Qu'est-ce que le LLMO (Large Language Model Optimization) ?
Le LLMO (Large Language Model Optimization) désigne, au sens utile du terme, le travail qui influence ce qu'un grand modèle de langage sait d'une entreprise sans chercher sur le web : la connaissance qu'il a apprise pendant son entraînement, à partir du web public tel qu'il existait avant une date donnée. Cette connaissance décide seule de la réponse chaque fois que le modèle ne lance pas de recherche, ce qui arrive trois fois sur quatre quand un acheteur B2B décrit un problème plutôt qu'une solution. Pris au pied de la lettre, le terme est trompeur : personne n'optimise un modèle ; on agit sur l'information publique qu'il lira.
Cet article définit le LLMO et le distingue de ses deux usages concurrents, explique d'où vient la connaissance apprise (corpus, robots, dates de coupure), montre quand elle décide de la réponse, liste les leviers avec leur niveau de preuve et les limites qu'aucun prestataire ne peut lever, et décrit comment la mesurer. Il complète GEO vs AEO vs LLMO, qui compare les sigles, et le guide de l'AEO, qui traite l'autre voie : les réponses construites à partir de pages récupérées.
L'essentiel en 60 secondes
- Le LLMO, au sens utile, est l'ensemble des actions qui influencent ce qu'un modèle de langage sait d'une entreprise sans recherche web : sa connaissance apprise à l'entraînement. Dans deux autres usages, le terme est un simple synonyme de GEO, ou un domaine de recherche sans rapport (les modèles utilisés comme optimiseurs).
- Cette connaissance vient du web public, collecté par des robots dédiés à l'entraînement (GPTBot, ClaudeBot, Google-Extended), séparés des robots de recherche, et arrêté à une date de coupure. Les corpus publiés montrent que les pages web en constituent la majorité ; aucun éditeur n'accepte de soumission.
- Elle décide seule de la réponse quand le modèle ne cherche pas. Dans l'AI Sources Index 2026, ChatGPT n'a lancé de recherche que dans 24 % des réponses aux questions de type « problème », contre 100 % pour les comparaisons de solutions nommées : le LLMO pèse en début de parcours, le GEO en fin.
- Les leviers sont indirects et lents : présence répétée et cohérente de l'entreprise, de sa catégorie et de ses cas d'usage sur des pages publiques que les robots d'entraînement collectent, y compris les sources que les corpus suréchantillonnent. Aucun n'est démontré publiquement ; les délais se comptent en mois.
- Trois choses sont impossibles : soumettre du contenu à un modèle, acheter une place dans sa connaissance (la publicité dans ChatGPT n'y change rien), corriger vite une erreur apprise. Une date de connaissance fiable peut être antérieure de plus d'un an à l'usage du modèle.
- Le LLMO se mesure en interrogeant les modèles sans recherche web, sur un panel figé, de façon répétée, version par version : présence, part de voix, stabilité, exactitude des faits énoncés.
Qu'est-ce que le LLMO ?
En bref
Le Large Language Model Optimization est le travail qui vise à ce qu'un grand modèle de langage connaisse une entreprise, l'associe à sa catégorie et à ses cas d'usage, et la décrive exactement, à partir de ce qu'il a appris pendant son entraînement, sans recherche web au moment de la question. Le terme n'a pas d'origine documentée, n'est employé par aucun éditeur de modèle, et circule dans deux autres sens qu'il faut écarter avant de l'utiliser.
| Usage du terme | Ce qu'il désigne | Statut | Ce qu'en fait cet article |
|---|---|---|---|
| Sens utile | Le travail sur la connaissance apprise par les modèles : ce qu'ils répondent sans chercher | Recouvre une voie réelle, documentée par les robots d'entraînement et les dates de coupure des éditeurs | C'est le sens retenu |
| Sens large | Synonyme de GEO ou d'AEO : tout le travail de visibilité dans les réponses des IA | Le plus fréquent dans les pages de prestataires ; n'ajoute rien aux deux autres sigles | Écarté : voir GEO vs AEO vs LLMO |
| Sens académique | L'usage d'un modèle de langage pour résoudre des problèmes d'optimisation mathématique | Domaine de recherche actif, sans rapport avec la visibilité d'une marque ; c'est ce qu'une recherche sur le sigle renvoie d'abord | Signalé pour éviter la confusion |
Aucun éditeur (OpenAI, Anthropic, Google, Perplexity, Microsoft) n'emploie le sigle. Google nomme AEO et GEO dans sa documentation depuis juillet 2026, pas LLMO.
Le sens utile a un mérite que les deux autres sigles n'ont pas : il nomme la voie que le GEO et l'AEO couvrent mal. Quand un assistant cherche sur le web, il lit des pages et peut les citer ; les leviers sont ceux de l'accessibilité et de la rédaction, et l'effet se voit en semaines. Quand il ne cherche pas, il répond avec ce qu'il a lu avant une date de coupure ; rien de ce qu'on publie aujourd'hui n'y change quoi que ce soit avant le prochain entraînement. Ce sont deux problèmes distincts, avec deux mesures distinctes. Le LLMO est le nom du second.
À noter
Précision de vocabulaire : on n'optimise pas un modèle. Un modèle est un fichier de paramètres figé à l'issue de son entraînement ; seul son éditeur le modifie. Ce que le LLMO optimise, c'est l'information publique que le prochain entraînement lira. Toute offre qui promet d'« entraîner les IA » sur une marque décrit quelque chose que personne hors des éditeurs ne peut faire.
D'où vient ce qu'un modèle sait d'une entreprise ?
En bref
De trois choses documentées : un corpus d'entraînement constitué en majorité de pages web publiques, collectées par des robots d'entraînement distincts des robots de recherche ; une date de coupure au-delà de laquelle le modèle ne sait rien ; et un traitement du corpus qui donne plus de poids à certaines sources qu'à d'autres. Aucun éditeur ne publie la liste des pages retenues, et aucun n'accepte qu'une entreprise lui soumette du contenu.
Le corpus : le web public, en majorité
Les deux compositions de corpus publiées avec le plus de détail vont dans le même sens. Pour GPT-3, OpenAI indiquait en 2020 un corpus à 60 % issu de Common Crawl (une copie filtrée du web public), 22 % d'un second corpus de pages web, 16 % de livres et 3 % de Wikipédia, avec une précision qui compte : les sources jugées de meilleure qualité étaient lues plusieurs fois pendant l'entraînement (Wikipédia 3,4 fois, Common Crawl 0,44 fois), ce qui augmente leur poids au-delà de leur part du corpus. Pour LLaMA, en 2023, un corpus à 67 % de Common Crawl et 15 % d'une autre extraction du web, le reste venant de code, de Wikipédia, de livres, d'articles scientifiques et de forums de questions-réponses, exclusivement à partir de données publiques. Les éditeurs ne publient plus ces compositions pour leurs modèles récents ; rien n'indique qu'elles aient cessé d'être dominées par le web.
Les robots : l'entraînement est séparé de la recherche
| Éditeur | Robot d'entraînement | Robot de recherche (autre voie) | Ce que dit la documentation |
|---|---|---|---|
| OpenAI (ChatGPT) | GPTBot : contenu qui « peut être utilisé pour entraîner nos modèles de fondation » | OAI-SearchBot (recherche dans ChatGPT), ChatGPT-User (actions utilisateur) | Chaque réglage est indépendant des autres |
| Anthropic (Claude) | ClaudeBot : collecte de contenu « qui pourrait contribuer à leur entraînement » | Claude-SearchBot (index de recherche), Claude-User (visite à la demande) | Bloquer ClaudeBot exclut les contenus futurs des jeux d'entraînement ; contrôles séparés |
| Google (Gemini) | Google-Extended : jeton qui gère l'usage du contenu « pour entraîner les futures générations de modèles Gemini » et pour l'ancrage | Googlebot (recherche, Aperçus IA, AI Mode) | Google-Extended n'a aucun effet sur l'inclusion ni le classement dans la recherche |
| Perplexity | Aucun : PerplexityBot « n'est pas utilisé pour collecter du contenu pour les modèles de fondation » | PerplexityBot (index), Perplexity-User (visite) | Perplexity s'appuie sur des modèles tiers et sur son index |
Tous les contrôles sont des refus (opt-out). Aucun éditeur ne documente de moyen de demander l'inclusion d'un site dans un corpus d'entraînement.
La date de coupure : ce que le modèle ignore par construction
Chaque modèle a une date au-delà de laquelle il ne sait rien. Anthropic en publie deux par modèle et les distingue : la date de coupure des données d'entraînement, « la plage plus large des données utilisées », et la date de connaissance fiable, « la date jusqu'à laquelle la connaissance du modèle est la plus étendue et la plus fiable ». Au 15 septembre 2026, le modèle le plus récent a une connaissance fiable jusqu'à juin 2026 ; un modèle plus léger de la même famille, encore proposé, s'arrête à février 2025 pour la connaissance fiable et juillet 2025 pour les données. Une entreprise créée ou repositionnée début 2026 n'existe donc pas dans la mémoire de ce second modèle, quoi qu'elle publie. Les modèles ont aussi une connaissance moins fiable dans les derniers mois avant leur coupure : un fait publié une fois, peu repris, juste avant la date, a peu de chances d'être appris.
Corpus : Brown et al., « Language Models are Few-Shot Learners », 2020, table 2.2 ; Touvron et al., « LLaMA: Open and Efficient Foundation Language Models », février 2023, table 1. Robots : documentation OpenAI, centre d'aide Anthropic, documentation des robots Google (mise à jour du 14 juillet 2026), documentation Perplexity. Dates de coupure : documentation des modèles Anthropic, consultée le 15 septembre 2026.
Quand la connaissance apprise décide-t-elle de la réponse ?
En bref
Chaque fois que le modèle ne lance pas de recherche, et cela dépend de la question. Dans l'AI Sources Index 2026, sur 800 réponses de ChatGPT à des requêtes d'achat B2B, la recherche web est déclenchée dans 24 % des réponses quand l'acheteur décrit un problème, 91 % quand il découvre des solutions, 94 % quand il demande une recommandation, 100 % quand il compare des solutions nommées. En début de parcours, trois réponses sur quatre viennent donc de la seule connaissance apprise ; c'est là que le LLMO pèse.
| Type de question | Exemple | Réponses avec recherche web | Réponses de mémoire seule | Voie qui domine |
|---|---|---|---|---|
| Problème ou besoin | « Mes commerciaux perdent des leads entre deux relances, que faire ? » | 24 % | 76 % | Connaissance apprise (LLMO) |
| Découverte de solutions | « Quels types d'outils existent pour automatiser les relances ? » | 91 % | 9 % | Récupération (GEO, AEO) |
| Recommandation | « Quel CRM recommandez-vous pour une PME française ? » | 94 % | 6 % | Récupération |
| Comparaison | « X ou Y pour une équipe de dix commerciaux ? » | 100 % | 0 % | Récupération |
| Décision ou achat | « X convient-il à une entreprise de 50 personnes ? » | 99 % | 1 % | Récupération |
ChatGPT via l'API avec recherche web activée, 250 requêtes B2B en français posées quatre fois, corpus principal de 800 réponses, septembre 2026. Les parts varient selon le moteur et la formulation ; la tendance est la donnée.
La conséquence commerciale est nette. Quand un acheteur demande « que faire » face à un problème, le modèle répond de mémoire : il décrit des approches et, souvent, nomme les catégories de solutions et quelques acteurs qu'il associe à ces catégories. Une entreprise absente de cette mémoire n'est pas citée, et aucune page fraîchement publiée ne peut l'y faire entrer avant le prochain entraînement. À l'inverse, dès que l'acheteur nomme des solutions ou demande une comparaison, le modèle cherche, lit des pages et cite : la partie se joue alors sur le site et les sources tierces, selon les leviers du guide complet du GEO. Les deux voies se succèdent dans un même parcours d'achat ; une entreprise peut être forte sur la seconde et invisible sur la première.
Ce partage varie d'un moteur à l'autre. Certains assistants cherchent presque systématiquement, d'autres répondent d'abord de mémoire ; le fonctionnement de chacun est détaillé dans comment fonctionnent les moteurs génératifs. La règle de mesure ne change pas : il faut relever séparément ce que le moteur répond avec et sans recherche.
Evocia, AI Sources Index 2026 : part des réponses avec recherche web par type d'intention, corpus principal de 800 réponses, données et méthode publiées. Mesure sur ChatGPT uniquement ; la transposition aux autres moteurs est une hypothèse à vérifier.
Ce que le LLMO ne peut pas faire
En bref
Quatre choses, et elles écartent la plupart des promesses commerciales. On ne peut pas soumettre du contenu à un modèle : les seuls contrôles documentés sont des refus. On ne peut pas acheter une place dans sa connaissance : la publicité dans ChatGPT s'affiche à côté des réponses et n'entre pas dans le modèle. On ne peut pas corriger vite une erreur apprise : elle persiste jusqu'au prochain entraînement, sauf quand une recherche web fournit une source contraire. Et on ne peut pas observer directement ce qu'un modèle sait : on ne peut que l'interroger.
| Promesse rencontrée | Ce qui est documenté | Verdict |
|---|---|---|
| « Nous entraînons les IA sur votre marque » | Seuls les éditeurs entraînent leurs modèles ; les robots d'entraînement ne prennent pas de soumission | Impossible |
| « Un fichier ou un balisage dédié fait entrer votre site dans le modèle » | Google : aucun fichier ni balisage particulier requis pour ses fonctionnalités d'IA ; aucun éditeur ne documente une lecture spéciale à l'entraînement | Aucune preuve |
| « Résultats visibles en quelques semaines » | Les dates de coupure publiées séparent l'usage du modèle de ses données de plusieurs mois à plus d'un an | Impossible par la voie de l'entraînement ; possible par la voie de la recherche, ce qui est du GEO |
| « Nous corrigeons ce que ChatGPT dit de faux sur vous » | Une erreur apprise persiste jusqu'au prochain entraînement ; une page corrective n'agit que si le moteur cherche et la retient | Partiellement : par la recherche, pas par la mémoire |
| « Score de présence dans le modèle » | Aucun accès aux paramètres ; la seule mesure est l'interrogation répétée, dont les résultats varient d'une réponse à l'autre | Mesurable seulement par panel répété, avec ses marges |
Les promesses citées sont des formulations types rencontrées dans des pages de prestataires ; aucune n'est attribuée.
Contrôles en refus seulement : documentations OpenAI, Anthropic, Google. Absence de fichier ou de balisage requis : Google, guide d'optimisation pour l'IA générative, 10 juillet 2026. Dates de coupure : documentation des modèles Anthropic. Publicité dans ChatGPT : articles Evocia sur ChatGPT Ads, à partir du centre d'aide OpenAI.
Comment mesurer le LLMO ?
En bref
En interrogeant les modèles sans recherche web, sur un panel de questions figé, plusieurs fois par question, version de modèle par version, et en relevant quatre choses : si l'entreprise est nommée, sa part parmi les entreprises nommées, la stabilité de sa présence d'une répétition à l'autre, et l'exactitude de ce que le modèle affirme sur elle. La comparaison avec le même panel posé avec recherche web dit ce qui vient de la mémoire et ce qui vient des pages.
| Étape | Ce qu'on fait | Pourquoi |
|---|---|---|
| 1. Panel figé | Vingt à cinquante questions de la catégorie, du problème à la décision, formulées comme les acheteurs, gelées pour la durée du suivi | Sans panel figé, deux relevés ne sont pas comparables |
| 2. Recherche désactivée | Interroger chaque modèle par son API avec la recherche web coupée, ou en relevant à part les réponses sans recherche | C'est la seule façon d'isoler la connaissance apprise |
| 3. Répétition | Chaque question posée au moins quatre fois, de façon indépendante | Les réponses varient : dans l'AI Sources Index, 38 % des couples domaine-requête n'apparaissent que dans une réponse sur quatre |
| 4. Version notée | Identifiant exact du modèle et date de connaissance publiée par l'éditeur | Un changement de modèle change la mémoire ; un progrès peut n'être qu'un nouveau modèle |
| 5. Quatre relevés | Présence, part de voix, stabilité, exactitude des faits (catégorie, périmètre, prix ou fonctionnalités annoncés) | L'exactitude est propre au LLMO : une entreprise peut être nommée et décrite faux |
| 6. Même panel avec recherche | Poser le même panel avec recherche web activée et comparer | L'écart entre les deux mesure ce que les pages apportent au-delà de la mémoire |
La part des réponses sans recherche où l'entreprise est nommée est ce que la méthode PRISME d'Evocia appelle le Share of Model.
Le protocole général de relevé, les biais et la construction du panel sont dans mesurer sa visibilité dans ChatGPT et les IA ; le Share of Model et les quatre états de la visibilité (connu du modèle, récupéré, cité, recommandé) dans la méthode PRISME ; les indicateurs dans les KPI du GEO.
Vous voulez savoir ce que ChatGPT, Claude ou Gemini répondent sur votre catégorie quand ils ne cherchent pas, et si votre entreprise fait partie de leur mémoire ? Evocia teste gratuitement trois questions de votre catégorie sur plusieurs moteurs, avec et sans recherche web, et vous envoie une synthèse courte.
Tester ma visibilité IAQuestions fréquentes
Quelle est la différence entre LLMO et GEO ?
Le GEO couvre toute la visibilité dans les réponses générées, y compris les pages que le moteur récupère au moment de la question et peut citer. Le LLMO, au sens utile, ne couvre que la connaissance apprise à l'entraînement : ce que le modèle répond sans chercher. Les leviers du GEO agissent en semaines, sur le site et les sources tierces ; ceux du LLMO agissent en mois, par la présence publique répétée. Dans la pratique, le LLMO est un sous-ensemble du GEO avec une mesure à part.
Peut-on faire entrer son site dans les données d'entraînement de ChatGPT ?
Pas directement. OpenAI documente un robot d'entraînement, GPTBot, et un moyen de le refuser dans robots.txt ; il ne documente aucun moyen de demander l'inclusion d'un site. Laisser GPTBot accéder aux pages est une condition nécessaire, pas une garantie : la sélection et la pondération du corpus ne sont pas publiées. Il en va de même pour ClaudeBot chez Anthropic et Google-Extended chez Google.
Combien de temps faut-il pour qu'un modèle apprenne une nouvelle entreprise ?
Au minimum le délai jusqu'au prochain entraînement, plus le retard entre la date des données et la date de connaissance fiable. Anthropic publie ces deux dates pour chaque modèle ; en septembre 2026, elles vont de février 2025 à juin 2026 selon le modèle. Une entreprise doit donc compter en mois, parfois plus d'un an, et rester présente sur plusieurs cycles. Une visibilité plus rapide passe par la voie de la recherche web, c'est-à-dire par le GEO.
Le fichier llms.txt sert-il au LLMO ?
Non, sur ce qui est documenté. Google indique qu'aucun fichier lisible par machine n'est nécessaire pour ses fonctionnalités d'IA, et aucun éditeur de modèle ne documente une lecture de ce fichier, ni pour la recherche ni pour l'entraînement. Le fichier est inoffensif ; il ne fait pas entrer un site dans un corpus. L'article dédié à llms.txt détaille l'état de la proposition.
Que faire si un modèle dit quelque chose de faux sur mon entreprise ?
Distinguer les deux voies. Si l'erreur apparaît quand le moteur cherche, elle vient d'une page : la corriger à la source, et publier une page exacte que le robot de recherche peut lire, agit en semaines. Si l'erreur apparaît sans recherche, elle est apprise : elle persistera jusqu'au prochain entraînement, et la seule action est de rendre la version exacte dominante sur le web public d'ici là. Dans les deux cas, mesurer avec et sans recherche dit de quelle voie l'erreur vient.
Le LLMO concerne-t-il les Aperçus IA de Google ?
Peu. Les Aperçus IA et AI Mode sont construits à partir de pages indexées par Googlebot, récupérées au moment de la question ; Google soumet leur apparition aux conditions de la recherche classique. Le jeton Google-Extended, qui gouverne l'entraînement de Gemini, n'a aucun effet sur l'inclusion ni le classement dans la recherche. Pour ces surfaces, ce sont les leviers de l'AEO et du SEO qui comptent.
Sources
- OpenAI, documentation des robots (GPTBot, OAI-SearchBot, ChatGPT-User) : usages et indépendance des réglages
- Anthropic, centre d'aide : Does Anthropic crawl data from the web, and how can site owners block the crawler? (ClaudeBot, Claude-SearchBot, Claude-User)
- Google Search Central, Google's common crawlers (mis à jour le 14 juillet 2026) : Google-Extended, entraînement et ancrage de Gemini, sans effet sur la recherche
- Google Search Central, AI features and your website (10 décembre 2025) : Aperçus IA et AI Mode soumis aux conditions de la recherche
- Google Search Central, guide d'optimisation pour l'IA générative (10 juillet 2026) : aucun fichier ni balisage particulier requis
- Perplexity, documentation des robots (PerplexityBot, Perplexity-User) : non utilisés pour l'entraînement de modèles de fondation
- Anthropic, Models overview : définitions de la date de connaissance fiable et de la date de coupure des données, valeurs par modèle (consulté le 15 septembre 2026)
- Brown et al., Language Models are Few-Shot Learners (GPT-3), arXiv 2005.14165, 2020 : composition du corpus d'entraînement (table 2.2)
- Touvron et al., LLaMA: Open and Efficient Foundation Language Models, arXiv 2302.13971, février 2023 : composition du corpus (table 1), données publiques exclusivement
- Evocia, AI Sources Index 2026 : part des réponses avec recherche web par type d'intention, stabilité des citations
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 entreprises dans les réponses des IA. Cet article fait partie du socle du cluster GEO.
Comment cet article a été réalisé
- Article rédigé le 15 septembre 2026. Sources primaires consultées le même jour : documentations des robots d'OpenAI, d'Anthropic, de Google et de Perplexity, documentation des modèles Anthropic pour les dates de connaissance, guide Google d'optimisation pour l'IA générative, les deux publications scientifiques citées pour la composition des corpus, et l'AI Sources Index 2026 d'Evocia.
- Une dizaine de pages de prestataires, francophones et anglophones, ont été lues pour l'analyse d'intention et des définitions en circulation ; aucune n'est citée. Les compositions de corpus citées datent de 2020 et 2023 ; l'article dit explicitement que les éditeurs ne publient plus celles de leurs modèles récents.
- Les leviers de la section « comment une entreprise entre-t-elle dans la connaissance d'un modèle » sont présentés avec leur niveau de preuve ; aucun n'est présenté comme démontré. Les chiffres d'Evocia proviennent d'une étude publiée avec ses données ; aucun résultat client n'est avancé.
Historique des mises à jour
- 15 septembre 2026Publication initiale : trois sens du terme LLMO, origine de la connaissance apprise (corpus, robots d'entraînement, dates de coupure), part des réponses de mémoire par type d'intention, cinq leviers avec niveau de preuve, cinq promesses impossibles ou non prouvées, protocole de mesure en six étapes, FAQ.
Comment une entreprise entre-t-elle dans la connaissance d'un modèle ?
En bref
Par ce que le web public dit d'elle, de façon répétée et cohérente, sur des pages que les robots d'entraînement collectent, avant la prochaine date de coupure. Aucun éditeur ne documente les critères de sélection ni de pondération de son corpus, et aucune étude publique n'a mesuré l'effet d'une action donnée sur la connaissance d'un modèle. Les leviers ci-dessous sont déduits de ce qui est documenté sur les corpus ; ils sont raisonnables, pas démontrés.
Aucun de ces leviers ne garantit qu'un modèle nommera l'entreprise. Ils augmentent la probabilité qu'elle figure, correctement décrite, dans ce que le prochain entraînement lira.
Le regard d'Evocia
Nous ne vendons pas de « LLMO » séparé. Dans un accompagnement GEO, la voie de l'entraînement est traitée par les mêmes chantiers que la corroboration tierce, avec une différence de mesure : chaque relevé sépare les réponses sans recherche web des réponses avec, de sorte qu'on sache si un progrès vient de ce que le modèle a appris ou de ce qu'il a trouvé. Sans cette séparation, un chiffre de visibilité mélange deux mécanismes aux délais incompatibles.