Agent SEO
Programme IA autonome qui exécute des tâches SEO de bout en bout, sans intervention humaine à chaque étape.
Une page par concept. Chaque fiche est reliée à ses concepts voisins, aux articles qui l'approfondissent et à un outil pour passer à l'exécution. Pour les définitions courtes, voir le glossaire.
Programme IA autonome qui exécute des tâches SEO de bout en bout, sans intervention humaine à chaque étape.
Score de similarité cosinus entre une requête et un passage de contenu : la mesure clé pour passer dans les AI Overviews.
Phase 2 de la Triade SERP : Google score chaque passage de 150-200 mots individuellement.
Architecture qui combine recherche de documents et génération LLM. La base technique de Perplexity et des AI Overviews.
Fusion de classements : un contenu bien noté sur plusieurs requêtes d'un même cluster monte plus haut qu'une page mono-mot-clé.
Représentation vectorielle d'un texte. Base technique de la recherche sémantique et du Grounding Score.
L'angle entre deux vecteurs sémantiques. Score de 0.95+ = même signification. Mécanique du Grounding Score.
Résumés IA en haut des SERP Google. Captent jusqu'à 40 % des clics sur les requêtes informatives.
Optimiser le contenu pour être cité par les moteurs IA. L'objectif n'est plus le clic, c'est la citation.
Pratiques pour être cité dans Perplexity, ChatGPT Search et Google AI Overviews. Repose sur le Grounding Score et la Surprise Metric.
GPT-4, Claude, Gemini. Les modèles qui alimentent les moteurs génératifs et changent les règles de la visibilité.
Document Ranking → Passage Ranking → Passage Generation. Le modèle 2026 du fonctionnement Google. 3 filtres successifs.
Ce qu'un contenu apporte que le corpus existant ne contient pas. Le critère que Google utilise pour pénaliser le contenu IA générique.
La nouveauté informationnelle d'un passage selon Titans/MIRAS. Un contenu prévisible n'est pas mémorisé par le LLM.
Algorithme Google qui combine recherche vectorielle et structurelle. Remplace progressivement BM25 dans le scoring des passages.
Architecture LLM Google DeepMind avec mémoire long-terme. Mémorise préférentiellement les passages à haute Surprise.
Architecture neuronale qui retrouve les passages les plus pertinents avant la génération LLM. Brique des systèmes RAG.
Une page = une intention. Mélanger plusieurs sujets dilue le vecteur de la page et fait chuter le Grounding Score sur toutes les requêtes à la fois.
L'information manquante que vous apportez et qui force le modèle à mettre à jour ses poids pour citer votre marque. Pas répondre à la question, ajouter ce qu'il n'a pas.
Le SEO devient être sélectionné par l'agent IA pour accomplir une tâche, pas figurer dans une liste de liens. Les pages outils prennent le dessus.
La réponse dans les deux ou trois premières phrases, puis le développement, puis la preuve. Repousser la réponse plus bas dégrade le classement à contenu identique.
La note maximale des Quality Raters : la page satisfait l'intention sans que l'utilisateur ait à chercher ailleurs. Un outil l'atteint mieux qu'un article.
La page elle-même est l'outil : calculateur, simulateur, comparateur. Non reproductible par un LLM, donc la défense la plus solide face aux moteurs génératifs.
Décisionnel ET transactionnel : l'utilisateur veut agir, pas juste lire. Les seules requêtes qui génèrent encore du chiffre d'affaires en SEO B2B.
Quand le web se sature de contenu IA, le retrieval des moteurs s'effondre. À 67 % de pollution, plus de 80 % des réponses sont contaminées. D'où la prime à l'humain vérifiable.
Algorithme probabiliste qui score la pertinence lexicale d'un document. Il précède les embeddings et reste utilisé en hybride avec la recherche sémantique.
Score interne des AI Overviews qui vérifie qu'un résumé généré est soutenu par des sources vérifiables. Un score trop bas fait supprimer ou modifier le résumé.
Des données collectées directement, sondages, tests, données clients, que personne d'autre ne possède. Un LLM ne peut pas reproduire vos chiffres.
Cadre théorique de Google DeepMind qui généralise les architectures de mémoire long-terme des LLMs. Il décrit la mémorisation sélective des informations à haute Surprise Metric.
Moteur de recherche génératif qui dépasse 15 millions de requêtes par jour en 2026. Il cite ses sources avec liens et privilégie les contenus factuels vérifiables.
Mécanisme d'oubli adaptatif des architectures comme Titans : les anciennes informations perdent du poids au profit des nouvelles à fort signal de surprise. La mise à jour régulière des contenus en découle.
Premier signal de classement de Google basé sur le machine learning, déployé en 2015. Il transforme en vecteurs les requêtes jamais vues, environ 15 % des recherches quotidiennes.
Modèle de compréhension du langage déployé par Google en 2019. Son analyse bidirectionnelle du contexte a rendu le keyword stuffing obsolète et fonde le Passage Ranking actuel.
Modèle multimodal et multilingue annoncé par Google en 2021. Il comprend 75 langues, synthétise plusieurs sources et met les contenus français et anglais en compétition directe.
Système de matching sémantique de Google déployé en 2018. Il associe une requête à une page par les concepts sous-jacents et affecte environ 30 % des requêtes.
Moteur de recherche génératif d'OpenAI qui cite des sources web. Il privilégie le format encyclopédique et la densité de preuves, et son trafic convertit environ 4 fois mieux que le trafic Google organique.
Extension AI-first du moteur Google, prolongement des AI Overviews. Elle favorise le contenu multimodal, et une source citée gagne des clics là où le CTR organique chute.
Classification des intentions en trois types qui remplace TOFU/MOFU/BOFU. Chaque intention appelle un format de page précis, directement lisible par les agents IA.
L'expertise reconnue par Google sur un sujet, construite par un ensemble de contenus cohérents.
Le réseau de liens entre les pages d'un même site. Distribue l'autorité et renforce les clusters topiques.
Experience, Expertise, Authoritativeness, Trustworthiness. Le cadre que les Quality Raters utilisent pour évaluer votre contenu.
L'extrait en position 0. Le résultat du Passage Ranking : un bloc de 150-200 mots tellement précis qu'il bat tous les autres.
Requête dont la réponse est servie dans la SERP, sans clic. Représente une part croissante des recherches.
L'objectif réel derrière une requête. Aligner le contenu sur l'intention prime sur l'insertion de mots-clés.
Une question précise au stade presque convaincu, juste avant la décision. On les déduit de la donnée propriétaire, pas d'un outil de volume. Couvrir toutes les micro-intentions d'un cluster fait monter le score RRF.
Page qui couvre un sujet en profondeur, reliée à un cluster de satellites. Architecture hub-and-spoke pour l'autorité topique.
Organisation des contenus en silos thématiques étanches. Renforce la pertinence mais limite la circulation d'autorité.
Architecture de pages mère/fille/petite-fille construite autour d'une intention principale. Variante française du pillar + cluster.
Regroupement des mots-clés en clusters partageant une même intention. Permet à une pillar de capter un ensemble de requêtes.
1 template + 1 variable = des centaines de pages qui rankent sur la longue traîne. Levier scalabilité.
Diagnostic structuré d'un site sur sa capacité à ranker. La version 2026 raisonne sur la donnée client, pas sur une checklist.
LCP, INP, CLS : les métriques de performance qui pèsent dans le classement depuis 2021.
Un critère d'évaluation qui pénalise les contenus aux références obsolètes. Un texte qui cite des stats 2022 ou des outils disparus est dévalorisé automatiquement.
L'infrastructure de Google qui détermine quels documents sont servis pour quelles requêtes. La plupart des optimisations SEO visent la représentation du contenu dans cet index.
Le document officiel où Google décrit comment des évaluateurs humains notent les pages. L'édition 2026 attribue la note la plus basse au contenu sans effort qui n'apporte aucun gain d'information.
Je vous prépare un pré-audit de votre site et l'on en discute durant notre visio.