Être cité par les IA : trouvé, extractible, attribuable

Le 5 novembre, la dernière question du QCM final de ma formation MBA tenait en une ligne. « Pour être cité par une IA, la combinaison la plus juste est… » Parmi les quatre réponses que j'avais proposées, il y avait « Beaucoup de mots-clés et un llms.txt ».

Et toi, tu aurais coché laquelle ?

La bonne réponse tient en trois conditions, que je résume en trois mots. Trouvé, extractible, attribuable. Les trois premiers chapitres t'ont fait poser une entité propre, la décrire en schema.org et la relier dans le graphe de ton WordPress. Celui-ci s'occupe du moment où une IA répond à quelqu'un qui ne te connaît pas. Ce qu'on sait de la façon dont elle choisit ses sources, ce que ton site peut y faire, et comment je le vérifie.

Une précision quand même. Ces trois conditions, c'est ma grille de travail, cohérente avec ce que publient Google, Microsoft ou OpenAI. Pas une loi démontrée. À chaque étape, je te dis ce qui est mesuré et ce que j'en pense. Allez, on y va !

4.1Trouvé, sortir sur les questions que la machine se pose

Une IA ne cite pas ce qu'elle n'a pas trouvé. Ça paraît bête, non ?

Chez Google, les Aperçus IA et le Mode IA peuvent utiliser une « distribution ramifiée de requêtes », le query fan-out en anglais. Au lieu de chercher ta question telle quelle, le modèle lance en même temps plusieurs recherches associées, sur des sous-thèmes et dans plusieurs sources de données. Et son guide sur l'IA générative, mis à jour le 13 juillet 2026, précise qu'il va chercher les pages dans l'index, avec les principaux systèmes de classement de la recherche.

Pas d'index, pas de citation.

Prends une question comme « quelle extension SEO choisir pour le WordPress d'un restaurant ? ». Une machine qui ramifie peut chercher en parallèle un comparatif des extensions, le balisage d'un restaurant, l'affichage des horaires dans les résultats... Je te préviens, cette liste est la mienne. Google ne publie pas ses sous-requêtes, et c'est bien tout le problème ! Ta page n'a donc pas besoin d'être première sur « la » question. Elle doit sortir sur une des sous-questions, avec un passage qui y répond.

Comment deviner ces sous-questions ? Je connais deux fenêtres, aucune n'est complète. Les « Autres questions posées » de Google, d'abord. Et une plus récente, qui me passionne. Le rapport AI Performance de Bing Webmaster Tools, en aperçu public depuis le 10 février 2026, montre un échantillon de « grounding queries », les requêtes que l'IA de Microsoft a lancées pour aller chercher ton contenu avant de le citer. À ma connaissance, c'est la seule vue officielle sur ces sous-questions.

Le réglage à vérifier avant tout le reste

Les bases sont au chapitre 8 du dossier SEO, une page indexable qui peut s'afficher avec un extrait. Il y a pourtant un réglage que ce chapitre ne mentionnait pas.

Dans la Search Console, Paramètres > IA générative dans la Recherche, tu inclus ou tu exclus ton site des Aperçus IA, du Mode IA et des fonctions génératives de Discover. Le guide de Google est formel, un site doit y être inclus pour apparaître dans ces fonctions. C'est le réglage par défaut (une propriété qui a une propriété parente hérite du sien), il n'agit pas sur l'entraînement, et Google assure qu'il ne sert pas de signal de classement ailleurs.

Ouvre-le quand même. Si ton site est exclu, aucun travail sur tes textes ne compensera.

Deux minutes de vérification, c'est vite rentabilisé ;)

4.2Robot par robot, chercher n'est pas entraîner

Pour te citer, une IA doit aussi pouvoir lire ta page. Le robots.txt d'origine de WordPress et le cas de Google-Extended sont au chapitre 8 du dossier SEO, je ne te les refais pas. Ici, on descend d'un cran. Le 6 novembre 2026, j'ai relu la documentation de trois éditeurs. Et j'ai trouvé la même logique partout. Tous séparent le robot qui cherche pour citer, celui qui collecte pour entraîner, et l'agent qui lit une page à la demande d'un utilisateur.

Google-Extended est un jeton du robots.txt, pas un robot, et il ne te retire pas des Aperçus IA (chapitre 8 du dossier SEO).

OpenAI l'écrit en une phrase, chaque réglage est indépendant des autres. Tu peux refuser GPTBot et laisser passer OAI-SearchBot. L'inverse coupe tes citations, puisqu'un site qui bloque OAI-SearchBot peut disparaître des réponses de recherche de ChatGPT. Quant aux agents à la demande, c'est un humain qui a demandé la page. OpenAI prévient donc que le robots.txt peut ne pas s'appliquer à ChatGPT-User, et Perplexity que Perplexity-User l'ignore en général.

Dans WordPress, quelques lignes de code

WordPress fabrique son robots.txt à la volée, et le filtre robots_txt, là depuis la version 3.0, permet d'y ajouter des lignes. Voici une extension « must-use » qui refuse l'entraînement à GPTBot et à ClaudeBot, sans toucher aux robots de recherche.

<?php
/**
 * Plugin Name: Robots IA (entraînement non, recherche oui)
 */
add_filter( 'robots_txt', function ( $output, $public ) {
	if ( ! $public ) {
		return $output; // site masqué aux moteurs : on ne touche à rien
	}
	$output .= "\nUser-agent: GPTBot\nDisallow: /\n";
	$output .= "\nUser-agent: ClaudeBot\nDisallow: /\n";
	return $output;
}, 10, 2 );

On l'a posé au labo le 6 novembre 2026, sur WordPress 7.1.3 avec Markdown Twin 1.1.5 active. Le robots.txt servi garde les lignes d'origine du chapitre 8, et ajoute les deux refus à la fin. Ni OAI-SearchBot ni Claude-SearchBot n'y sont visés.

User-agent: *
Disallow: /wp-admin/
Allow: /wp-admin/admin-ajax.php

Sitemap: http://127.0.0.1:8090/wp-sitemap.xml

User-agent: GPTBot
Disallow: /

User-agent: ClaudeBot
Disallow: /

Deux pièges. Un vrai fichier robots.txt posé à la racine est servi à la place de celui de WordPress, et ton filtre ne sert plus à rien (on l'a vérifié au labo, aucune des lignes du filtre n'est sortie). Et OpenAI compte environ 24 heures avant que sa recherche tienne compte d'un changement. Il y en a un troisième, invisible dans le robots.txt. Un pare-feu, une extension de sécurité ou un CDN peut refouler un robot que ton robots.txt laisse passer.

Le robots.txt est une demande. Le pare-feu, lui, est une porte !

4.3Extractible, un passage qui tient debout tout seul

Une IA qui a trouvé ta page ne la recopie pas. Elle en prend un morceau.

Et ce n'est pas nouveau. Le 15 octobre 2020, Google annonçait qu'il savait juger la pertinence de passages précis, en plus de la page entière, un changement censé améliorer 7 % des recherches dans toutes les langues. La même année, à la conférence EMNLP, Vladimir Karpukhin et ses coauteurs présentaient Dense Passage Retrieval, qui va chercher dans Wikipédia la réponse à une question. Sa matière première ? Plus de 21 millions de blocs de 100 mots.

Faut-il pour autant hacher tes articles en fiches de 100 mots ? Non ! Google écrit lui-même qu'il n'est pas nécessaire de segmenter ton contenu en petits morceaux pour que l'IA le comprenne mieux. Ses systèmes savent faire ressortir la partie la plus pertinente d'une page, et il juge inutile d'adapter ton style à la recherche par IA générative.

Je suis d'accord avec lui.

Ce que je te propose, c'est autre chose. Écrire des paragraphes qu'un lecteur comprend même s'il arrive au milieu de la page, qu'il vienne d'une IA, d'un extrait de Google ou d'un Ctrl+F. La machine en profite, l'humain pressé aussi.

D'abord, que le texte soit dans le HTML

Un passage absent du code de la page n'existe pas pour beaucoup de robots. En décembre 2024, Vercel a publié ce qu'il voyait passer sur son réseau. Aucun des grands robots d'IA ne rendait le JavaScript, ni ceux d'OpenAI, ni ClaudeBot, ni PerplexityBot. Seuls Gemini, adossé à l'infrastructure de Googlebot, et AppleBot affichaient les pages comme un navigateur.

Bon, c'est une mesure de fin 2024. Depuis, des tests indépendants se contredisent, et je n'en ai vérifié aucun à la source. Dans le doute, ma règle ne change pas. Le texte qui compte doit être dans le HTML.

Là, WordPress part avec un avantage, je trouve. Ses blocs sont, pour l'essentiel, écrits dans le HTML par le serveur. Le risque vient plutôt d'un widget d'avis chargé par un script, d'un contenu qui n'arrive qu'en faisant défiler la page, ou d'un module de constructeur de pages. Le test est à ta portée. Copie une phrase de ta page et cherche-la dans le code brut (Ctrl+U, pas l'inspecteur, qui montre la page après le JavaScript). Ou en ligne de commande, en te faisant passer pour OAI-SearchBot.

curl -s -A "Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko); compatible; OAI-SearchBot/1.4; +https://openai.com/searchbot" \
  https://ton-site.fr/ton-article/ | grep -c "une phrase exacte de ton article"

Zéro ? Ta phrase n'est pas dans le HTML, ou ton serveur répond autre chose à ce robot. Dans les deux cas, creuse. Et choisis une phrase sans apostrophe ni guillemets, WordPress les remplace par des signes typographiques dans le HTML.

On l'a passée au labo, sur un article de Twenty Twenty-Five, avec le user-agent d'OAI-SearchBot. Sur une phrase sans apostrophe, 1. Sur une phrase avec apostrophe, 0, que tu tapes l'apostrophe droite ou la courbe, parce que WordPress l'écrit ’ dans le HTML. Et le texte d'un bloc Détails fermé est bien dans le HTML brut, même replié à l'écran.

Cinq règles pour un passage qui se cite

Le chapitre 8 du dossier SEO donnait la ligne éditoriale. Ici, on descend au paragraphe, avec les cinq règles que je donne en formation.

1. Nommer. Le nom de la chose, pas « il », « elle » ou « notre solution ». Au moins une fois par paragraphe, quitte à te répéter un peu.
2. Répondre d'abord. La réponse dans la première phrase, les nuances ensuite.
3. Un bloc, une idée. Chaque paragraphe se comprend sorti de la page. Pas de « comme on l'a vu », pas de « ci-dessous ».
4. Prouver. Un chiffre avec sa source, une date, une version. Rien d'invérifiable.
5. Signer. Qui écrit, avec quelle expérience. Dans WordPress, c'est ta page d'auteur, reliée à ton entité (chapitre 3).

Un exemple vaut mieux qu'un long discours. Voici une phrase floue, puis la même, réécrite.

D'origine, il n'en met aucun, et franchement c'est dommage.

Sur le labo, le 6 novembre 2026, WordPress 7.1.3 seul, avec le thème Twenty Twenty-Five, ne pose aucun bloc JSON-LD sur l'accueil, sur un article ou sur une page d'auteur.

La première ne dit ni qui, ni quoi, ni quand. La seconde nomme le logiciel, sa version, le thème, la date et les pages testées. Une IA peut la reprendre telle quelle. Pour dire d'où elle vient, il lui faut encore un nom, celui de l'auteur ou du site : c'est la règle 5.

Le test du paragraphe seul

C'est le test que je fais faire en formation. Deux minutes par paragraphe, montre en main. Ouvre une conversation neuve dans Gemini ou ChatGPT, colle un seul paragraphe de ta page (sans le titre ni l'adresse), et pose ces trois questions.

Voici un paragraphe, seul, sans sa page.
1. De qui ou de quoi parle-t-il ? Nomme l'entité.
2. Quel fait précis peut-on en citer ?
3. À qui l'attribuerais-tu, et pourquoi ?
Si une réponse ne figure pas dans le texte, écris « absent ».

« Absent » à la première question ? Ton paragraphe n'est pas citable en l'état. Pas de drame, ça se réécrit.

On l'a fait le 6 novembre 2026 avec ChatGPT, une conversation neuve par phrase. La phrase floue rend « absent » dès la première question (« Le pronom « il » ne permet pas d'identifier précisément de qui ou de quoi parle le texte »), et la phrase réécrite nomme WordPress 7.1.3 et Twenty Twenty-Five et cite le fait en entier, mais l'attribution reste « absent », car le texte « ne nomme ni son auteur, ni l'organisme responsable ».

4.4Attribuable, que la machine sache qui parle

Être cité, c'est bien. Être cité pour ce qu'on a vraiment écrit, c'est mieux !

En 2023, à la conférence EMNLP, Nelson Liu, Tianyi Zhang et Percy Liang ont fait vérifier par des humains les réponses de quatre moteurs génératifs de l'époque (Bing Chat, NeevaAI, perplexity.ai et YouChat). Seules 51,5 % des phrases générées étaient entièrement appuyées par leurs citations, et 74,5 % des citations appuyaient vraiment la phrase à laquelle elles étaient accrochées. Des moteurs de 2023, je te le concède, et rien ne dit que ces chiffres valent pour ceux d'aujourd'hui.

La leçon, elle, tient. Une citation peut atterrir à côté de ce que tu as écrit. Et je pense que moins ta phrase dépend de son contexte, moins elle laisse de place à ce genre de glissement. Une déduction, pas une mesure.

Côté WordPress, être attribuable, c'est le travail des trois premiers chapitres. Un nom qui s'écrit pareil partout (chapitre 1), un balisage qui dit vrai (chapitre 2), un auteur et une organisation reliés à leur entité par le même @id (chapitre 3). Ajoute une date honnête (chapitre 4 du dossier SEO) et des liens vers tes sources, et la machine n'a plus à deviner qui parle.

L'étude GEO, et ce qu'elle mesure vraiment

Tu vas forcément croiser l'étude GEO, celle qui a baptisé le Generative Engine Optimization, présentée à KDD 2024. Pranjal Aggarwal et ses coauteurs y réécrivent des pages de plusieurs façons (citer ses sources, ajouter des statistiques, bourrer de mots-clés...) sur un banc d'essai de 10 000 requêtes. Leur résumé annonce jusqu'à 40 % de visibilité en plus. Sur Perplexity, les meilleures méthodes gagnaient 22 % sur leur mesure du nombre de mots, et le bourrage de mots-clés faisait moins bien que la page d'origine.

Mais regarde ce qu'ils mesurent. Leur métrique compte la part des mots de la réponse attribués à chaque source, avec plus de poids pour les sources citées tôt. Et dans leurs expériences principales, le « moteur » était gpt-3.5-turbo, à qui l'on donnait les cinq premiers résultats de Google. Tu vois ce que ça veut dire ? Les cinq sources étaient déjà entre les mains du modèle. L'étude ne dit rien de la façon d'être trouvé. Elle mesure ce qui aide une source déjà choisie à prendre plus de place dans la réponse et à s'y voir attribuer des phrases.

Pour moi, c'est l'extractible et l'attribuable, pas le trouvé !

Les pourcentages ne se transposent pas à ton WordPress de 2026. La direction, des preuves et des chiffres datés plutôt que des mots-clés répétés, me paraît solide.

4.5llms.txt et jumeau Markdown, une expérience, pas une promesse

Le llms.txt est une proposition de Jeremy Howard, publiée le 3 septembre 2024. Un fichier Markdown à la racine du site, avec un titre, un résumé et des listes de liens, pour aider un agent d'IA à trouver l'essentiel. La même proposition suggère une version Markdown propre de chaque page, à la même adresse suivie de .md. C'est le jumeau Markdown. Son auteur la présente comme une proposition ouverte aux commentaires, pas comme une norme. WordPress seul n'en produit pas, /llms.txt y répond 404 (relevé au chapitre 8). Google, lui, écrit que sa recherche n'utilise ni les fichiers llms.txt, ni des balises spéciales, ni le format Markdown.

Et les autres ? Le 6 novembre 2026, aucune des pages où OpenAI, Anthropic et Perplexity décrivent leurs robots ne disait qu'ils lisent ton llms.txt ou tes .md. Le plus drôle, c'est que la documentation d'OpenAI et celle de Perplexity ont chacune leur llms.txt, et qu'OpenAI sert ses pages en Markdown si on ajoute .md à l'adresse :D Ma lecture ? Ce format vit surtout là où des développeurs font lire de la documentation à leurs outils. Pour être cité dans une réponse de recherche, rien ne montre qu'il serve.

Ce qu'elle fait se vérifie, en revanche. D'après sa documentation, elle donne à chaque page un jumeau Markdown tiré de la page telle qu'elle s'affiche, JSON-LD en tête, à l'adresse de la page suivie de .md (ou sur demande text/markdown dans l'en-tête Accept). Le jumeau part en noindex, avec une canonical vers la page HTML. L'extension sert aussi un /llms.txt, sauf si ton site en a déjà un. Et surtout, elle compte, agent par agent, qui vient lire tout ça. C'est le principe du module que je démonte fichier par fichier dans le dossier Créer un module PrestaShop.

Une anecdote de formation, pour garder les pieds sur terre. Le premier jour, chaque stagiaire publiait sa page d'entité, avec son jumeau moi.md et un llms.txt. Chez l'une d'elles, le jumeau s'ouvrait parfaitement dans le navigateur. Gemini, lui, n'a pas réussi à le lire. La page avait quelques heures, et mon support le prévoyait, une IA n'ouvre pas toujours une adresse toute neuve.

Publier un fichier pour les machines ne garantit pas qu'une machine vienne le lire.

Alors pourquoi en publier un ? Pour mesurer.

Lire n'est pas citer, mais on peut au moins compter qui lit. Si OAI-SearchBot ou Claude-User viennent chercher tes jumeaux, tu le sauras. S'ils ne viennent jamais, tu retireras l'extension sans regret.

4.6Mesurer, quatre compteurs et dix questions

Je le répète, tout ce qui précède reste une hypothèse tant que tu ne l'as pas mesuré. Et pour une fois, les outils existent !

La Search Console. Le rapport IA générative est ouvert à tous les sites depuis le 31 août 2026, avec une seule métrique, les impressions (plusieurs liens du même site dans la même réponse n'en font qu'une). Tu filtres par page, pays, appareil et date, et par type de recherche, textuel ou multimodal (Google Lens, la recherche par image). Ces impressions figurent aussi dans le rapport Performances, type Web. Trop peu d'impressions, ou un site exclu par le réglage « IA générative dans la Recherche », et le rapport ne s'affiche pas. Mon réflexe ? L'onglet des pages, qui montre celles que Google affiche déjà dans ses réponses. Ce sont elles que je passe en premier au test du paragraphe seul.

Bing Webmaster Tools. Le rapport AI Performance donne le total des citations, le nombre moyen de pages citées par jour, les citations page par page et l'échantillon de grounding queries. Microsoft prévient que ces chiffres ne disent ni la place dans la réponse, ni l'importance de la page. C'est pourtant, à ma connaissance, le seul compteur de citations tenu par un moteur. Pour l'ouvrir, ton site doit être validé dans Bing Webmaster Tools.

GA4. Depuis le 13 mai 2026, GA4 range les visites venues des assistants d'IA dans un canal « Assistant IA ». D'après l'aide de Google, GA4 y range une visite quand sa provenance figure dans sa liste d'assistants (ChatGPT, Gemini, Deepseek, Copilot, Grok...), en lui donnant le support « ai-assistant ». Les Aperçus IA et le Mode IA de Google en sont exclus. ChatGPT, de son côté, ajoute utm_source=chatgpt.com à ses liens, d'après la FAQ d'OpenAI. Pour contrôler le canal, fais une exploration avec la source de session et ce filtre par expression régulière, à compléter avec les assistants que tu vois passer.

chatgpt\.com|perplexity\.ai|gemini\.google\.com

Tes journaux. Ton serveur, lui, sait qui vient lire. Chaque visite d'un robot laisse une ligne dans le journal d'accès, avec son user-agent.

grep -Eo "OAI-SearchBot|GPTBot|ChatGPT-User|Claude-SearchBot|ClaudeBot|Claude-User|PerplexityBot|Perplexity-User" access.log \
  | sort | uniq -c | sort -rn

Un user-agent se falsifie en une ligne, la commande curl de ce chapitre le prouve. OpenAI publie donc les adresses IP de ses robots (searchbot.json, gptbot.json, chatgpt-user.json), et une ligne ne compte vraiment que si l'adresse en fait partie. Avec Markdown Twin, ce comptage se fait pour les jumeaux et le llms.txt, vérification des adresses en option. Pour les pages HTML, ce sont tes journaux.

On l'a fait au labo, trois visites avec les user-agents d'OAI-SearchBot, de GPTBot et de ClaudeBot, et trois lignes comptées.

      1 OAI-SearchBot
      1 GPTBot
      1 ClaudeBot

Avant de compter, vérifie que ton journal garde le user-agent. Celui du labo, réduit, ne le gardait pas, et la même commande n'y trouvait rien. Il a fallu un journal au format standard d'Apache, le format combined.

Dix questions, chaque mois

Le dernier compteur, aucun outil ne te le donne.

Écris dix questions qu'un vrai client poserait à une IA sans te nommer, quatre de découverte, trois de comparaison, trois de problème. Pose-les aux mêmes IA, une conversation neuve à chaque fois, et note trois choses. Es-tu cité ? Correctement ? Et qui l'est à ta place ? Le « correctement » compte autant que le reste, l'étude de Nelson Liu et de ses coauteurs a montré qu'une citation peut être accrochée à côté de ce que dit la source. Vérifie chaque fait qu'on te prête.

Les réponses changent d'une fois à l'autre, alors ne conclus rien sur un relevé. Les outils de suivi professionnels reposent la même question des dizaines de fois. Sans eux, pose chaque question au moins deux ou trois fois, et garde les mêmes dix questions d'un mois sur l'autre. Sinon, tu compares des pommes et des poires.

4.7Et après ?

Je termine ce dossier sur une question que je n'ai pas tranchée.

Être cité, c'est qu'une IA lise ta page et la résume pour quelqu'un. La suite se prépare déjà, et elle ne se contente plus de lire. En fouillant WordPress 7.1.3 pour le chapitre 8, j'y ai trouvé une Abilities API et un client d'IA, que je n'ai pas testés. Et le guide de Google sur l'IA générative parle désormais des agents, ces systèmes qui réservent ou comparent des produits à la place de quelqu'un, et qui lisent une page par sa capture d'écran, son DOM ou son arbre d'accessibilité.

Un agent qui agit a encore plus besoin qu'un moteur de savoir sur quelle chose il agit. Le bon restaurant, le bon produit, le bon WordPress (pas WordPress.com !). Tu reconnais la question du premier chapitre ? Des mots aux choses, en 2012. Des choses aux actions, peut-être.

Pour cette suite-là, je n'ai pas de recette, et je me méfierais de quiconque prétend en avoir une. J'ai une méthode, mesurer avant d'affirmer, et un labo pour le faire. Le jour où je saurai, ce dossier changera, et tu le verras dans son historique.

Et toi, ta première question fixe, ce sera laquelle ? :)

Co-fondateur de Kōeki · Consultant SEO et IA

Sébastien Grillot

Consultant SEO depuis 2009 : c'est ici, sur Inside da WeB, qu'il a monté sa première agence, spécialisée dans l'e-commerce sous WordPress. Depuis 2021, il accompagne les e-commerçants avec Kōeki.

Son parcours completDiscuter de ton site avec KōekimIAou, ma newsletter IA