Comment les LLM lisent votre site
Un modèle de langage ne lit pas une page comme un humain : il la découpe le long de deux langages, les données structurées Schema.org et la hiérarchie de titres et de listes. Une page sans l'un ni l'autre peut être parfaitement lisible pour une personne et rester illisible pour l'extraction automatique qui alimente une réponse d'IA.
JSON-LD, la fiche d'identité lue par les machines
Le JSON-LD est un bloc de code, invisible à l'écran, qui déclare explicitement ce qu'est une page : un article et sa date, une question suivie de sa réponse, un logiciel et son prix, une organisation et son site. Un moteur génératif qui cherche une réponse fiable privilégie une page qui se déclare, plutôt qu'une page qu'il doit deviner.
Les types les plus utiles sont peu nombreux : FAQPage pour un bloc de questions-réponses, Article ou BlogPosting pour un contenu éditorial, SoftwareApplication pour un logiciel, Organization et WebSite pour l'identité du site, BreadcrumbList pour le fil d'ariane. Une erreur fréquente consiste à déclarer un logiciel en Product, un type pensé pour un objet physique, ce qui affaiblit le signal envoyé au moteur.
La hiérarchie que les LLM découpent
Le second langage est plus simple, mais tout aussi structurant : un H1 unique par page, puis des H2 et des H3 qui organisent le raisonnement, des listes et des tableaux plutôt que des paragraphes qui enchaînent tout. Un modèle qui doit citer un passage cherche une unité de sens qu'il peut extraire sans couper une phrase en deux ; une liste à puces ou un tableau lui offre exactement cette unité.
La réponse directe compte plus que le reste : une phrase autonome, placée dans les cent premiers mots de la page, qui répond à la question sans exiger d'avoir lu tout ce qui précède. Un bloc de questions-réponses formulées comme un humain les pose complète ce langage : un modèle qui cherche une réponse précise reconnaît plus facilement une question posée en clair qu'un titre de section écrit pour un plan marketing.
Un tableau ajoute une troisième forme utile, quand la comparaison est le point central du contenu : plusieurs options rangées côte à côte, avec les mêmes critères pour chacune, se découpent proprement, alors que la même comparaison écrite en prose continue exige de reconstruire le tableau soi-même pour en tirer une réponse fiable.
Un bloc cassé ne prévient personne. Un JSON-LD mal formé, une virgule en trop ou une accolade non fermée, est ignoré en silence par les moteurs : aucune erreur ne s'affiche, la page a l'air normale, et pourtant aucun point n'est jamais compté pour ce bloc. C'est une des façons les plus discrètes de perdre du terrain sans le savoir.
L'obstacle réel : l'implémentation sans développeur
La théorie derrière ces deux langages tient en quelques paragraphes, et la plupart des responsables marketing la comprennent vite. Ce qui bloque, dans les faits, c'est l'étape suivante : ouvrir le gabarit du site, coller un bloc de code au bon endroit, vérifier qu'il ne casse rien, et le publier. Sans accès au code ou sans développeur disponible, la connaissance du format ne débouche sur rien de visible.
C'est pour cette raison qu'un correctif prêt à coller change davantage la donne qu'un guide supplémentaire : il retire l'étape de conception, il ne laisse que la pose.
Un exemple de paragraphe, avant et après
La différence entre un texte pensé pour un humain et un texte pensé pour être extrait tient souvent à l'ordre des idées, pas à leur contenu.
| Avant | Après |
|---|---|
| « Depuis des années, notre équipe s'efforce d'accompagner ses clients avec passion pour finalement proposer une solution de suivi complète. » | « L'outil mesure votre visibilité sur cinq moteurs d'IA et rend un score sur 100 en trente secondes. » suivi du contexte et de l'argumentaire. |
| Aucune date visible dans la page | Une date de mise à jour affichée en haut d'article, pas seulement dans le code |
| Un long paragraphe qui mélange contexte et réponse | Une liste à puces qui isole chaque point vérifiable |
Le second texte n'est pas plus vrai que le premier, il est simplement extractible : une phrase autonome qu'un modèle peut recopier sans avoir besoin du paragraphe qui précède.
Un troisième fichier, moins connu : llms.txt
À côté du JSON-LD et de la hiérarchie de titres, un fichier texte à la racine du site, llms.txt, commence à être lu par certains assistants comme un sommaire déclaratif : les pages qui comptent, les tarifs à jour, la date de dernière mise à jour. Ce n'est pas un remplacement des deux premiers langages, mais un troisième point d'entrée, plus simple à tenir à jour qu'un plan de site classique, à condition qu'il reste synchronisé avec ce que la page affiche réellement.
La méthode complète, mesure puis correction : optimisation IA (GEO), corrigez votre visibilité. Un secteur où l'absence de preuves coûte cher : visibilité IA en B2B et E-E-A-T.
Votre balisage est-il lu correctement ?
Cinq moteurs interrogés, un score sur 100, le plan d'action détaillé. Gratuit, trente secondes.
Lancer mon audit gratuit →