilité.
Les chiffres et les statistiques aident-ils vraiment ?
Oui, ce sont parmi les leviers les plus efficaces mesurés. Ajouter des statistiques porte la visibilité d'une source de la référence, autour de dix-neuf virgule cinq pour cent, à environ vingt-cinq virgule neuf dans l'étude GEO, et citer des sources faisant autorité à environ vingt-quatre virgule neuf. L'effet est encore plus marqué sur les sujets factuels et techniques, ce qui correspond bien à une documentation produit. À condition, évidemment, que les chiffres soient exacts et vérifiables.
Dois-je citer des sources dans ma documentation technique ?
Quand c'est pertinent, oui. Citer une source faisant autorité, une spécification ou une référence externe est mesuré comme un levier efficace de citation, surtout sur les sujets factuels et techniques. Pour une documentation d'API, l'équivalent le plus fort est l'exemple de code exécutable et exact, qui joue le rôle de preuve. L'idée générale : appuyez chaque affirmation clé, ne la laissez pas nue.
La fraîcheur de ma documentation compte-t-elle ?
Oui. Les analyses disponibles suggèrent que les URL citées par les IA tendent à être plus fraîches que les résultats classiques, et une documentation datée et versionnée réduit le risque qu'un modèle cite une méthode dépréciée. Affichez la date de dernière mise à jour, indiquez la version et tenez un changelog. Attention toutefois aux chiffres virulents sur la fraîcheur qui circulent sans source : la tendance est réelle, certaines valeurs précises ne sont pas vérifiables.
Comment rendre ma documentation d'API citable et utilisable ?
Servez des exemples de code exécutables et exacts, qui jouent le rôle de preuve, et publiez une spécification lisible par machine, condition de l'usage par les agents. Structurez par tâche, avec des titres du type comment faire X, répondez d'abord, et indiquez limites, formats et codes d'erreur de façon autoportante. Une API sans spécification exploitable et sans exemples exacts reste difficile à citer et à utiliser.
Le protocole MCP change-t-il ma façon d'écrire la documentation ?
Il change surtout la façon de la servir, pas d'abord de l'écrire. Le protocole MCP permet aux agents de récupérer votre documentation à jour au moment de la réponse, ce qui valorise fortement la fraîcheur, le versionnement et une version lisible par machine. Mais un serveur MCP ne rachète pas des passages vagues ou dépendants de leur contexte : les couches de rédaction restent le socle. Le détail du protocole figure dans le pilier sur la documentation publique.
Une petite entreprise peut-elle rendre sa documentation citable ?
Oui, car ces pratiques ne dépendent pas de la taille. Rendre une page accessible, structurée, autoportante, répondante et prouvée est à la portée de tous, et une bonne documentation permet aux IA d'expliquer correctement même un produit peu connu, sur ses requêtes d'usage et d'intégration. En revanche, pour la découverte, une petite entreprise reste dépendante de sa notoriété et des sources tierces, que la documentation seule ne construit pas.
Combien de temps avant de voir un effet sur les citations ?
Il n'existe pas de délai garanti, et cela dépend du canal. Une récupération en direct, via la recherche ou un serveur MCP, peut refléter une mise à jour rapidement. L'intégration aux connaissances apprises des modèles, elle, dépend des cycles d'entraînement et est bien plus lente. Mesurez sur un panel de requêtes dans le temps plutôt que d'attendre un effet immédiat, et gardez en tête que d'autres variables évoluent en parallèle.
Faut-il un fichier llms.txt pour être cité ?
Non, aucune preuve ne l'établit. Les études montrent que la quasi-totalité des fichiers llms.txt ne sont jamais requêtés par les IA, et aucun grand moteur ne déclare l'utiliser. Le publier ne nuit pas et peut faciliter la vie de certains agents de code, mais il n'améliore pas vos citations. Investissez plutôt dans les couches du framework, dont l'effet est mieux étayé. Le sujet est traité en détail dans le pilier sur la documentation publique.
Comment écrire pour la couche autoportante concrètement ?
Nommez le sujet dans chaque passage au lieu d'un pronom, redonnez l'unité ou la version quand un chiffre l'exige, et évitez les renvois du type comme vu plus haut. Chaque section doit pouvoir être copiée-collée seule et rester exacte. C'est exactement ce que fait automatiquement la récupération contextuelle en préfixant du contexte à chaque passage : autant l'écrire directement, gratuitement et plus proprement, à la source.
Les listes et tableaux améliorent-ils la citation ?
Ils aident l'extraction de l'information énumérative et structurée, et rendent un passage plus lisible pour un modèle. C'est une pratique cohérente avec les mécanismes connus, mais son effet causal isolé sur la citation n'est pas établi par une étude contrôlée publique : présentez-le comme une bonne pratique, pas comme une garantie. Utilisez listes et tableaux quand l'information est réellement énumérative, pas pour décorer.
Dois-je bloquer les robots des IA sur ma documentation ?
Généralement non, pour une documentation destinée à être comprise et intégrée. Bloquer les robots des IA l'exclut de l'entraînement et de la récupération, donc de la capacité des modèles à en parler correctement, et rend toute citation impossible. Réservez les restrictions à ce qui doit rester privé. C'est une décision à prendre en connaissance de cause, pas un réflexe de prudence.
Comment prioriser si mon Score de Citabilité est faible ?
Corrigez toujours la couche la plus basse d'abord. Un zéro sur l'accessibilité ou le rendu annule la valeur de tous les autres critères : commencez par rendre la page lisible par un robot. Ensuite seulement, travaillez la structure, puis l'autonomie des passages, puis la réponse d'abord, puis la preuve, puis la lisibilité machine. La citabilité se construit de bas en haut, dans cet ordre.
Peut-on garantir qu'une IA citera ma documentation ?
Non, et personne ne le peut honnêtement. Aucune étude n'établit de lien causal entre une pratique de rédaction et une citation certaine, et les moteurs évoluent. Ces couches et cette checklist mettent les probabilités de votre côté en s'alignant sur les mécanismes connus et les données disponibles, mais elles ne promettent ni citation ni recommandation. Méfiez-vous de toute méthode qui prétend le contraire.
Sources
- 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)
- Databricks, guide des stratégies de découpage pour la récupération (chunking)
- 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)
- Mintlify, améliorer la lisibilité de la documentation pour les LLM (5 pratiques d'écriture)
- Vercel, rendre sa documentation lisible par les agents IA (markdown, spécification, MCP)
- Semrush, étude des AI Overviews (citations issues surtout des pages bien classées)
- WordStream, être cité par la recherche IA (raisons pour lesquelles un contenu est ignoré)
- 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
Loan Feuillerat · Fondateur d'Evocia
Loan Feuillerat dirige Evocia, 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.
- Les frameworks proposés, Framework de Documentation GEO, Cycle de Citation IA, Score de Citabilité, dix critères et checklist, sont des synthèses organisées des mécanismes et données publics, pas des faits mesurés isolément ; ils sont présentés comme des outils de travail, non comme des lois.
- 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
- 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.