Il existe une étape, entre le moment où un robot lit votre page et celui où un assistant la cite, dont presque personne ne parle : le découpage. Aucun moteur génératif ne manipule des pages entières. Il les coupe en blocs de quelques centaines de mots, transforme chaque bloc en vecteur, et compare ces blocs à la question posée. Le terme technique est chunking, et le bloc obtenu un chunk.
La conséquence est brutale et rarement tirée. La mise en concurrence se joue entre fragments : un morceau de votre page, arraché à son contexte, contre un morceau de celle d'un concurrent. Un article excellent dont chaque paragraphe dépend du précédent produit une série de blocs incompréhensibles. Un article moyen dont chaque bloc se suffit produit une série de candidats à la citation.
Cet article traite de ce qui est réellement documenté sur ce découpage, de ce qui ne l'est pas, et de la manière d'écrire des passages qui survivent au passage du couteau.
Ce que Google documente, et ce qu'il refuse de documenter
Google reconnaît publiquement le principe. Son guide des systèmes de classement définit le passage ranking comme « an AI system we use to identify individual sections or "passages" of a web page to better understand how relevant a page is to a search ». Le système est ancien : il est arrivé dans les résultats américains en anglais le 10 février 2021, bien avant les surfaces génératives.
Deux précisions comptent. D'abord, Google a toujours corrigé la formulation « indexation par passage » : ce n'est pas le passage qui est indexé, c'est la page, et le passage sert à mieux évaluer sa pertinence. Ensuite, ce système décrit la recherche classique, pas le pipeline génératif.
Sur le pipeline génératif, justement, Google reste très économe. Son guide dédié aux fonctionnalités IA affirme qu'il n'y a « no additional requirements to appear in AI Overviews or AI Mode, nor other special optimizations necessary », et pose une seule condition d'entrée technique : « to be eligible to be shown as a supporting link in AI Overviews or AI Mode, a page must be indexed and eligible to be shown in Google Search with a snippet, fulfilling the Search technical requirements ». Cette condition mérite d'être lue littéralement. Une page couverte par un nosnippet ou un max-snippet très bas reste indexée et devient inéligible ; c'est l'une des causes d'absence que nous détaillons dans notre article sur les crawlers IA.
Ce qu'aucun moteur ne publie, en revanche, c'est la manière dont il découpe. Ni Google, ni OpenAI, ni Perplexity ne documentent la taille de leurs blocs pour la recherche web, leur chevauchement, ni la façon dont ils traitent un tableau ou une liste. Il faut le dire clairement : le chunking ne s'optimise pas, il se subit. Ce que vous contrôlez n'est pas le découpage, c'est la résistance de votre texte à un découpage que vous ne verrez jamais.
Les seuls ordres de grandeur publics
Faute de chiffres sur la recherche web, il reste les pipelines de récupération documentaire, le RAG (retrieval-augmented generation), que les mêmes éditeurs publient pour leurs développeurs. Ces pipelines servent à interroger vos propres documents, pas le web, et il faut les présenter comme tels. Ils donnent en revanche les seuls ordres de grandeur vérifiables du marché, et ils convergent.
| Source | Taille de bloc par défaut | Chevauchement | Ce que c'est |
|---|---|---|---|
| OpenAI, file search | 800 tokens (réglable de 100 à 4 096) | 400 tokens | Récupération sur vos propres fichiers via l'API |
| Google, Vertex AI RAG Engine | 1 024 tokens | 256 tokens | Pipeline RAG d'entreprise sur Google Cloud |
| Anthropic, contextual retrieval | « usually no more than a few hundred tokens » | non précisé | Article d'ingénierie sur les bonnes pratiques RAG |
Deux lectures en découlent.
L'unité de travail est le bloc de quelques centaines de mots. La conversion en mots demande de la prudence : les tokenizers découpent le français plus finement que l'anglais, comptez grossièrement une fois et demie à deux tokens par mot. Un bloc de 800 tokens représente donc de l'ordre de 400 à 550 mots en français, un bloc de 1 024 tokens de l'ordre de 500 à 700 mots. Traitez ces nombres comme un ordre de grandeur, pas comme une cible.
Le chevauchement est loin d'être négligeable. Chez OpenAI, il vaut par défaut la moitié de la taille du bloc, ce qui signifie que chaque phrase apparaît dans deux blocs consécutifs. C'est un aveu de conception : les éditeurs savent que leur découpage coupe au mauvais endroit, et ils paient une redondance de 50 % pour limiter les dégâts. Google formule d'ailleurs l'arbitrage sans détour : « a smaller chunk size means the embeddings are more precise. A larger chunk size means that the embeddings might be more general but might miss specific details. »
OpenAI documente enfin une limite de sortie qui vaut d'être connue : une requête de récupération renvoie « 10 results maximum by default », extensible à 50. La compétition ne se joue donc pas sur une page de résultats à dix liens, mais sur une poignée de blocs sélectionnés parmi tous ceux du web pertinents pour la question. Un site peut être présent trois fois dans cette poignée avec trois passages différents, ou zéro fois avec un excellent article monolithique.
Le problème du bloc orphelin
Anthropic a publié l'illustration la plus nette du défaut structurel de ce mécanisme. Prenez un bloc qui contient la phrase : « The company's revenue grew by 3% over the previous quarter. » L'article note que « this chunk on its own doesn't specify which company it's referring to or the relevant time period, making it difficult to retrieve the right information or use the information effectively ».
Ce bloc est correct, informatif, et parfaitement inutilisable. Il a perdu son sujet en même temps que son contexte.
La mesure qui suit donne l'ampleur du phénomène. En préfixant chaque bloc de quelques dizaines de mots de contexte générés à partir du document entier (50 à 100 tokens, selon l'article), Anthropic fait passer le taux d'échec de récupération sur les vingt premiers blocs de 5,7 % à 3,7 %, soit une baisse de 35 %. En combinant cette technique avec un index lexical contextualisé, l'échec tombe à 2,9 % (moins 49 %) ; en ajoutant un reclassement, à 1,9 % (moins 67 %).
Il faut interpréter ces chiffres correctement, et c'est là que la plupart des conseils dérapent. Ils décrivent une correction appliquée côté moteur, sur un corpus interne, par une équipe qui contrôle son pipeline. Vous ne pouvez pas contextualiser les blocs d'un moteur de recherche. Mais le diagnostic, lui, vous concerne directement : un bloc qui ne nomme pas son sujet est difficile à récupérer. Et sur ce point, contrairement au reste du pipeline, vous décidez de tout.
Concrètement, tout ce qui repose sur la mémoire du lecteur devient un handicap : « cette solution », « comme nous l'avons vu plus haut », « il », « ce dispositif », un titre de section qui porte le sujet que les paragraphes suivants ne répètent jamais. À la lecture humaine, cette écriture est fluide et bien élevée. Après découpage, elle produit des blocs anonymes.
Où les citations sont réellement prélevées
Reste une question empirique : dans une page citée, quelle partie est effectivement reprise ? Une analyse répandue apporte des éléments, à condition de la citer avec ses réserves.
Kevin Indig, conseil en croissance, a analysé selon Search Engine Land (18 février 2026) 1,2 million de réponses IA et 18 012 citations vérifiées, en appariant les réponses aux phrases sources par embeddings puis en mesurant leur position dans la page. Deux précautions avant les chiffres : le rapport complet est publié dans une lettre payante, sa méthode n'est donc pas intégralement vérifiable, et l'auteur vend du conseil sur ce sujet. Retenez aussi que le dénominateur utile est 18 012 citations, pas 1,2 million de réponses.
| Emplacement dans la page | Part des citations |
|---|---|
| Premiers 30 % du contenu | 44,2 % |
| Milieu (30 à 70 %) | 31,1 % |
| Dernier tiers | 24,7 % |
| Emplacement dans le paragraphe | Part des citations |
|---|---|
| Milieu du paragraphe | 53,0 % |
| Première phrase | 24,5 % |
| Dernière phrase | 22,5 % |
Le premier tableau se lit comme un gradient, pas comme une falaise. Oui, le haut de page est avantagé. Mais un quart des citations vient du dernier tiers, ce qui suffit à disqualifier la conclusion pressée que l'on entend partout : « seul le début compte ». Un tiers d'une page longue n'est pas un désert.
Le second tableau demande une lecture plus prudente encore, et c'est le point que nous trouvons le plus utile. Il circule sous la forme « les IA citent le milieu des paragraphes », ce qui est une surinterprétation : dans un paragraphe de cinq phrases, le milieu en compte trois, il obtiendrait 60 % des citations par simple effet de volume. Ce que ces chiffres établissent solidement, c'est l'inverse d'une croyance : la première phrase n'a rien de spécial. Elle recueille un quart des citations, à peu près ce que le hasard prédirait.
Or la recommandation la plus vendue du marché GEO consiste précisément à placer la réponse en première phrase de chaque section. Cette pratique reste bonne pour le lecteur, et elle aide les extraits classiques. Mais elle ne fait pas ce qu'on lui prête. Un moteur ne prélève pas une phrase d'ouverture, il prélève un bloc, et à l'intérieur de ce bloc la phrase la plus explicite gagne, où qu'elle se trouve.
Ce que la structure change, mesuré
Une équipe japonaise a publié le 31 mars 2026 le travail le plus direct sur la question : Structural Feature Engineering for Generative Engine Optimization (Yu, Yang, Ding, Sato). Le protocole est intéressant parce qu'il isole exactement la variable qui nous occupe : le contenu sémantique est tenu constant, seule la structure change, sur trois niveaux (architecture du document, segmentation de l'information, mise en emphase).
Le résultat rapporté est une hausse de 17,3 % du taux de citation sur six moteurs génératifs, avec une qualité perçue en hausse de 18,5 %. Deux réserves d'usage : il s'agit d'un préprint, non encore passé par une relecture par les pairs, et l'article ne détaille pas la taille de l'échantillon dans son résumé.
Ce que ce résultat permet de dire, malgré ces limites, est important : à contenu strictement identique, la structure déplace la citation. C'est la démonstration qui manquait pour sortir la mise en forme du registre cosmétique. Elle rejoint ce que nous observions déjà, sans preuve expérimentale, sur les données structurées : ce qui aide un moteur à isoler une unité d'information vaut mieux qu'un balisage déclaratif.
Sept règles pour écrire des blocs qui survivent
Voici ce que nous appliquons en production. Aucune ne demande d'outil.
- Un H2, une question, une réponse complète. Traitez chaque section comme si elle allait être lue seule, parce que c'est ce qui va lui arriver. Si la section ne répond pas entièrement à la question de son titre, elle produira un bloc partiel.
- Nommez le sujet dans chaque bloc, pas seulement dans le titre. Le titre de section ne voyage pas toujours avec le texte. Répéter l'entité, le produit, la ville ou la version tous les deux ou trois paragraphes n'est pas une répétition maladroite : c'est ce qui distingue un bloc récupérable d'un bloc anonyme.
- Bannissez les renvois internes au texte. « Comme vu plus haut », « dans la section précédente », « le second cas » : chacun de ces renvois casse un bloc. Reformulez en une demi-phrase autonome.
- Calibrez vos sections entre 150 et 400 mots. En dessous, un bloc regroupera plusieurs de vos sections et diluera le sujet. Au-dessus, votre section sera coupée en deux au milieu d'une démonstration. Cet intervalle place votre unité éditoriale sous la taille de bloc observée, ce qui laisse au découpeur une chance de la respecter.
- Rendez chaque ligne de tableau autonome. Un tableau coupé perd son en-tête. Une ligne qui commence par « Version 3 » ne dit rien ; une ligne qui commence par « Version 3 de l'outil X » reste lisible orpheline.
- Datez et sourcez à l'intérieur du bloc. Une donnée sans année ni source dans le même bloc est invérifiable une fois extraite. C'est le même mécanisme qui gouverne la crédibilité perçue de vos pages, à ceci près qu'il s'applique ici au niveau du paragraphe.
- Écrivez la phrase que vous voulez voir citée, en toutes lettres. Pas d'allusion, pas d'ironie, pas de sous-entendu : une affirmation complète, avec son sujet, son chiffre et sa réserve. C'est la seule forme qu'un moteur peut reprendre sans risque.
Ce qui casse un découpage sans que vous le sachiez
Quatre situations reviennent dans nos audits, et aucune ne se voit à la lecture du site.
- Le contenu rendu en JavaScript. Nous détaillons ce mécanisme dans notre article sur les crawlers IA ; retenez ici sa conséquence sur le découpage : un bloc injecté après chargement n'atteint jamais l'étape du chunking, il n'existe donc pas comme candidat.
- Le contenu replié dans des onglets ou des accordéons. S'il est présent dans le HTML, il est lu. S'il est chargé à l'ouverture, il ne l'est pas. La distinction est invisible à l'œil nu et se vérifie en une commande.
- La pagination et le défilement infini. Une page de dix articles chargés au fil du défilement ne fournit qu'un bloc au moteur : celui du haut.
- Les documents fermés. Un PDF de spécifications techniques est découpé comme le reste, souvent mal, et sans structure de titres il produit des blocs mélangeant deux sujets. Chez les industriels que nous accompagnons en Vendée et dans le Choletais, l'essentiel du savoir citable dort dans ce format ; le remettre en pages HTML structurées produit plus d'effet que n'importe quelle réécriture.
Un mot sur le fichier llms.txt, souvent présenté comme la réponse à ce problème. Il ne remplace pas vos pages et n'est lu par presque personne, comme nous l'avons documenté dans notre article dédié. La lisibilité machine se gagne dans le HTML de vos pages.
Vérifier chez vous, en une heure
Trois tests suffisent à savoir si vos pages résistent au découpage.
- Le test du copier-coller isolé. Prenez cinq paragraphes au hasard sur vos pages importantes, sans leur titre ni leur voisinage. Envoyez-les à un modèle en demandant : de quoi parle ce texte, et de quelle entreprise ? Chaque réponse fausse ou évasive signale un bloc orphelin.
- Le test du HTML servi. Récupérez la page telle qu'un robot la reçoit, avec
curl -s https://votre-site.fr/page/ | wc -w, et comparez au nombre de mots visibles dans le navigateur. Un écart important signale du contenu qui n'atteindra jamais l'étape du découpage. - Le test de la question de section. Reprenez vos H2 un par un et vérifiez qu'ils formulent une question réelle, et que le texte en dessous y répond complètement. Les sections qui échouent sont exactement celles qui ne seront jamais citées.
Ces contrôles se répètent dans le temps, pour les raisons de volatilité que nous détaillons dans notre article sur la mesure de la visibilité IA. Un relevé unique ne prouve rien.
Ce qu'il ne faut pas en conclure
Le découpage n'est pas un levier de croissance à lui seul, et il serait absurde de refondre une architecture éditoriale entière pour lui plaire. Une marque que les modèles ne connaissent pas ne sera pas citée davantage parce que ses paragraphes sont autonomes : la sélection des marques nommées se joue en amont, sur la notoriété, comme nous l'avons montré dans notre article sur les sources tierces.
Ce que le découpage explique, c'est un écart précis et fréquent : celui entre une page manifestement bonne et une page effectivement citée. Quand la notoriété est là, quand l'accès technique est ouvert, et que les citations ne viennent toujours pas, la cause est souvent dans la granularité du texte. Elle se corrige en quelques jours, sans budget de production, et son effet est mesurable page par page.
Deux prolongements selon votre situation. La logique de sélection reste propre à chaque moteur : ce qui vaut pour l'AI Mode de Google, qui éclate une question en plusieurs sous-requêtes, ne vaut pas exactement pour ChatGPT, et les fiches produit obéissent à des contraintes encore différentes, décrites dans notre article sur la découverte produit dans les assistants. Si vous préférez faire établir l'état des lieux avant d'arbitrer, la granularité des pages fait partie des points contrôlés dans un audit GEO. Nous en publions les fourchettes de prix. Le cadre de travail complet est décrit sur nos pages agence de référencement IA et agence SEO et GEO, et le partage des rôles avec un consultant GEO y est détaillé.