Une IA ne choisit pas ses sources au hasard, et elle n'en choisit pas beaucoup : deux mécanismes décident ce qui entre dans une réponse générée. Le premier est la récupération de documents pertinents pour la question posée — ce que la technique appelle le retrieval. Le second, documenté par Google depuis le 15 mai 2026, est le query fan-out : une question complexe se décompose en plusieurs sous-questions, chacune traitée séparément, avant d'être synthétisée dans la réponse finale. Devenir une source citée n'est pas affaire de martingale technique ; c'est être un bon candidat à chacune de ces étapes.
Que se passe-t-il entre la question posée et la réponse donnée ?
Un modèle génératif ne répond pas uniquement à partir de ce qu'il a mémorisé pendant son entraînement. Pour une question qui appelle une information récente, locale ou spécifique, il interroge d'abord un index de documents, retient les passages les plus pertinents pour la question posée, puis rédige une réponse qui s'appuie sur ces passages — avec, souvent, une citation de la source. C'est le principe du retrieval-augmented generation, le RAG, que j'installe moi-même dans les projets sur mesure qui doivent rester factuels et vérifiables. Le même principe, à l'échelle d'un moteur de recherche généraliste, explique pourquoi ChatGPT, Perplexity ou les fonctionnalités génératives de Google peuvent citer une page publiée la semaine précédente : le modèle ne l'a pas apprise pendant son entraînement, il est allé la chercher au moment de répondre.
Qu'est-ce que le query fan-out, et pourquoi ça change la donne ?
Le 15 mai 2026, Google Search Central a documenté publiquement le mécanisme qui structure ses fonctionnalités génératives : les systèmes centraux de classement et de qualité de la recherche classique, auxquels s'ajoutent des techniques de génération — le retrieval-augmented generation et le query fan-out, qui décompose une requête en sous-requêtes synthétisées dans la réponse finale[1].
Concrètement : un dirigeant qui demande qui recommander pour piloter sa fiscalité d'entreprise en Valais ne pose pas une question, il en pose plusieurs sans le savoir. Le système peut la décomposer en une sous-question sur les cabinets actifs dans la région, une autre sur leur réputation, une autre encore sur leur périmètre de compétence — et retrouver des sources différentes pour chacune, avant de les recombiner. Être cité une fois ne suffit donc pas : il faut survivre à plusieurs passes de récupération, sur des angles que la question initiale ne révèle pas.
Google I/O, quatre jours plus tard, a confirmé l'ampleur du mouvement avec l'extension de l'AI Mode et les premiers agents de recherche capables de suivre un sujet et de comparer des options sur plusieurs critères[2] — une mécanique qui repose sur le même principe de décomposition. Une précision honnête s'impose : Google est, à ce jour, le seul à avoir documenté ce mécanisme dans le détail. Les autres environnements génératifs — ChatGPT, Claude, Perplexity, Mistral — reposent sur des logiques de récupération qui s'en rapprochent vraisemblablement dans leurs grandes lignes, sans que leurs éditeurs en publient l'architecture exacte.
Pourquoi une réponse générée ne cite-t-elle que trois ou quatre sources ?
Une liste de résultats classiques tolère la médiocrité en septième position : le lien existe encore, un peu de trafic résiduel lui arrive. Une réponse générée ne tolère pas cette dilution. Elle sélectionne un nombre restreint de sources, les recombine, et tout ce qui n'atteint pas un niveau de clarté et de fiabilité suffisant n'apparaît simplement plus. Ce n'est pas un durcissement arbitraire des règles ; c'est la conséquence mécanique d'un système qui doit choisir, plutôt que classer. La sévérité a augmenté, pas la nature du jeu.
Qu'est-ce qui fait qu'une source est retenue plutôt qu'une autre ?
Trois qualités reviennent dans ce que la grille du Score GEO™ observe, thème après thème — et ce sont les mêmes qui structurent la façon dont je conçois un site pensé pour être cité.
Des réponses nettes. Un modèle retient plus facilement un passage qui répond directement à une question précise qu'un texte qui tourne autour du sujet sans jamais le trancher. Une page qui commence par la réponse, puis la développe, se prête mieux à l'extraction qu'une page qui construit son argument sur mille mots avant de conclure.
Une autorité construite dans le temps. Un contenu daté, signé par un auteur identifiable, cohérent avec ce que la même entreprise affirmait un an plus tôt, pèse plus qu'un contenu anonyme ou contradictoire d'une page à l'autre. C'est ce que la grille du Score GEO™ observe sous le thème de la stabilité temporelle : une citation qui varie sans cesse d'une mesure à l'autre signale une autorité encore mal installée.
Une cohérence d'entité. Avant de décider de vous citer, un système doit d'abord résoudre qui vous êtes — une entreprise précise, à une adresse précise, avec un périmètre d'activité précis — plutôt qu'une variante parmi plusieurs versions contradictoires de votre identité trouvées sur le web. C'est très exactement le sujet de Que savent déjà les IA de votre entreprise ? : cette cohérence se construit avant même de parler de contenu.
Le lien avec les sept thèmes du Score GEO™
J'ai construit le Score GEO™ pour observer, pas pour deviner. La grille couvre sept thèmes — présence citationnelle, proéminence éditoriale, contexte de citation, exactitude factuelle, ancrage des sources, cohérence inter-modèles et stabilité temporelle — et chacun correspond à une étape de la mécanique décrite plus haut. La présence citationnelle vérifie simplement si le retrieval vous a trouvé. L'ancrage des sources regarde sur quoi le modèle s'est appuyé pour vous citer — le résultat du fan-out, en somme. La cohérence inter-modèles teste si votre identité résiste au passage d'un système de récupération à un autre, chacun avec son propre index et sa propre fraîcheur de données. Cette grille est détaillée intégralement dans le Cahier MCVA n°1, et c'est elle qui structure le pré-audit Score GEO™.
Ce qu'on ne contrôle pas
Une partie de cette mécanique échappe entièrement à l'entreprise mesurée, et il faut le dire sans détour. Vous ne décidez pas comment un système découpe votre question en sous-requêtes. Vous n'avez aucune visibilité sur l'algorithme de classement qui sélectionne les passages retenus — chaque éditeur le garde propriétaire, et à raison. Aucune optimisation, aussi soignée soit-elle, ne garantit une citation : je l'écris systématiquement, parce que quiconque promet l'inverse survend. Et la fraîcheur de l'index varie d'un modèle à l'autre — un système peut citer une information à jour quand un autre s'appuie encore sur une version plus ancienne de votre entreprise, ce qui explique une partie des écarts observés entre ChatGPT, Claude, Perplexity, Gemini et Mistral. Ce que vous contrôlez, c'est la qualité du candidat que vous présentez à chaque étape. Pas le tirage qui en résulte à chaque requête.
Se rendre citable ne consiste donc pas à percer un algorithme, mais à retirer les raisons pour lesquelles un système hésiterait à vous retenir : un site que les machines lisent sans ambiguïté, c'est l'objet même des sites conçus pour être cités, appuyé par des données structurées honnêtes. Cette mécanique n'est qu'une pièce du sujet plus large que je pose dans Que doit faire une PME suisse face à l'IA en 2026 ?
Ce qu'il faut retenir
— Une réponse générée s'appuie sur deux mécanismes : la récupération de sources pertinentes (RAG) et, chez Google depuis mai 2026, le query fan-out qui décompose une question en plusieurs sous-requêtes. — Une synthèse cite peu de sources parce qu'elle sélectionne plutôt qu'elle ne classe : réponses nettes, autorité construite dans le temps et cohérence d'entité font la différence. — Aucune citation n'est garantie : vous contrôlez la qualité du candidat présenté, pas le tirage qui en résulte à chaque requête.
FAQ
Le query fan-out est-il utilisé par tous les modèles génératifs ? Seul Google l'a documenté publiquement, dans le cadre de ses fonctionnalités de recherche génératives. Les autres environnements reposent sur des logiques de récupération qui s'en approchent vraisemblablement, sans architecture publiée en détail — la prudence s'impose sur ce point.
Payer de la publicité augmente-t-il mes chances d'être cité ? Non, pas selon la mécanique documentée : la sélection des sources citées dans une réponse générée s'appuie sur les systèmes de classement et de qualité de la recherche organique, pas sur un espace publicitaire séparé.
Un contenu peut-il être cité sans être en première page Google ? Oui. Le critère de sélection pour la citation n'est pas identique au critère de classement organique ; les deux corrèlent, imparfaitement. Un contenu au sourçage rigoureux et à la voix d'auteur nette peut être retenu sans dominer le classement.
Comment savoir si mon entreprise survit à ces filtres ? En le mesurant directement sur les modèles, plutôt qu'en le supposant depuis votre position Google. C'est l'objet du Score GEO™ et de son pré-audit.
Où en êtes-vous ? Le pré-audit Score GEO™ mesure gratuitement où votre entreprise apparaît — et n'apparaît pas — dans les réponses de ChatGPT, Claude, Perplexity, Gemini et Mistral. Réponse chiffrée en quelques jours. Demander un pré-audit gratuit
Sources
[1] Google Search Central, Optimizing your website for generative AI features on Google Search, 15 mai 2026. developers.google.com/search/docs/fundamentals/ai-optimization-guide [↩]
[2] Google, Google Search's I/O 2026 updates: AI agents and more, 19 mai 2026. blog.google/products-and-platforms/products/search/search-io-2026/ [↩]
Jérôme Deshaie est CEO et fondateur de MCVA Consulting SA, agence augmentée basée en Valais. Quinze ans au service de grandes marques internationales, désormais en direct pour les PME suisses. Parcours.