RAG (Retrieval-Augmented Generation)
Aussi appelé : retrieval augmented generation · augmentation par recherche
Définition
Pipeline RAG type : la question utilisateur est transformée en requête, le moteur cherche les passages les plus pertinents (souvent via embeddings vectoriels), les top-N passages sont injectés dans le prompt du LLM, qui génère une réponse en citant ses sources.
Implication GEO : votre page doit (1) être indexée par le moteur de retrieval (Bing pour ChatGPT, index propriétaire pour Perplexity, Google pour AI Overviews), (2) contenir des passages courts et auto-suffisants qui répondent directement à la question, (3) être identifiable comme source faisant autorité.
Pourquoi ça compte
- Comprendre le RAG = comprendre comment optimiser pour chaque LLM.
- Justifie l'investissement dans les blocs question/réponse structurés.
- Permet d'expliquer pourquoi un site obscur peut battre un site d'autorité sur une réponse IA.
Termes liés
LLM (Large Language Model)
Un Large Language Model est un modèle d'IA entraîné sur des milliards de mots qui génère du texte par prédiction probabiliste. Exemples : GPT-4o, Claude Sonnet 4, Gemini 2.5, Llama 3.
GEO (Generative Engine Optimization)
Le GEO est la discipline qui optimise un site pour être cité et résumé par les moteurs IA générative : ChatGPT, Perplexity, Gemini, Claude, AI Overviews de Google.
Direct Answer (réponse directe)
Bloc placé en début de page (juste sous le H1) qui répond à la question principale en 2-4 phrases, optimisé pour extraction par les LLM et featured snippets.