Pourquoi l’IA ne cite pas votre page : diagnostiquer avant de réécrire.

La plupart des pages pertinentes qu’un moteur IA laisse sans citation n’échouent pas parce qu’elles sont mal écrites. Elles échouent parce qu’elles ne répondent pas à la question exacte posée, avec les noms et les faits précis qu’elle demande. C’est le principal résultat d’une étude de Virginia Tech et de l’université du Zhejiang, qui a repris 949 cas où un moteur IA avait une page pertinente sous la main, a cité un concurrent à la place, et a cherché pourquoi.

L’un de leurs exemples porte sur une question : citer trois sports traditionnels de l’État indien du Karnataka. La page non citée parlait bien du sport au Karnataka. Elle couvrait le cricket, le football, le badminton, le kabaddi et les athlètes les plus connus de l’État. La seule phrase qui nommait un sport traditionnel, la course de buffles Kambala, était enfouie au fond de la page. La page était dans le sujet. Elle ne répondait pas.

La réponse de l’étude à ce type d’échec n’est pas de réécrire la page. Elle consiste à trouver l’étape qui a échoué, puis à ne modifier que ce dont cette étape a besoin. Dans leurs tests, cette approche a fait monter le taux de citation plus haut que les règles génériques de réécriture GEO, en touchant beaucoup moins de texte.

Qu’a testé l’étude ?

L’étude arXiv:2603.09296 cherche pourquoi une page web pertinente n’est pas citée par un moteur IA, et teste un système qui diagnostique chaque échec avant de le réparer. Ses auteurs sont Zhihua Tian, Yuhan Chen et Ruoxi Jia, de Virginia Tech, avec Yao Tang et Jian Liu, de l’université du Zhejiang. Elle a été mise en ligne le 10 mars 2026 sous forme de prépublication : elle n’a pas été relue par un comité.

Les auteurs partent d’un choix de cible. Les travaux GEO précédents mesuraient la contribution, c’est-à-dire la part d’une réponse IA attribuable à une page. Cette étude mesure la citation, l’événement binaire d’être listé comme source, parce qu’une page non citée ne renvoie aucun visiteur. Dans leurs essais de référence, 43 % des pages pertinentes pour le sujet n’ont reçu aucune citation.

Le travail a trois volets. Une typologie des échecs de citation, construite à partir de 949 paires associant une page non citée et un concurrent cité, retrouvés pour la même question. Un système, AgentGEO, qui compare la page non citée à la gagnante, nomme l’échec probable, applique l’un de neuf outils de réparation ciblés, reteste et recommence. Et un banc d’essai, MIMIQ : 204 pages web réelles, chacune avec 60 questions générées, dont 20 servent à optimiser la page et 40 sont gardées de côté pour la tester. Ces questions réservées vérifient qu’une amélioration fonctionne sur des questions que le système n’a jamais vues, pas seulement sur celle pour laquelle il a été réglé.

Un point compte avant tout chiffre. Le moteur IA de ces tests est une simulation construite par les auteurs, avec gpt-4.1-mini et claude-haiku-4-5 et des consignes de citation explicites. Ce n’est ni ChatGPT, ni Perplexity, ni Google. Les auteurs l’ont choisi pour pouvoir diagnostiquer et répéter les expériences, ce que les systèmes commerciaux ne permettent pas.

Pourquoi des pages pertinentes ne sont-elles pas citées ?

Six fois sur dix, parce que la page ne correspond pas à ce que la question demande : sur les 949 échecs de l’étude, 62,2 % relèvent de l’alignement sémantique, 27,1 % de la qualité du contenu, 10,1 % de problèmes techniques et 0,6 % d’une exclusion structurelle. Les auteurs situent chaque échec à l’étape du moteur IA où il se produit : la récupération de la page, son analyse, ou la génération de la réponse.

Les deux premières causes sont proches. Le manque de contexte, c’est une page dans le sujet à qui manquent les noms, chiffres ou termes précis que la question réclame, comme la page sur le Karnataka. Le décalage d’intention, c’est une page qui répond à une autre question : une page sur le téléfilm de 1974 tiré du Tour d’écrou, retrouvée pour une question sur l’époque où se déroule le roman. La troisième grande cause, la rareté de l’information, regroupe les pages trop courtes ou trop vagues pour être citées, comme un index de questions d’examen qui ne donne jamais la réponse.

Diagnostiquer une page fait-il mieux que les règles GEO génériques ?

Dans la simulation des auteurs, oui : les modifications ciblées issues du diagnostic ont fait passer le taux de citation de 56,6 % à 79,5 % sur le moteur GPT, contre 68,8 % pour la meilleure méthode à base de règles. C’est l’« amélioration relative de plus de 40 % » du résumé de l’article. Le gain est plus faible ailleurs : de 42,4 % à 54,8 % sur le moteur Claude, et de 60,2 % à 70,0 % quand le moteur sélectionne des passages avant d’écrire sa réponse.

Les méthodes comparées comprennent les huit méthodes de réécriture de l’article GEO fondateur de 2024, comme ajouter des statistiques, des citations, des sources ou adopter un ton d’autorité, et AutoGEO, une méthode de 2025 qui apprend des règles de réécriture sur un grand nombre de pages. Le tableau en présente une sélection.

La dernière colonne est la seconde moitié du résultat. Selon les auteurs, leurs réparations ciblées ont modifié environ 5 % du contenu d’une page en moyenne, contre 25 % pour les méthodes de comparaison. AutoGEO a raccourci les pages de 43 % en moyenne, la réécriture « facile à comprendre » de 53 %. AgentGEO a gardé la page et corrigé les parties qui échouaient. Autrement dit, la plupart des pages non citées avaient besoin d’une correction précise, pas d’un nouveau texte.

Les réparations elles-mêmes sont des gestes éditoriaux ordinaires. Insérer l’entité manquante dans la phrase où elle a sa place. Transformer un paragraphe de chiffres en tableau. Ajouter intertitres et listes à un mur de texte. Réécrire l’ouverture pour répondre directement à la question. Placer un résumé d’une ou deux phrases en tête. Remonter une réponse enfouie. Séparer la navigation et le pied de page du contenu principal.

Les règles GEO génériques peuvent-elles nuire à une page ?

Oui, sur certains sujets : l’étude a trouvé des catégories où la réécriture par règles a fait baisser le taux de citation, surtout là où les pages étaient déjà bien citées. AutoGEO a fait moins bien que les pages non modifiées sur plusieurs sujets. Pour les auteurs, des règles apprises sur des moyennes conviennent aux pages moyennes, et les sujets spécialisés ou peu représentés s’en écartent.

Le diagnostic n’est pas immunisé non plus. Sur les pages santé, déjà citées environ 80 % du temps, AgentGEO a lui-même reculé. Certaines de ses modifications ont retiré des informations propres au domaine sur les pages restantes, ce qui les a rendues moins citables. Pour un site spécialisé, l’avertissement est utile : une optimisation qui simplifie au point de perdre la précision technique peut coûter la citation qu’elle devait gagner.

Une méthode de comparaison mérite un second regard. Le bourrage de mots-clés a fait monter le taux de citation dans cette simulation, de 56,6 % à 62,4 %. Cela en dit plus sur les limites d’un moteur simulé que sur ce qu’il faut faire sur un vrai site, où les moteurs de recherche pénalisent cette pratique depuis longtemps. C’est une raison de lire chaque banc d’essai GEO comme un banc d’essai, pas comme un mode d’emploi.

Quels échecs de citation le contenu ne peut-il pas corriger ?

Ceux où le moteur préfère un domaine plus connu : après optimisation, 163 questions du jeu de 50 pages n’étaient toujours pas citées, et les auteurs ont trouvé des cas qu’aucune modification ne pouvait gagner. Sur les questions d’entraînement, le taux de citation est passé de 57,0 % à 83,7 %. Le reste a résisté.

Leur exemple est une page de cours universitaire sur l’apprentissage automatique, retrouvée pour « meilleurs cours en ligne de machine learning ». Les réparations ont fonctionné comme prévu : descriptions plus claires, plus de détails, meilleur alignement sur la question. Le moteur a continué de citer Coursera et edX. Les auteurs en concluent que les moteurs peuvent privilégier des facteurs liés au domaine, extérieurs à la page, et que l’optimisation du contenu seule a un plafond. Dans la typologie, c’est la redondance concurrentielle : une source plus autoritaire couvre déjà les mêmes faits.

Ce plafond marque le début d’un autre travail. Une page ne gagne pas d’autorité en se réécrivant. Les mentions par des sources auxquelles le moteur fait déjà confiance, et une réputation construite hors du site, sont ce qui permet à une marque de le franchir.

Quelle est la solidité des résultats ?

Le cadre de diagnostic est utile et les gains se retrouvent d’un réglage à l’autre, mais tous les résultats viennent d’un moteur simulé, et le chiffre principal vaut pour une seule configuration. Les auteurs renvoient le test sur des moteurs commerciaux à des travaux futurs.

Les limites méritent d’être dites clairement. Le moteur est une simulation contrôlée bâtie sur deux petits modèles, pas un moteur de réponse en production. Les 60 questions par page ont été générées par un modèle de langage, et les diagnostics posés par un modèle de langage. Les parts de la typologie viennent de GEO-Bench, un corpus de questions surtout informatives sur dix domaines ; des questions commerciales sur des entreprises locales pourraient les déplacer. Le chiffre « plus de 40 % » vaut pour le moteur GPT avec citations intégrées ; les autres réglages gagnent entre 16 % et 29 %. Et l’article est une première version de prépublication.

Deux résultats sont plus solides, parce qu’ils tiennent d’un réglage à l’autre. Les modifications ciblées ont conservé 82 % du vocabulaire de la page et battent pourtant toutes les méthodes de réécriture. Et sur des questions réservées venant de profils d’utilisateurs jamais vus pendant l’optimisation, les pages diagnostiquées gardent leur avance, à 70,6 % contre 64,2 % pour AutoGEO.

Comment savoir pourquoi votre page n’est pas citée ?

En la comparant, question par question, avec la page que le moteur IA a citée à sa place. Ce qui suit est la lecture KAIS de l’étude, transformée en méthode applicable. L’étude automatise la comparaison ; les questions ci-dessous peuvent être posées par une personne, sur de vrais moteurs.

Partir des questions que posent les acheteurs, pas de la page. Pour chaque question où la page est pertinente mais absente, noter la source que le moteur a citée. Puis mettre les deux pages côte à côte et poser quatre questions, dans l’ordre.

D’abord, le moteur pouvait-il lire la page ? Un contenu derrière un blocage anti-bots, une connexion obligatoire ou du JavaScript n’atteint jamais la réponse. Cette famille représente 10 % des échecs de l’étude, mais sur des sites d’entreprise elle peut peser davantage : une étude publiée plus tôt ce mois-ci a trouvé des agents IA bloqués sur un tiers des parcours vers des sites difficiles à lire pour eux, un écart présenté dans L’agent IA lit votre site avant de vous recommander.

Ensuite, la page répond-elle à la question posée, selon l’intention qui la porte ? Une question de prix appelle un prix. Une question sur une ville appelle les détails de cette ville. Troisièmement, la page contient-elle les noms, chiffres et termes précis de la question, écrits là où un moteur les trouvera ? Quatrièmement, y a-t-il assez de matière à citer, présentée pour que la réponse se détache proprement : une première phrase directe, un tableau pour les chiffres, un sujet par section, comme le montre La structure d’une page aide l’IA à la retrouver.

Si la réponse aux quatre est oui et que le moteur cite toujours un domaine plus connu, le problème n’est plus sur la page. C’est le signal pour travailler l’autorité et la corroboration ailleurs.

Où cela se situe-t-il dans l’AI Visibility Chain de KAIS ?

L’étude se situe entre Be Understood et Be Cited : elle explique pourquoi une page retrouvée ne devient pas une source.

Sa typologie se superpose presque maillon par maillon à la chaîne. Les échecs techniques cassent Be Retrieved. Les échecs sémantiques et de qualité cassent Be Understood. La redondance concurrentielle, l’échec qu’aucune modification ne corrigeait, est un problème de Be Trusted. Et être cité n’est toujours pas la fin : une source peut être listée sans façonner la réponse, un écart mesuré dans Cité ne veut pas dire utilisé.

Une page non citée n’est pas une page à réécrire. C’est une page à diagnostiquer.

La leçon la plus pratique de l’étude est un changement de question. Non plus « qu’est-ce qui rend un contenu adapté à l’IA ? », mais « pourquoi le moteur a-t-il préféré cette page à la mienne, pour cette question ? » La réponse est souvent précise, souvent petite, et différente d’une page à l’autre.

La page sur le Karnataka n’avait pas besoin d’un nouveau texte. Il lui fallait les noms de trois sports traditionnels, écrits là où la question irait les chercher.

Sources et références

• Tian, Chen, Tang, Liu et Jia — Diagnosing and Repairing Citation Failures in Generative Engine Optimization, arXiv:2603.09296v1 [cs.IR], 10 mars 2026, Virginia Tech et université du Zhejiang. Prépublication non relue par un comité. Objectif centré sur la citation et 43 % de non-citation de référence (section 1), typologie (section 3.2, figure 2, annexe C), AgentGEO et outils de réparation (section 4, annexe D), banc d’essai MIMIQ (section 5, annexe A), résultats principaux (tableaux 2 et 3), sujets et cas santé (section 6.3, figure 4), échecs irrécupérables (section 6.4), résultats hors distribution et HTML (tableau 4) et réduction de longueur (annexe B). Les parts de 5 % et 25 % de texte modifié sont les chiffres de synthèse des auteurs. Tous les chiffres viennent de l’article ; aucun n’a été reproduit par KAIS.
• Aggarwal et al. — GEO: Generative Engine Optimization, KDD 2024. L’article GEO fondateur, dont les méthodes de réécriture servent de comparaison dans l’étude.