Écrire pour les LLM : mes 6 conseils pour être visible

En France, 48 % des utilisateurs d'IA générative s'en servent pour faire des recherches, selon une enquête Ipsos relayée par blogdumoderateur.com en 2026. Ces requêtes ne débouchent plus sur une liste de liens bleus. Elles produisent une réponse synthétique, avec une poignée de sources citées. Votre page peut occuper la première position sur Google et rester totalement absente de cette réponse.

C'est le décalage que je constate chaque semaine chez mes clients. Bien classé ne veut plus dire cité.

Je suis Mathieu, consultant GEO en agence GEO et dans cet article, je détaille comment un LLM choisit les sources qu'il reprend, la méthode en 6 principes que j'applique pour rendre un contenu citable, et une checklist à passer avant chaque publication. Objectif concret : apparaître dans les réponses de ChatGPT, Perplexity et Gemini. Grâce celui-ci, vous aurez les 1ers éléments pour ranker sur les LLMs.

SEO vs GEO : ce qui change vraiment

Le GEO (Generative Engine Optimization) désigne l'optimisation de contenu pour être repris dans les réponses générées par les assistants IA. Le SEO vise une position dans une liste de liens. Le GEO vise une phrase dans une réponse synthétisée. La différence d'objectif change tout le reste.

En SEO, je travaille pour que tu cliques sur mon lien. En GEO, je travaille pour que ChatGPT, Perplexity ou Gemini reprennent mon passage dans leur réponse, avec ou sans citation. L'unité de valeur n'est plus la page classée, c'est le bloc de texte extractible.

Le SEO reste un prérequis. Selon les informations publiques disponibles sur ChatGPT search, les assistants avec mode recherche activé s'appuient sur un index web pour récupérer des pages réelles avant de répondre. Il reste logique qu'un contenu jamais indexé n'entre pas dans le champ de récupération et n'ait aucune chance d'être repris. Le référencement IA ne remplace donc pas le référencement classique, il ajoute une couche de contraintes par-dessus.

C'est pour cette raison que je traite les deux comme complémentaires. Une page bien classée mais mal structurée sera indexée sans jamais être citée. Une page bien structurée mais invisible dans l'index ne sera jamais atteinte.

Un exemple : une fiche produit classée première sur Google mais rédigée en formulations vagues ne sera pas reprise par un LLM, faute d'information concrète à extraire.

Comment un LLM choisit les sources qu'il cite

lorsque tu poses une question à Perplexity ou à ChatGPT search, la plupart du temps, le modèle va effectuer une recherche web en quête de donnée fraîche. Il déclenche d'abord une recherche. C'est le principe du RAG (retrieval-augmented generation) : le modèle va récupérer des passages de contenu réels avant de rédiger sa réponse. Le processus tient en trois temps.

• Requête : l'assistant reformule ta question, souvent en plusieurs sous-questions. En gros, il fait des recherches Google comme vous et moi.

- Récupération : il collecte des pages candidates et les découpe en blocs de contenu. Pour en savoir plus sur comment devenir une source LLM, j'ai dédié un article complet sur le netlinking et GEO.

- Génération : il compare les blocs entre sources concurrentes, puis rédige.

Le détail des critères de tri n'est pas publié par les éditeurs de modèles. Ce qui suit relève donc de mon observation de terrain, pas d'un mécanisme documenté. D'après ce que je constate sur les contenus que je suis, 3 facteurs semblent jouer. D'abord une correspondance sémantique forte : le passage qui répond précisément à la sous-question paraît favorisé par rapport à un passage approximatif. Ensuite une impression d'autorité : un contenu factuel et sourcé semble mieux repris qu'une opinion sans référence. Enfin la clarté d'extraction : un passage compréhensible seul, sorti de son contexte, est plus facile à reprendre.

Il faut aussi distinguer 2 types de reprise. La citation avec lien apparaît dans Perplexity et ChatGPT search, où ta source est nommée et cliquable. La reprise sans attribution, elle, vient du contenu d'entraînement : le modèle a digéré ton texte pendant sa formation, mais il ne te crédite pas. Seule la première te ramène du trafic.

Dernière chose, une observation de terrain plutôt qu'un fait établi : sur les contenus que je suis, écrire plus long n'augmente pas les chances d'être cité. Le modèle ne récupère pas ta page entière, il en extrait un bloc court. Dans mon expérience, un paragraphe dense de trois phrases qui répond net à la question est repris plus souvent qu'une section de mille mots qui noie la réponse.

La méthode en 6 principes pour être cité

Répondre directement dès la première phrase de chaque section

Placez la réponse avant l'explication. Le LLM découpe une page en blocs et évalue chacun isolément. Si votre premier paragraphe tourne autour du pot pendant trois phrases, le bloc perd sa valeur au moment du tri. Pyramide inversée : conclusion d'abord, développement ensuite. Un lecteur pressé et un modèle de langage veulent la même chose au même endroit.

Écrire des passages autonomes et auto-suffisants

Chaque paragraphe doit tenir debout seul. Le modèle extrait un bloc, pas votre article entier. Les renvois comme "on l'a vu plus haut" ou "comme expliqué en introduction" cassent l'autonomie du passage. Répétez le sujet plutôt que d'utiliser un pronom qui pointe vers une phrase absente du bloc extrait. C'est verbeux à l'échelle de l'article, c'est ce qui rend chaque section citable.

Sourcer chaque affirmation avec une référence fiable

Adossez chaque donnée à une source nommée. Sur les contenus que je suis, le contenu vérifiable semble mieux repris : un chiffre sans origine paraît valoir moins qu'un chiffre attribué à une étude ou un institut reconnu. C'est aussi la logique promue par les recommandations pratiques de blogdumoderateur.com (2026), qui insistent sur la clarté et la fiabilité des passages pour être cité par les LLM. Format simple : le fait, puis la source et l'année entre parenthèses. Une affirmation floue passe pour de l'opinion. Une affirmation sourcée passe pour un fait réutilisable, et un modèle réutilise plus volontiers ce qu'il peut créditer.

Utiliser un vocabulaire cohérent et des termes explicites

Nommez votre produit ou votre concept de la même façon partout. Alterner entre trois synonymes brouille le rattachement de votre contenu à une catégorie. Si vous parlez d'un "outil de gestion de projet", gardez cette formulation plutôt que de basculer vers "plateforme collaborative" au paragraphe suivant. Alignez aussi votre vocabulaire sur les prompts réels : les requêtes adressées aux LLM sont longues et précises, elles contiennent des prix, des intégrations, des cas d'usage nommés.

Structurer avec des titres questions et des listes

Formulez vos titres comme des requêtes. Un H2 rédigé en question ("Comment mesurer sa visibilité IA ?") correspond directement à une sous-question générée par le modèle. Les listes et tableaux se découpent proprement en blocs : une donnée par ligne, un critère par puce. Un tableau comparatif est plus facile à extraire qu'un paragraphe dense qui mélange cinq caractéristiques.

Ajouter des données uniques et citables

Produisez vos propres chiffres. Un sondage maison, un retour d'expérience chiffré, un exemple concret que personne d'autre ne publie : voilà ce qui vous distingue à l'étape du tri entre sources concurrentes. Quand plusieurs pages répondent à la même sous-question, le modèle privilégie celle qui apporte une information absente ailleurs. Recompiler des données déjà disponibles partout ne donne aucune raison de vous citer plutôt qu'une autre source.

Structurer le contenu pour l'extraction (chunking)

Le balisage schema.org aide le modèle à comprendre la nature de chaque bloc. Un balisage FAQ signale une paire question-réponse. Un balisage HowTo signale une suite d'étapes. Un balisage Article structure le corps principal. Ces formats ne garantissent pas la citation, mais ils rendent l'extraction plus propre : le modèle récupère un passage déjà délimité plutôt qu'un fragment coupé au hasard.

Soignez aussi le balisage HTML sémantique. Des titres hiérarchisés correctement (un seul H1, des H2 et H3 imbriqués logiquement) donnent au parseur une carte claire du contenu. Les listes <ul> et <ol> et les vrais tableaux <table> se découpent mieux qu'une énumération noyée dans un paragraphe.

Reste le cas du fichier llms.txt. Ce fichier, placé à la racine du site, liste les contenus que tu veux exposer aux modèles. L'idée est séduisante. L'adoption réelle par les principaux LLM demeure limitée et non confirmée officiellement en 2026. Je le mets en place quand c'est peu coûteux, sans en attendre de résultat mesurable pour l'instant.

Une fiche produit dont les intégrations sont balisées dans un vrai tableau se fait citer bien plus qu'un paragraphe qui les noie dans une phrase.

Mesurer sa visibilité dans les réponses IA

Vous appliquez la méthode, mais vous ne savez pas si elle marche. Le suivi GEO répond à cette question. Deux approches se complètent.

La première, gratuite et manuelle : je prépare une liste de prompts tests qui correspondent aux requêtes de mes clients, puis je les relance chaque semaine sur ChatGPT, Perplexity, Gemini et Claude. Je note ce qui change. Un même prompt donne des réponses variables d'une semaine à l'autre, d'où l'intérêt d'un suivi régulier plutôt que d'un test unique.

La seconde, automatisée : des outils de tracking surveillent vos citations à ma place, à grande échelle.

Les tarifs de ces outils évoluent vite : consultez la grille de prix à jour directement sur le site de chaque éditeur avant d'arbitrer. Le critère "LLM couverts" reste le premier filtre de choix : privilégiez l'outil qui suit les modèles réellement utilisés par votre audience.

Un point technique à ne pas négliger : distinguez les mentions simples des citations avec lien. Une mention positionne votre marque, un lien génère du trafic.

Côté analytics, filtrez vos sources de référence dans GA4 pour isoler le trafic venant de ChatGPT, Perplexity ou Gemini. C'est encore le seul moyen fiable de chiffrer les visites issues des IA.

Checklist avant de publier

Avant de valider un contenu, je passe chaque page au filtre de ces contrôles. Si un item manque, la page attend.

• Réponse en tête de page et de chaque section

• Passages autonomes compréhensibles hors contexte

• Sources citées avec référence datée sur chaque affirmation chiffrée

• Vocabulaire cohérent : même terme pour le même concept partout

• Titres questions calqués sur des formulations réelles de prompts

• Données structurées (FAQ, tableaux, schema.org)

• Donnée unique citable qu'on ne trouve pas ailleurs

• Format scannable : sections courtes, un sujet par bloc

Cette liste tient sur une page. Je la garde ouverte pendant la relecture finale.

FAQ

Écrire pour les LLM remplace-t-il le SEO ?

Non, les deux se complètent. Un LLM récupère souvent ses passages dans des pages déjà indexées par un moteur classique. Sans indexation solide, le contenu n'entre pas dans le champ de récupération. Le SEO reste le prérequis technique. Le GEO ajoute une couche de clarté et de structuration au-dessus.

Quels LLM faut-il viser en priorité en 2026 ?

Sur les contenus que je suis, ChatGPT reste le point d'entrée majoritaire pour le grand public : c'est là que je concentre l'effort en priorité. En B2B, je surveille Perplexity de près, car il cite ses sources avec un lien cliquable et renvoie donc du trafic. Gemini vient ensuite, à traiter dès que les deux premiers sont couverts.

Le fichier llms.txt sert-il vraiment ?

Son adoption reste inégale selon les modèles. Je le mets en place car il coûte peu à produire, mais je n'en attends pas de gain de citation garanti. Priorité aux fondamentaux : réponse en tête, sources, structuration.

Comment savoir si mon contenu est cité par une IA ?

Teste tes prompts cibles régulièrement dans ChatGPT, Perplexity et Gemini, puis note les mentions et les citations avec lien séparément. Des outils de tracking GEO automatisent ce suivi. Croise avec les données de trafic référent pour repérer les visites issues des assistants.