Comprendre la sélection des sources par les modèles change la façon de travailler sa visibilité. Tant qu’on ignore comment les documents candidats sont retenus, on optimise à l’aveugle. Les données publiques de 2025 et 2026 permettent de sortir de l’intuition et de nommer les domaines qui reviennent. Cet écrit résume ces relevés et la mécanique qui les explique.
Comment les LLM choisissent-ils leurs sources ?
Les LLM choisissent leurs sources en deux temps : une recherche (index propre ou partenaire) sélectionne des documents candidats, puis le modèle privilégie ceux qui répondent directement à la question, citent des données vérifiables et proviennent de domaines qu’il associe au sujet. Wikipedia, la presse et les comparatifs y pèsent lourd.
Cette sélection n’a rien de magique. Les moteurs qui citent des pages, ChatGPT Search, Perplexity ou Google AI Mode, reposent sur une architecture documentée : la génération augmentée par la recherche, ou RAG. Le principe tient en une phrase. Le modèle ne répond pas seulement avec sa mémoire d’entraînement, il va chercher des documents au moment de la requête, puis compose sa réponse à partir des passages retenus.
La mécanique de grounding, expliquée simplement
La génération augmentée par la recherche procède en trois étapes, décrites dans les travaux de synthèse académiques comme la revue de Chaitanya Sharma sur le RAG (arXiv, mai 2025).
- Indexation. Les documents sont découpés puis convertis en vecteurs, une représentation numérique de leur sens.
- Recherche (retrieval). La requête est vectorisée à son tour, puis comparée à l’index. Le système remonte les documents les plus proches par similarité, souvent complétés par un moteur partenaire pour les pages fraîches.
- Génération. Les documents les mieux classés passent au modèle comme contexte factuel. Le modèle rédige la réponse et cite les sources qu’il a utilisées.
Deux familles de systèmes coexistent. Les modèles à recherche web en direct, comme ChatGPT Search, Perplexity et Google AI Mode, interrogent un index à chaque question et citent des URL vérifiables. Les réponses tirées de la seule mémoire d’entraînement, elles, ne citent aucune source et vieillissent avec le modèle. La visibilité de marque se joue sur la première famille, celle qui va chercher des pages.
Retenez le point qui compte pour un site. Pour être cité, il faut d’abord être retrouvé à l’étape de recherche, puis jugé pertinent à l’étape de sélection. Deux filtres, deux exigences distinctes.
Ce que montrent les études sur les sources citées
Depuis fin 2025, plusieurs analyses à grande échelle mesurent quels domaines les moteurs citent. Elles divergent sur les détails, mais convergent sur l’essentiel.
- Semrush, « The Most-Cited Domains in AI » (novembre 2025) a passé au crible plus de 230 000 prompts et 100 millions de citations sur trois plateformes (ChatGPT Search, Google AI Mode et Perplexity). Côté sources citées, Reddit, Wikipedia, LinkedIn, Forbes et Medium dominent, avec de fortes divergences par moteur.
- Semrush, étude comparative AI Mode (juillet 2025), menée sur 5 000 mots-clés et quatre moteurs, mesure que Google AI Mode cite en moyenne 7 domaines uniques par réponse, contre environ 3 pour les AI Overviews.
- Peec AI, « Top domains cited by AI search » (mars 2026, relayée par Search Engine Land), portant sur 30 millions de sources et cinq plateformes, place Reddit en tête, suivi de YouTube, LinkedIn, Wikipedia et Forbes.
Un enseignement traverse ces jeux de données : Wikipedia, Reddit et la presse pèsent lourd, parce que les modèles les associent à de la fiabilité et à de la fraîcheur. Le relevé Semrush de novembre 2025 place Reddit et Wikipedia en tête des sources de ChatGPT sur sa période d’étude, quand Google AI Mode s’appuie davantage sur LinkedIn (environ 15 % des réponses) et très peu sur Wikipedia (environ 2 %).
Chaque moteur a ses préférences
La divergence entre plateformes est le fait le plus utile à retenir. ChatGPT s’appuie fortement sur Wikipedia et les communautés. Google AI Mode cite davantage LinkedIn et ses propres propriétés. Optimiser « pour les IA » sans distinguer les moteurs revient à viser une cible floue.
Point méthodologique honnête : ces classements bougent vite. Semrush a relevé un basculement brutal des habitudes de citation de ChatGPT à la mi-septembre 2025, la part de Reddit reculant fortement en quelques semaines. Un domaine dominant un mois peut reculer le suivant. Nous travaillons donc des principes stables, pas un palmarès figé.
Nos relevés : la méthode du panier de requêtes
Les études publiques donnent la tendance macro. Pour un client, il nous faut le détail : sur SES requêtes métier, quelles sources le modèle cite-t-il ? Nous appliquons un protocole simple et répétable.
- Un panier fixe de 20 à 40 requêtes réelles du secteur, formulées comme un prospect les poserait.
- Un relevé daté dans ChatGPT Search et Perplexity, capté à intervalle régulier pour lisser la variabilité.
- Un journal des domaines cités par requête, agrégé pour voir quelles sources reviennent.
Sur les univers B2B industriels que nous auditons, dont des environnements multi-sites comme ceux d’un équipementier électrique, le schéma des études se confirme : Wikipedia et les comparatifs sectoriels reviennent souvent, et le site de la marque n’apparaît que s’il traite le sujet en profondeur. Je le formule comme une démarche, pas comme un résultat garanti. Le protocole mesure une progression, il ne la promet pas.
L’intérêt de cette méthode maison tient en un mot : elle transforme une impression en donnée datée. Quand un client demande « suis-je cité ? », la réponse cesse d’être une opinion.
Ce que ces données impliquent pour votre site
Trois conclusions pratiques découlent de la mécanique et des chiffres.
Être retrouvable avant d’être citable. Un modèle ne cite pas une page qu’il ne retrouve pas. Cela suppose un site bien indexé, accessible aux robots des moteurs génératifs, sans blocage involontaire dans le fichier robots.txt. Un audit SEO lève ces angles morts avant tout travail de contenu.
Exister au-delà de son propre domaine. Les sources les plus citées ne sont presque jamais le site de la marque, mais Wikipedia, les communautés, la presse et les comparatifs. Renforcer son entité via Wikidata quand c’est justifié, obtenir des mentions sur des sites de référence du secteur, soigner sa présence sur les plateformes citées : ce travail off-site conditionne la citation autant que vos pages.
Écrire des passages extractibles. À l’étape de sélection, le modèle privilégie ce qui répond en clair. Une question posée en titre, une réponse nette de deux à quatre phrases, une donnée vérifiable : ce format augmente les chances d’être repris. Nous détaillons ces leviers dans notre page sur les citations par les LLM.
Une nuance évite de gaspiller de l’effort. Google le rappelle dans son guide officiel d’optimisation pour la recherche IA : pour ses propres AI Overviews, le SEO classique suffit, sans balisage « spécial IA ». Le travail spécifique de citabilité vaut surtout pour ChatGPT, Perplexity et les moteurs conversationnels autonomes. Nous appliquons cette distinction dans chaque mission, entre SEO et IA.
Questions fréquentes
Les LLM citent-ils toujours leurs sources ?
Non. Seuls les modèles connectés à une recherche web en direct, comme ChatGPT Search, Perplexity ou Google AI Mode, affichent des sources cliquables. Une réponse générée depuis la seule mémoire d’entraînement ne cite rien et peut dater. La visibilité de marque se joue donc sur les moteurs qui vont chercher des pages à la volée.
Quels sites les IA citent-elles le plus ?
Les analyses de 2025 et 2026 placent Reddit, Wikipedia, YouTube et LinkedIn en tête, avec des variations par plateforme. ChatGPT s’appuie fortement sur Wikipedia et Reddit ; Google AI Mode cite davantage LinkedIn. Aucun domaine ne domine à lui seul : les citations se dispersent sur des milliers de sites.
Faut-il un fichier llms.txt pour être mieux cité ?
Non. Aucun moteur majeur n’a documenté l’usage de ce fichier, et Google indique ne pas s’en servir. Mieux vaut investir dans du contenu citable, une entité cohérente et une bonne indexation, des leviers que les études publiques relient aux citations.
Combien de temps pour apparaître dans les réponses IA ?
Aucun engagement chiffré sérieux n’est possible, car la citation dépend de l’indexation et de l’autorité perçue. Sur nos missions, les premières citations apparaissent après quelques semaines une fois le contenu accessible et sourcé, et une présence stable se construit sur plusieurs mois. C’est un travail de fond, mesuré par relevés datés.
Mesurer avant d’optimiser
Choisir ses batailles de visibilité suppose de savoir quelles sources le modèle cite déjà sur vos requêtes. C’est le point de départ de tout travail sérieux de présence dans les IA génératives. Parlons de votre projet pour établir votre panier de requêtes et poser un premier relevé daté.
Rédigé par Yonel Sasson, consultant SEO et GEO chez Getknown. Analyse issue de nos audits de citations dans les moteurs génératifs et de la lecture des études publiques citées ci-dessus.