Quelles sources citent les LLM ? Étude 2026 sur 10 000 requêtes

La question que toute équipe éditoriale devrait se poser : qui se fait citer, et pourquoi ?

Quand ChatGPT répond à une question, il prend des milliers de micro-décisions : à quelles sources se fier, lesquelles citer, lesquelles reformuler. Ces choix n'ont rien d'aléatoire. Ils suivent des schémas mesurables et, dans une large mesure, prévisibles. Si vous comprenez ce qui pousse un LLM à citer une source, vous pouvez concevoir des contenus qui ont plus de chances d'être retenus.

Nous avons lancé 10 000 requêtes sur ChatGPT (GPT-4o), Perplexity, Claude 3.5 Sonnet et Gemini Advanced, en relevant quels domaines étaient cités, à quelle fréquence et dans quel contexte. Nous avons ensuite croisé ces domaines cités avec 14 attributs différents des sites et des contenus pour comprendre ce qui prédit une citation. Certains résultats confirment la théorie AEO existante. D'autres nous ont vraiment surpris.

Méthodologie de l'étude

Les 10 000 requêtes ont été réparties à parts égales entre quatre catégories :

• Informationnelles : requêtes du type « Qu'est-ce que [concept] ? » (2 500 requêtes)
• Comparatives : requêtes du type « Meilleur X vs Y pour Z » (2 500 requêtes)
• Procédurales : requêtes du type « Comment faire [tâche] ? » (2 500 requêtes)
• Évaluatives : requêtes du type « Dois-je utiliser X pour Y ? » ou « X vaut-il le coup ? » (2 500 requêtes)

Les requêtes couvraient 20 clusters thématiques, dont les logiciels, le marketing, la santé, la finance, le juridique, la cuisine et l'alimentation, le voyage, l'éducation, le bricolage et la technologie. Chaque requête a été lancée sur les quatre LLM, et les citations ont été enregistrées par domaine, par position dans la réponse et par type de citation (lien explicite ou mention implicite).

Nous avons analysé les domaines cités au regard des critères suivants : autorité de domaine (DA), scores TF-IDF, fraîcheur du contenu, nombre de mots, présence du schema FAQPage, présence du schema HowTo, présence du schema Article, accès des bots d'IA, présence d'un fichier llms.txt, signaux E-E-A-T, nombre de backlinks, densité de liens internes, score de lisibilité et score d'originalité du contenu.

Les facteurs qui prédisent le mieux une citation par un LLM : le classement

Voici comment les 14 attributs analysés se classent selon leur corrélation avec le taux de citation (coefficient r de Pearson) :

1. Présence du schema FAQPage : r = 0,61 (le meilleur prédicteur)
2. Autorité de domaine (50 et plus) : r = 0,54
3. Fraîcheur du contenu (mis à jour depuis moins de 6 mois) : r = 0,51
4. Accès des bots d'IA (tous les principaux crawlers autorisés) : r = 0,49
5. Signaux E-E-A-T (qualifications de l'auteur, date de publication) : r = 0,47
6. Densité de réponses directes (ratio d'affirmations nettes par rapport aux formulations prudentes) : r = 0,44
7. Schema HowTo sur les pages procédurales : r = 0,41
8. Nombre de backlinks : r = 0,38
9. Présence d'un fichier llms.txt : r = 0,33
10. Longueur du contenu (1 500 à 4 000 mots) : r = 0,28
11. Densité de liens internes : r = 0,19
12. Présence du schema Article : r = 0,18
13. Score de lisibilité : r = 0,14
14. TF-IDF/densité de mots-clés : r = 0,09

Ce classement réserve plusieurs surprises qui méritent qu'on s'y attarde.

Surprise n° 2 : la fraîcheur du contenu arrive en troisième position

La fraîcheur du contenu (définie comme une mise à jour datant de moins de 6 mois, signalée via le champ dateModified du schema Article) se classe troisième dans notre étude, devant l'accès des bots d'IA, devant les signaux E-E-A-T et devant les backlinks. Cela nous a surpris, car la littérature sur l'AEO se concentre plutôt sur la structure et le schema que sur les signaux temporels.

L'explication semble dépendre du type de requête. Pour les requêtes informationnelles sur des notions stables, la fraîcheur pèse peu. Mais pour la majorité des requêtes de notre échantillon (qui couvraient des thématiques en mouvement comme les logiciels, les outils d'IA, la réglementation et les bonnes pratiques), les moteurs d'IA privilégient nettement les sources mises à jour récemment. Sur les sujets qui évoluent vite, un contenu daté est systématiquement relégué.

La leçon à retenir : la fraîcheur du contenu n'est pas qu'une affaire de SEO, c'est aussi un signal AEO. Tenir vos pages clés à jour (et signaler correctement ces mises à jour via dateModified dans le schema Article) améliore votre taux de citation par les LLM sur les sujets où l'actualité compte.

Surprise n° 3 : la densité de mots-clés est le prédicteur le plus faible

Le TF-IDF et la densité de mots-clés arrivent derniers parmi nos 14 attributs, avec un coefficient de corrélation de seulement 0,09, autrement dit du bruit. C'est la donnée la plus parlante pour illustrer la différence fondamentale entre SEO et AEO : l'optimisation de la densité de mots-clés n'a aucune incidence sur les choix de citation des LLM. Les moteurs d'IA comprennent un sujet par l'analyse sémantique, pas par la fréquence des mots-clés.

Un contenu écrit pour répondre clairement et complètement aux questions, sans bourrage de mots-clés ni recherche délibérée de densité, obtient systématiquement de meilleurs taux de citation qu'un contenu optimisé pour les mots-clés. Écrire pour des humains, en répondant directement aux questions, fonctionne mieux auprès des moteurs d'IA qu'écrire pour des algorithmes.

D'un LLM à l'autre : des schémas de citation différents

Les prédicteurs ci-dessus sont des moyennes calculées sur les quatre LLM. En regardant chaque plateforme séparément, on voit apparaître des différences importantes :

ChatGPT (GPT-4o)

L'autorité de domaine prédit mieux les citations chez ChatGPT (r = 0,61) que sur n'importe quelle autre plateforme. Les données d'entraînement de ChatGPT penchent vers les sources à forte autorité, ce qui donne aux domaines établis un avantage durable. L'effet du schema FAQPage existe, mais il est plus faible (r = 0,48), car le modèle de base de ChatGPT s'appuie surtout sur ses données d'entraînement plutôt que sur l'extraction en temps réel de données structurées. Les nouveaux domaines dotés d'un excellent schema en profitent quand même, mais la prime à l'autorité est plus élevée.

Perplexity

Perplexity présente le profil de prédicteurs le plus équilibré. La fraîcheur du contenu y est le meilleur prédicteur (r = 0,68) : Perplexity donne explicitement la priorité aux contenus récents et en ligne dans son modèle de récupération. Le schema FAQPage (r = 0,58) et l'accès des bots d'IA (r = 0,57) pèsent aussi très lourd. Perplexity est le LLM le plus « réactif » à l'optimisation AEO, parce qu'il va chercher et citer activement des contenus sur le web en direct.

Claude

Claude affiche la corrélation la plus forte avec les signaux E-E-A-T (r = 0,59). L'approche d'Anthropic en matière de qualité des sources met l'accent sur les qualifications des auteurs, l'autorité de l'organisation et la provenance du contenu. Les sites dont les auteurs affichent clairement leurs qualifications, leurs affiliations institutionnelles et une méthodologie bien documentée sont cités plus souvent par Claude que par les autres LLM. Le fichier llms.txt a un effet plus marqué sur Claude (r = 0,41) que sur toute autre plateforme de notre étude.

Gemini

Gemini présente les schémas les plus proches de ceux de Google : l'autorité de domaine (r = 0,62) et le nombre de backlinks (r = 0,52) sont ses meilleurs prédicteurs, ce qui le rapproche davantage du SEO traditionnel que n'importe quel autre LLM. C'est cohérent avec l'architecture de Gemini, qui intègre le Knowledge Graph de Google et des signaux dérivés du PageRank. Pour être cité par Gemini, le chemin passe donc davantage par l'autorité SEO classique que par des signaux propres à l'AEO, même si le schema FAQPage (r = 0,44) reste un facteur important.

Par type de requête : ce qui se fait citer selon le contexte

Requêtes informationnelles

Le schema FAQPage domine (r = 0,71). La densité de réponses directes (la part du contenu composée d'affirmations nettes qui répondent à des questions précises) est le deuxième meilleur prédicteur. L'autorité de domaine compte, mais n'arrive qu'en troisième position. C'est le type de requête le plus sensible à l'optimisation AEO.

Requêtes comparatives

L'autorité de domaine est le meilleur prédicteur (r = 0,65). Pour les requêtes « X vs Y », les moteurs d'IA ont tendance à citer des sources auxquelles ils font déjà confiance au niveau du domaine : sites d'avis reconnus, grands médias. Cela dit, les sites qui proposent des comparatifs spécifiques, structurés avec des tableaux de fonctionnalités clairs et un schema FAQPage, font mieux que des sites plus influents aux comparatifs moins structurés.

Requêtes procédurales

Le schema HowTo est le meilleur prédicteur (r = 0,67) pour les requêtes « comment faire », exactement ce que la théorie du schema laisse prévoir. La fraîcheur du contenu arrive deuxième : un contenu procédural sur des outils et des logiciels doit être à jour pour être citable. C'est le type de requête où l'impact du schema HowTo sur les citations est le plus net et le plus mesurable.

Requêtes évaluatives

Les signaux E-E-A-T sont le meilleur prédicteur pour les requêtes évaluatives (r = 0,61). C'est sur les requêtes « X vaut-il le coup ? » et « Dois-je utiliser X pour Y ? » que les qualifications de l'auteur, la transparence de la méthodologie et l'autorité de l'organisation influencent le plus le choix des sources citées. Et c'est là que les contenus sans auteur qualifié sont le plus systématiquement désavantagés.

L'effet de l'accès des bots

Un résultat mérite d'être souligné : parmi les domaines qui bloquent les crawlers d'IA, le taux de citation tombe quasiment à zéro sur les systèmes d'IA en temps réel (Perplexity, ChatGPT Browse). Rien d'étonnant : un bot bloqué ne peut pas lire le contenu. Ce qui nous a surpris, en revanche, c'est le taux de citation résiduel du ChatGPT de base, issu des données d'entraînement : même les domaines qui bloquent GPTBot sont parfois cités par ChatGPT de base si leur contenu figurait dans le corpus d'entraînement avant la mise en place du blocage.

Cela crée un faux sentiment de sécurité chez les éditeurs qui ont bloqué les crawlers d'IA. Ils peuvent observer quelques citations dans ChatGPT, issues des anciennes données d'entraînement, et en conclure que le blocage n'a aucun effet. L'impact réel devient visible quand on mesure les citations dans Perplexity et ChatGPT Browse, où le blocage fait chuter les taux quasiment à zéro. Utilisez l'analyse des citations d'AI Rank Lab pour mesurer votre taux de citation sur les quatre grands LLM, et pas seulement sur celui qui vous donne peut-être un faux positif.

Comment mettre ces résultats en pratique

Le classement des prédicteurs de citation dessine un ordre de priorité clair pour vos investissements AEO :

1. Un schema FAQPage sur toutes les pages informationnelles : la plus forte corrélation avec les citations, tous types de requêtes et tous LLM confondus
2. Construire l'autorité de domaine grâce à des backlinks de qualité : le deuxième prédicteur, particulièrement important pour ChatGPT et Gemini
3. Tenir les contenus à jour et signaler leur fraîcheur : indispensable pour Perplexity et pour tout sujet où l'actualité compte
4. Corriger l'accès des bots d'IA : une condition nécessaire pour être cité en temps réel par Perplexity et ChatGPT Browse
5. Développer les signaux E-E-A-T : surtout important pour Claude et pour les requêtes évaluatives
6. Ajouter un schema HowTo aux tutoriels : le type de schema le plus efficace pour les contenus procéduraux
7. Mettre en place un fichier llms.txt : un effet notable, surtout sur Claude, pour un coût de mise en œuvre plutôt faible

Arrêtez d'optimiser la densité de mots-clés. C'est, de tous les facteurs de notre étude, celui dont la corrélation avec les citations par les LLM est la plus faible. Le même effort consacré à la mise en place du schema FAQPage améliore les citations environ 7 fois plus.

Conclusion

Les schémas de citation des grands LLM sont mesurables, cohérents et exploitables. Le schema FAQPage est, à lui seul, le meilleur prédicteur de citation, quels que soient le type de requête et la plateforme. La fraîcheur du contenu compte davantage que ne l'admettent la plupart des spécialistes de l'AEO. La densité de mots-clés ne sert à rien. Et les schémas de citation diffèrent suffisamment d'un LLM à l'autre pour qu'une stratégie par plateforme (Perplexity : fraîcheur + schema ; ChatGPT : autorité + schema ; Claude : E-E-A-T + llms.txt ; Gemini : SEO traditionnel + schema) donne de meilleurs résultats qu'une approche centrée sur un seul LLM.

Utilisez l'analyse des citations d'AI Rank Lab pour suivre votre taux de citation sur les quatre plateformes et repérer les signaux qui pèsent le plus pour votre propre cluster thématique. Les données de cette étude sont des moyennes globales : votre secteur et votre type de contenu peuvent faire ressortir une pondération différente des facteurs.