Je me suis récemment entretenu avec Jesse Dwyer de Perplexity au sujet du référencement naturel (SEO) et de la recherche par intelligence artificielle, en mettant l’accent sur ce que les SEO doivent privilégier pour optimiser leur présence dans la recherche par IA. Ses insights ont fourni des orientations précieuses pour les éditeurs et les spécialistes du SEO aujourd’hui. ### La recherche par IA aujourd’hui Jesse a souligné que la personnalisation transforme fondamentalement la recherche par IA. Il a noté : « La plus grande et la plus simple différence entre l’AEO (Answer Engine Optimization) et le SEO traditionnel, c’est que ce n’est plus un jeu à somme nulle. Deux utilisateurs effectuant la même requête peuvent recevoir des réponses différentes si l’outil d’IA intègre la mémoire personnelle dans sa fenêtre de contexte (comme avec Perplexity, ChatGPT). » Ce changement provient des différences dans la technologie d’indexation, expliquant la divergence entre l’Optimisation Traditionnelle pour le Géocortex (GEO) et l’AEO. Néanmoins, la plupart des bonnes pratiques SEO classiques restent valables. Le message central de Dwyer est que la visibilité dans la recherche ne se résume plus à obtenir des résultats cohérents pour tous les utilisateurs. Les réponses de l’IA sont façonnées par le contexte personnel, ce qui signifie que deux utilisateurs peuvent voir des réponses et des sources d’informations sous-jacentes très différentes pour la même requête. Bien que l’infrastructure reste celle d’un index de recherche classique — Perplexity AI utilise un système similaire à PageRank pour évaluer la popularité et la pertinence des sites — ce qui est récupéré diffère nettement de la recherche traditionnelle. Lorsque j’ai demandé si la recherche classique affichait généralement les mêmes principaux sites pour chaque requête, tandis que la recherche par IA génère des réponses variées en raison du contexte conversationnel, Jesse a confirmé cette distinction. ### Le traitement des sous-documents : la différence clé dans la recherche par IA Jesse a approfondi la technologie centrale derrière la recherche par IA : la différence entre le traitement des documents entiers et celui des sous-documents. Les moteurs de recherche traditionnels indexent l’intégralité des pages web, en les notant et en les classant comme des unités uniques.

Les outils d’IA utilisant ce modèle — comme la recherche web de ChatGPT — récupèrent les 10 à 50 documents principaux, puis utilisent un grand modèle de langage (LLM) pour résumer les résultats. Cette approche, parfois surnommée « 4 recherches Bing dans un trenchcoat », repose toujours sur un moteur de recherche algorithmique plutôt que sur une véritable récupération par IA. Cette méthode correspond à l’Optimisation pour GEO ou pour les Moteurs de Génération (GEO ou GBE), qui dépend encore de la notation de pages entières. La nouvelle approche, centrée sur l’IA — appelée « traitement des sous-documents » — consiste à indexer et récupérer des extraits très spécifiques et granulaires plutôt que des documents complets. En termes d’IA, un extrait (ou snippet) se compose d’environ 5 à 7 tokens (2 à 4 mots) convertis en représentations numériques par l’architecture transformeur sous-jacente à des modèles comme GPT. Lorsqu’une requête est effectuée, le système extrait environ 130 000 tokens de snippets pertinents (environ 26 000 extraits) dans la fenêtre de contexte du modèle — la capacité totale de la plupart des LLM actuels — dans le but de saturer cette fenêtre avec des informations pertinentes. Saturer la fenêtre de contexte limite la tendance du modèle à « halluciner » ou inventer des informations, ce qui lui permet de produire des réponses plus précises. Cet index basé sur les sous-documents est l’avenir du secteur, justifiant le terme AEO. De plus, la personnalisation se réalise car le LLM peut intégrer un vaste ensemble de données sur l’utilisateur dans la fenêtre de contexte complète — bien au-delà du simple profil Google traditionnel — aboutissant à des résultats véritablement adaptés. Une entreprise comme Perplexity se distingue en optimisant la chaîne entre l’index et la récupération des extraits grâce à des méthodes telles que la modulation du calcul, la reformulation des requêtes et des modèles propriétaires, qui améliorent collectivement la pertinence des extraits et la qualité des réponses. Bien que cela soit moins critique pour les SEO, ces avancées expliquent aussi pourquoi l’API de recherche de Perplexity est particulièrement avancée pour les développeurs intégrant la recherche dans d’autres produits. ### Résumé des approches d’indexation Dwyer a mis en lumière la différence entre : - **L’indexation par documents entiers :** classer et récupérer la totalité des pages web, avec l’IA qui en résume le contenu final. - **L’indexation par sous-documents :** stocker et récupérer le sens sous forme de fragments fins, avec l’IA qui raisonne directement à partir de ces extraits. Cette dernière approche améliore la précision des réponses en saturant pleinement la fenêtre de contexte du modèle avec des données pertinentes, limitant la fabrication d’informations et produisant des réponses plus riches. Pour conclure, Jesse a souligné que « la modulation du calcul », la reformulation des requêtes et les modèles d’indexation propriétaires constituent leur « recette secrète » pour une récupération d’extraits supérieure et une meilleure qualité de recherche par IA. **Image en vedette** par Shutterstock/Summit Art Creations