Glossaire

Analyse

Une exécution d'un audit de visibilité IA : chaque question sélectionnée est envoyée à chaque modèle sélectionné, pour un produit dans une zone commerciale.

Crédits

L'unité qui sert à payer les audits et les outils IA. L'enveloppe de crédits appartient à l'espace de travail et se renouvelle chaque mois.

Espace de travail

Votre équipe : ses membres, ses projets, son forfait et ses crédits.

Importance de la page

Un score de 0 à 100 qui indique l'importance d'une page dans votre site. La page d'accueil vaut 100.

Modèles gratuits

Les interfaces web publiques des assistants IA (ChatGPT, Gemini, Perplexity, Google AI Mode, Google AI Overview). Gratuits pendant l'onboarding, environ un crédit par question ensuite.

Pixel SEO

Un script ajouté aux pages de votre site, qui permet à Poliris d'appliquer des correctifs comme les titres ou les données structurées.

Plan SEO

Le plan affiché dans la Roadmap : des actions réparties semaine par semaine selon le temps dont vous disposez.

Poli AI

L'assistant intégré à Poliris. Il répond aux questions sur vos données, prépare des correctifs et modifie la Roadmap quand vous le lui demandez.

Produit

Une offre, décrite comme un acheteur en parlerait à un assistant IA. La visibilité IA se mesure produit par produit.

Projet

Une marque et son site web, avec ses audits, sa roadmap et ses contenus.

Prompt

Une question envoyée aux modèles d'IA, rédigée comme un client la poserait, sans le nom de votre marque.

Réputation IA

L'audit de ce que les assistants IA disent de vos produits : visibilité, classement et sentiment.

Score de santé

Le score global d'un site ou d'une page dans l'audit technique, sur les étapes Accès à la page, Accès au contenu et Qualité du contenu.

Score de visibilité

La fréquence à laquelle les modèles d'IA mentionnent votre marque dans leurs réponses, de 0 à 100.

Structure de marque

Les marques, catégories et produits d'un projet, présentés dans l'Aperçu de la réputation IA.

Sujet

Un thème sur lequel votre marque est évaluée, comme la qualité ou le rapport qualité-prix. Chaque produit suit de trois à cinq sujets.

Tableau d'exécution

La vue de la Roadmap en trois colonnes : À venir, En cours et Terminé.

Zone commerciale (zone de chalandise)

Le pays ou la région où la visibilité est mesurée. Chaque produit est audité zone par zone.

Un glossaire plus large des termes de Generative Engine Optimization et d'IA utilisés dans l'industrie. Utile lorsque vous lisez des rapports, discutez avec des partenaires ou comparez les résultats Poliris à d'autres outils.

AI Answer Box / AI Summary / AI Snapshot

Encadrés générés par l'IA sur les pages de résultats, fournissant un résumé ou une réponse directe à une requête. Ils combinent souvent des informations provenant de plusieurs sources, à l'instar des AI Overviews, et incluent également des liens vers du contenu de référence. Voir aussi : AI Overview, Answer Engine, Résultats enrichis.

AI Overview

Résumés générés par l'IA affichés sur les pages de résultats Google, combinant des informations issues de plusieurs sources. Ils offrent un aperçu rapide d'un sujet avec des liens vers du contenu pertinent, souvent dans une zone bien visible en haut de la SERP. Les AI Overviews prolongent la Search Generative Experience et s'appuient sur les modèles avancés de Google. Voir aussi : SGE, AI Mode, AI Answer Box.

Answer Engine / Response Engine

Système qui répond directement aux questions en calculant ou en générant une réponse à partir de données externes (ex. : WolframAlpha). Contrairement aux moteurs de recherche traditionnels, il fournit une réponse précise plutôt qu'une liste de liens. Il repose sur des bases de connaissances, des algorithmes et parfois des modèles de langage. Voir aussi : AEO, AI Answer Box.

Answer Engine Optimization (AEO)

Optimisation du contenu pour apparaître dans les réponses directes fournies par les moteurs de réponse ou les assistants conversationnels. L'AEO se concentre sur la structure, la clarté et la fiabilité du contenu afin que les systèmes IA puissent le retrouver et le citer avec précision. Elle cible spécifiquement les réponses générées par des outils comme ChatGPT ou les AI Overviews de Google. Voir aussi : GEO, Answer Engine, Résultats enrichis.

Chunking (découpage)

Action de diviser de grands volumes de texte en unités plus petites, appelées « chunks », pour les rendre plus faciles à traiter par les modèles de langage. Cela améliore l'efficacité et la précision de la synthèse, de l'extraction d'informations ou de la traduction. Les chunks peuvent être composés de phrases, de paragraphes ou de passages afin de préserver le contexte pertinent. Voir aussi : Passage, Fenêtre de contexte.

Citation

Mention explicite d'une source ou d'un document dans la réponse générée par un modèle, servant à référencer l'origine de l'information. Les systèmes RAG et les AI Overviews utilisent les citations pour indiquer les pages consultées et renforcer la confiance des utilisateurs. Structurer votre contenu et fournir des sources fiables augmente les chances d'être cité. Voir aussi : RAG, AI Overview, E-E-A-T.

Fenêtre de contexte (Context Window)

Nombre maximum de tokens qu'un modèle peut prendre en compte simultanément autour d'un mot ou d'une requête. Une fenêtre de contexte plus grande permet au modèle de retenir davantage d'informations et peut améliorer la pertinence des réponses. Elle détermine la quantité de texte qu'un LLM peut analyser à la fois et influence les stratégies de chunking et de RAG. Voir aussi : Token, LLM, Chunking.

Recherche conversationnelle (Conversational Search)

Recherche où l'utilisateur pose des questions en langage naturel et reçoit des réponses comme dans une conversation. Elle remplace les recherches par mots-clés par des requêtes complètes et offre une interaction plus humaine. Ces systèmes s'appuient sur des modèles de langage et le contexte pour comprendre l'intention et fournir des réponses évolutives (souvent via des chatbots ou des assistants vocaux). Voir aussi : Answer Engine, Intention de recherche, Prompt.

Ingestion de données (Data ingestion)

Processus par lequel des données brutes sont collectées, importées et intégrées dans un système pour traitement ou analyse. Pour les modèles de langage, cela inclut la collecte de textes, leur nettoyage et leur mise en forme pour l'entraînement ou la mise à jour via des techniques comme le RAG. Une ingestion efficace garantit la qualité et la fraîcheur des informations utilisées par les moteurs génératifs. Voir aussi : RAG, Grounding, Bases de données vectorielles.

E-E-A-T

Acronyme pour Expérience, Expertise, Autorité, Fiabilité (Trustworthiness). Il s'agit d'un cadre d'évaluation de la qualité du contenu utilisé par Google. L'expérience reflète une connaissance directe du sujet ; l'expertise renvoie aux compétences ou qualifications ; l'autorité concerne la réputation et la qualité des sources ; la fiabilité est liée à la sécurité du site et à la transparence. Renforcer ces critères améliore la crédibilité et la visibilité du contenu, même s'ils ne sont pas des facteurs de classement directs. Voir aussi : YMYL, LLMO, Résultats enrichis.

Embeddings (Représentations vectorielles)

Représentations vectorielles (sous forme numérique) de mots, d'expressions ou d'objets, organisées de sorte que les éléments sémantiquement similaires soient proches dans l'espace vectoriel. Obtenues par des techniques d'apprentissage, elles permettent de mesurer la similarité sémantique entre textes ou entités. Elles sont utilisées pour la recherche sémantique, l'analyse des sentiments et la récupération d'informations dans les bases de données vectorielles. Voir aussi : Proximité sémantique, Base de données vectorielle, Recherche sémantique.

Résultats enrichis (Enriched Results)

Résultats de recherche qui vont au-delà du traditionnel lien bleu, affichant des données supplémentaires, des images ou des visuels (avis, produits, événements, etc.). Ils sont souvent générés à partir de données structurées. Ils améliorent l'expérience utilisateur et peuvent obtenir des taux de clics élevés, même avec la montée des recherches sans clic. Voir aussi : Données structurées, Rich Snippet, Featured Snippet.

Entité / Entité nommée (Entity / Named Entity)

Élément important d'un texte (personne, lieu, organisation, événement, date, etc.) pouvant être détecté et catégorisé par des techniques de reconnaissance d'entités nommées. L'identification des entités alimente les graphes de connaissances et améliore la pertinence des recherches. En GEO, définir et baliser correctement les entités renforce leur reconnaissance par les modèles et augmente la probabilité d'être cité. Voir aussi : Graphe de connaissances, Schema.org, Embeddings.

Featured Snippet / Position Zéro

Extrait de texte mis en évidence en haut d'une page de résultats de recherche, fournissant une réponse concise à une requête. Il est appelé « position zéro » car il apparaît avant les résultats organiques, souvent dans un encadré. Il est sélectionné à partir d'un contenu bien structuré et pertinent, ce qui le rend important pour le SEO et le GEO. Voir aussi : Résultats enrichis, Recherche sans clic, AI Answer Box.

IA générative (Generative AI)

Ensemble de modèles capables de créer du texte, des images ou d'autres contenus originaux à partir de données existantes. Souvent basée sur des architectures de transformers et des LLMs, l'IA générative produit des réponses, des résumés ou des créations multimodales, et alimente les assistants conversationnels et les outils créatifs. Elle soulève également des questions de fiabilité et d'éthique. Voir aussi : LLM, IA fondationnelle, Hallucination.

Generative AI Optimization (GAIO)

Terme désignant l'optimisation du contenu pour l'adapter aux moteurs génératifs (l'équivalent conceptuel du GEO). Il combine structuration, balisage et pertinence sémantique afin que les modèles de langage recommandent et citent le contenu d'une marque. Le GAIO recoupe largement le GEO. Voir aussi : GEO, LLMO, AEO.

Generative Engine Advertising (GEA)

Adaptation des stratégies publicitaires pour optimiser la visibilité et les recommandations d'une marque dans les réponses générées par l'IA. Il s'agit de créer du contenu promotionnel susceptible d'être sélectionné et mentionné par des moteurs génératifs tels que ChatGPT ou Perplexity. Le GEA étend le GEO en ciblant spécifiquement les recommandations commerciales faites par les modèles. Voir aussi : GEO, LLMO.

Generative Engine Optimization (GEO)

Optimisation du contenu numérique pour améliorer sa visibilité dans les résultats générés par les modèles IA, notamment les réponses synthétiques produites par les moteurs génératifs. Cette pratique vise à influencer la façon dont les grands modèles de langage récupèrent, synthétisent et citent les informations d'une marque ou d'un éditeur dans les réponses générées. Elle ressemble à une évolution de l'optimisation pour les moteurs de recherche vers des environnements où les utilisateurs reçoivent une réponse complète sans cliquer, et se distingue du Search Engine Optimization (SEO) et de l'Answer Engine Optimization (AEO). Aussi appelé : GAIO, AI SEO, optimisation pour les moteurs génératifs. Voir aussi : AEO, RAG.

Generative Search Optimization (GSO)

Ensemble de techniques d'optimisation visant à garantir que le contenu est efficacement reconnu par les moteurs de recherche utilisant l'IA générative. Similaire au GEO, à l'AEO et au GAIO, il met l'accent sur la qualité sémantique et l'accessibilité des informations pour les modèles, que ce soit dans les réponses générées, les résultats enrichis ou les panneaux de connaissances. Voir aussi : GEO, Global Search Optimization, LLMO.

Global Search Optimization (GSO)

Ensemble de pratiques d'optimisation visant à améliorer la visibilité du contenu sur toutes les interfaces de recherche : moteurs de recherche traditionnels, assistants vocaux, moteurs génératifs, etc. Il combine SEO, AEO et GEO pour assurer une présence dans les résultats organiques, les réponses directes et les aperçus générés. Voir aussi : SEO, GEO, LLMO.

Google AI Mode

Expérience de recherche avancée utilisant le raisonnement approfondi et les capacités multimodales pour explorer un sujet en détail. Elle permet de poser des questions de suivi, fournit des liens vers des ressources utiles et intègre des réponses générées par l'IA. L'AI Mode repose notamment sur la technique de query fan-out pour décomposer une requête en sous-questions et explorer le web en profondeur. Voir aussi : Query Fan-Out, SGE, AI Overview.

Grounding / Ancrage factuel

Action de lier la sortie d'un modèle IA à des données réelles et vérifiables pour garantir des résultats factuels. Le grounding améliore la précision en basant la génération sur des documents authentiques plutôt que sur de simples corrélations statistiques. Il est souvent utilisé en complément du RAG pour lutter contre les hallucinations et fournir des citations claires. Voir aussi : RAG, Hallucination, IA générative.

Hallucination (IA)

Inexactitude ou affirmation fausse générée par un modèle IA, tout en paraissant plausible. Elle survient quand le modèle interprète mal des schémas ou manque d'informations fiables, produisant des réponses qui ne reflètent pas la réalité. Réduire les hallucinations passe par des techniques comme le RAG ou le grounding, qui lient la sortie à des sources vérifiables. Voir aussi : Grounding, RAG, IA générative.

JSON-LD

Format de sérialisation pour les données liées permettant d'intégrer des données structurées dans du HTML en utilisant JSON. Recommandé par Google pour implémenter Schema.org sans modifier le contenu visible, il simplifie la maintenance du balisage et favorise l'apparition de résultats enrichis et de panneaux de connaissances. Voir aussi : Données structurées, Schema.org, Graphe de connaissances.

Graphe de connaissances (Knowledge Graph)

Base de connaissances représentant les entités et leurs relations sous forme de nœuds et d'arêtes. Il stocke des descriptions interconnectées d'objets, d'événements et de concepts, permettant de naviguer entre eux via des requêtes. Les moteurs de recherche l'utilisent pour alimenter les panneaux de connaissances et les réponses générées. Voir aussi : Entité nommée, Schema.org, Panneau de connaissances.

Panneau de connaissances (Knowledge Panel)

Encadré dans les résultats de recherche présentant un résumé d'informations issues d'un graphe de connaissances (faits clés, images, liens, etc.) sur une entité. Optimiser sa présence implique d'utiliser des données structurées et des schemas précis pour les entités concernées. Voir aussi : Graphe de connaissances, Schema.org, Résultats enrichis.

Grand Modèle de Langage (LLM)

Grand modèle de langage entraîné de manière auto-supervisée sur de très grands volumes de texte pour des tâches de traitement du langage naturel. Basé sur des architectures de type transformer, il contient des milliards voire des billions de paramètres et peut générer, résumer, traduire et raisonner sur du texte. Les LLMs sont au cœur des agents conversationnels, des générateurs de code et des systèmes de recherche augmentée. Voir aussi : IA générative, Transformers, Fenêtre de contexte.

Large Language Model Optimization (LLMO)

Optimisation du contenu afin qu'il soit utilisé et cité par les outils d'IA générative (ChatGPT, Perplexity, etc.). Elle privilégie les sources faisant autorité, les blocs de contenu sémantiquement complets et les formats faciles à analyser. Le LLMO est une variante de l'AEO et du GEO centrée sur les grands modèles de langage. Aussi appelé : AI SEO, LLM SEO. Voir aussi : GEO, AEO.

Modèle multimodal / Recherche multimodale

Modèle IA capable de comprendre et de traiter plusieurs types d'informations (texte, image, audio, vidéo) simultanément. La recherche multimodale exploite ces modèles pour interpréter des requêtes combinant plusieurs médias et fournir des résultats intégrés (ex. : décrire une image et poser une question). Voir aussi : IA fondationnelle, LLM, Transformers.

Traitement automatique du langage naturel (NLP)

Domaine permettant aux machines de comprendre, d'analyser et de générer le langage humain. Il couvre l'analyse syntaxique, la traduction, la reconnaissance d'entités, l'analyse des sentiments et bien plus. Les avancées récentes s'appuient sur les LLMs, les embeddings et le pré-entraînement pour améliorer l'interaction homme-machine. Voir aussi : LLM, Transformers, Embeddings.

Ontologie

Représentation formelle des concepts d'un domaine et des relations qui les lient, utilisée pour structurer la connaissance. Elle définit des classes, des propriétés et des hiérarchies pour assurer une compréhension partagée (par les machines et les humains) d'un sujet. Les ontologies sont cruciales pour les graphes de connaissances et soutiennent la recherche sémantique et les résultats enrichis. Voir aussi : Graphe de connaissances, Taxonomie, Schema.org.

Passage

Segment de texte suffisamment court pour être traité ou indexé individuellement. Les passages sont souvent créés par chunking et servent d'unités pour la recherche ou l'entrée dans des systèmes génératifs. Un passage bien défini améliore la précision en se concentrant sur un contexte spécifique. Voir aussi : Chunking, RAG.

Prompt

Texte en langage naturel décrivant la tâche qu'un modèle IA doit accomplir. Il fournit le contexte initial et peut préciser le style, le format ou les informations à utiliser. La qualité et la précision du prompt influencent directement la pertinence des réponses et constituent le cœur du prompt engineering. Voir aussi : Prompt Engineering, Query Fan-Out, Recherche conversationnelle.

Prompt Engineering

L'art de formuler et de structurer une instruction (prompt) pour obtenir des réponses plus pertinentes d'un modèle IA génératif. Un prompt décrit la tâche à accomplir, incluant parfois le style, le format ou le contexte souhaité. L'optimiser est essentiel pour exploiter pleinement les modèles de langage dans les applications de recherche et créatives. Voir aussi : Prompt, Query Fan-Out, Recherche conversationnelle.

Query Fan-Out

Technique qui décompose une question en plusieurs sous-sujets et envoie simultanément plusieurs requêtes pour trouver du contenu diversifié. Elle aide à capturer différentes intentions et à récupérer des résultats du web, des graphes de connaissances et d'autres sources. Le query fan-out alimente les expériences de recherche générative telles que l'AI Mode. Voir aussi : AI Mode, SGE, Recherche conversationnelle.

Génération augmentée par récupération (RAG)

Technique combinant un modèle de langage avec un système de récupération d'informations pour intégrer des connaissances à jour dans la génération. Le modèle consulte d'abord un ensemble de documents spécifiques avant de répondre, ce qui enrichit le résultat et réduit les hallucinations. Elle permet de mettre à jour un modèle sans réentraînement complet et facilite des citations vérifiables. Voir aussi : GEO, Grounding, Récupération augmentée.

Schema.org

Initiative collaborative visant à définir des schemas pour les données structurées sur Internet. Pilotée par des acteurs tels que Google, Microsoft, Yahoo, Yandex et la communauté web, elle fournit des balises communes pour améliorer la compréhension des pages par les moteurs de recherche. Utiliser Schema.org en HTML aide à générer des résultats enrichis, des panneaux de connaissances et des citations précises. Voir aussi : Données structurées, JSON-LD, Graphe de connaissances.

Search Generative Experience (SGE)

Expérience de Google Search Labs utilisant l'IA générative pour fournir des aperçus rapides d'un sujet, des idées connexes et la possibilité de poser des questions de suivi. La SGE présente des réponses synthétisées accompagnées de liens vers des sources, aidant les utilisateurs à comprendre un sujet plus rapidement. Elle ouvre la voie à une recherche plus conversationnelle et a inspiré les AI Overviews et l'AI Mode. Voir aussi : AI Overview, AI Mode, Query Fan-Out.

Intention de recherche (Search Intent)

Ce que l'utilisateur cherche réellement à accomplir en saisissant une requête : informationnelle (chercher un fait), transactionnelle (acheter ou réserver) ou navigationnelle (accéder à un site spécifique). Comprendre l'intention permet d'adapter le contenu et les réponses pour mieux répondre au besoin. Voir aussi : Recherche conversationnelle, Query Fan-Out, Résultats enrichis.

Robots d'exploration (Search or Crawl Bots)

Programmes qui parcourent automatiquement les sites web pour télécharger et indexer leur contenu. Ils permettent aux moteurs de recherche de découvrir et de mettre à jour les pages, mais servent aussi à collecter des données pour l'entraînement des modèles de langage. Les éditeurs peuvent contrôler leur activité via le fichier robots.txt et certaines balises meta. Voir aussi : Graphe de connaissances, LLMO, Web Crawling.

Proximité sémantique (Semantic Proximity)

Mesure de la similarité de sens entre deux mots, expressions ou entités dans un espace vectoriel. Calculée à partir des embeddings, elle permet de trouver du contenu pertinent au-delà de la simple correspondance de mots-clés. Elle est essentielle pour la recherche sémantique et l'alignement du contenu dans les moteurs de réponse. Voir aussi : Embeddings, Recherche sémantique.

Recherche sémantique (Semantic Search)

Approche de récupération d'informations visant à comprendre l'intention et le sens contextuel plutôt qu'à s'appuyer uniquement sur des mots-clés exacts. Elle exploite les embeddings et mesure la similarité sémantique pour fournir des résultats plus pertinents, notamment pour les requêtes conversationnelles. Voir aussi : Embeddings, Proximité sémantique, Base de données vectorielle.

SEO LLM / LLM SEO

Terme informel désignant l'optimisation du contenu afin qu'il puisse être utilisé et cité par les grands modèles de langage. Similaire au LLMO, il implique de structurer le contenu, de fournir des sources fiables et de maximiser la compréhension sémantique des modèles. Il combine SEO traditionnel et GEO pour assurer une visibilité dans les réponses générées. Voir aussi : LLMO, GEO, AEO.

Données structurées (Structured Data)

Format standardisé utilisé pour fournir des informations sur une page et classer son contenu (ex. : une recette : ingrédients, temps de cuisson, valeur nutritionnelle). Ce balisage aide les moteurs à comprendre le contenu et soutient la génération de résultats enrichis ainsi que l'utilisation de la page par les modèles de langage. Voir aussi : Schema.org, JSON-LD, Résultats enrichis.

Taxonomie

Classification hiérarchique utilisée pour organiser des concepts, des produits ou du contenu en catégories et sous-catégories. Elle facilite la navigation des utilisateurs et l'indexation par les moteurs de recherche. En GEO, une taxonomie cohérente aide les modèles à comprendre les relations entre les sujets et à générer des réponses plus précises. Voir aussi : Ontologie, Graphe de connaissances, Données structurées.

Token

Séquence de caractères considérée comme une unité de traitement lors de la tokenisation (mot, sous-mot, symbole, etc.). La tokenisation divise le texte en tokens que le modèle traite ensuite. Le nombre de tokens affecte la fenêtre de contexte et les coûts de traitement. Voir aussi : Fenêtre de contexte, Transformers, Embeddings.

Transformers

Architecture de réseau de neurones basée sur le mécanisme d'attention multi-têtes, sans récurrence. Le texte est tokenisé et intégré, puis chaque token est contextualisé via des poids d'attention dans une fenêtre de contexte. Introduits dans l'article « Attention Is All You Need » (2017), les transformers ont remplacé les RNNs et constituent la base de la plupart des grands modèles de langage. Voir aussi : LLM, Fenêtre de contexte, Token.

Base de données vectorielle (Vector Database)

Base de données conçue pour stocker et interroger des embeddings (vecteurs représentant le sens ou les caractéristiques de données non structurées). Contrairement aux bases de données traditionnelles, elle traite des données multidimensionnelles et effectue des recherches par similarité (distance entre vecteurs). Elle alimente la recherche sémantique et le RAG en fournissant des documents pertinents via des requêtes vectorielles. Voir aussi : Embeddings, Recherche sémantique, RAG.

YMYL (Your Money or Your Life)

Catégorie de contenu pouvant impacter la santé, la sécurité, le bonheur ou la stabilité financière des utilisateurs. Google applique des normes de qualité plus élevées à ces pages pour éviter que des informations inexactes ne nuisent aux utilisateurs. Les éditeurs doivent démontrer une forte expertise et une grande fiabilité pour être visibles dans ces domaines sensibles. Voir aussi : E-E-A-T, Résultats enrichis, LLMO.

Recherche sans clic (Zero-Click Search)

Recherche où la réponse à la requête est fournie directement sur la page de résultats, sans avoir besoin d'un clic supplémentaire. Cela peut prendre la forme de rich snippets, de panneaux de connaissances ou de réponses générées qui satisfont immédiatement l'intention de recherche. Cette tendance impacte le GEO et l'AEO, car elle réduit le trafic vers les sites au profit de la présence dans la réponse immédiate. Voir aussi : Résultats enrichis, AI Overview, Featured Snippet.