Être cité par ChatGPT et Perplexity : checklist technique

Personne ne peut garantir qu'un assistant citera votre site. Cette checklist sépare donc ce qui est établi (documenté par les éditeurs ou mesurable chez vous) de ce qui est une bonne pratique non garantie (cohérente, peu coûteuse, sans preuve d'effet). Chaque section porte son étiquette.

Les noms et les rôles des robots changent : vérifiez la documentation de chaque éditeur avant de modifier votre robots.txt.

Comment ChatGPT et Perplexity trouvent-ils leurs sources ?

Il y a deux circuits à ne pas confondre. Le premier est l'entraînement : des robots collectent des pages, qui nourrissent les modèles. Cela ne produit pas de citation avec lien. Le second est la recherche au moment de la question : l'assistant reformule votre question, interroge un index de recherche, lit des extraits de pages et rédige sa réponse en citant ses sources. Les citations viennent de ce second circuit.

[Établi] OpenAI indique que la recherche de ChatGPT s'appuie sur des fournisseurs de recherche tiers et sur du contenu fourni directement par des partenaires, sans nommer ces fournisseurs. Perplexity, de son côté, documente un robot d'indexation propre, PerplexityBot. Les critères de classement des sources, eux, ne sont pas publics.

Conséquence pratique : être « candidat » à une citation, c'est être trouvable dans les index que ces outils interrogent, et lisible quand ils ouvrent la page.

Quels robots faut-il laisser entrer ?

[Établi] Chaque éditeur sépare désormais ses robots par usage. Bloquer celui de l'entraînement ne bloque pas celui de la recherche.

Robot	Éditeur	Rôle documenté	Pour être cité
OAI-SearchBot	OpenAI	Index de la recherche ChatGPT	À autoriser
GPTBot	OpenAI	Collecte pour l'entraînement	Votre choix, sans effet sur la recherche
ChatGPT-User	OpenAI	Page ouverte à la demande d'un utilisateur	OpenAI précise que le robots.txt peut ne pas s'appliquer
PerplexityBot	Perplexity	Index de la recherche Perplexity (pas d'entraînement)	À autoriser
Perplexity-User	Perplexity	Page ouverte à la demande d'un utilisateur	Ignore généralement le robots.txt
ClaudeBot	Anthropic	Collecte pour l'entraînement	Votre choix
Claude-SearchBot	Anthropic	Qualité des résultats de recherche	À autoriser
Claude-User	Anthropic	Page ouverte à la demande d'un utilisateur	À autoriser (respecte le robots.txt)
Bingbot, Googlebot	Microsoft, Google	Index de recherche classiques	À autoriser

Exemple pour accepter la recherche et refuser l'entraînement d'OpenAI :

User-agent: OAI-SearchBot
Allow: /

User-agent: GPTBot
Disallow: /

Sur aaora.fr, aucun de ces robots n'est interdit, y compris ceux qui servent à l'entraînement. C'est un choix éditorial, pas une recommandation universelle : un éditeur dont le contenu est le produit peut légitimement décider autrement.

Le robots.txt n'est pas le seul verrou. Un pare-feu applicatif, un CDN ou une protection anti-bots peut renvoyer une erreur 403 à ces robots sans que votre fichier n'y soit pour rien. Certains fournisseurs ont d'ailleurs activé le blocage des robots IA par défaut. Vérifiez dans vos journaux serveur que ces robots obtiennent bien un code 200 :

grep -E "OAI-SearchBot|PerplexityBot|Claude-SearchBot" access.log | awk '{print $9}' | sort | uniq -c

(Adaptez la colonne du code HTTP à votre format de journal.) Après une modification du robots.txt, comptez environ 24 h avant que OpenAI ne la prenne en compte, selon sa documentation.

Votre contenu est-il lisible sans JavaScript ?

[Établi, à revérifier] Une analyse de journaux publiée par Vercel et MERJ fin 2024 a observé que les principaux robots IA testés n'exécutaient pas JavaScript, contrairement à Googlebot. Si votre texte est injecté côté navigateur, ils ne le voient pas. Le test est simple, et vous pouvez le refaire à tout moment :

curl -s https://votre-site.fr/une-page | grep -c "une phrase clé de la page"

Un résultat à 0 signifie que la phrase n'est pas dans le HTML initial. La solution est un rendu côté serveur ou une génération statique : avec Next.js, c'est le comportement par défaut des composants serveur.

Faut-il être indexé par Bing ?

[Bonne pratique non garantie] OpenAI ne nomme pas ses fournisseurs de recherche. Des analyses extérieures citent régulièrement Bing parmi les sources, sans confirmation officielle. Il n'est donc pas démontré que l'indexation Bing conditionne une citation dans ChatGPT.

Elle ne coûte en revanche presque rien : créez un compte dans Bing Webmaster Tools (l'import depuis Google Search Console évite de tout refaire), soumettez votre sitemap, et envisagez IndexNow pour signaler vos changements. IndexNow est pris en charge par Bing et d'autres moteurs, pas par Google.

Comment structurer une page pour qu'elle soit citable ?

[Bonne pratique] Les systèmes de recherche travaillent sur des passages : un extrait de quelques phrases doit se suffire à lui-même. Quelques règles :

• Un intertitre formulé comme la question que quelqu'un poserait vraiment.
• La réponse directe dans les une ou deux premières phrases, le détail ensuite.
• Un sujet par page, et des faits vérifiables (dates, noms, étapes) plutôt que des formules vagues.
• Les comparaisons dans un tableau HTML, pas dans une image.
• Une date de publication et de mise à jour visibles, et un auteur identifiable.
• Une FAQ visible dans le HTML, pas cachée derrière un script.

Un exemple de réécriture. Avant : « Notre approche innovante de l'optimisation pour les moteurs génératifs répond aux enjeux de demain. » Après : « Qu'est-ce que le GEO ? Le GEO (Generative Engine Optimization) regroupe les actions qui rendent un site accessible, lisible et citable par les assistants IA. Il ne garantit aucune citation. »

Le JSON-LD aide-t-il vraiment ?

[Établi] Google utilise les données structurées pour certains résultats enrichis, et attend qu'elles correspondent au contenu visible de la page.

[Non démontré] Aucun éditeur d'assistant n'a documenté l'usage du JSON-LD pour choisir ses citations. Il reste utile pour lever des ambiguïtés : quelle est l'organisation, quel service, quelle date de modification.

Une précision qui évite les déconvenues : depuis août 2023, Google réserve les résultats enrichis de type FAQ à des sites gouvernementaux et de santé. Sur un site de services, un balisage FAQPage n'affichera pas d'accordéon dans les résultats Google. Il garde une valeur de structure, c'est tout. Les types les plus utiles pour un site comme celui-ci sont Organization, Article (avec ses deux dates), Service et BreadcrumbList. La règle : ne balisez que ce qui est visible.

Un fichier llms.txt est-il utile ?

[Non démontré] llms.txt est une proposition de fichier Markdown placé à la racine du site, qui résume son contenu à l'attention des modèles. Aucun grand fournisseur d'assistant n'a documenté s'en servir pour choisir ses citations. Du côté de Google, la position est claire : John Mueller l'a comparé à la balise meta keywords, et, d'après la presse spécialisée, le guide de Google sur la recherche IA conseille de l'ignorer.

Le publier prend une demi-heure : nom du site, description en deux phrases, liste des pages importantes avec une ligne chacune. aaora.fr en publie un à l'adresse /llms.txt, sans en attendre de résultat. Si vous n'avez qu'une heure à y consacrer, passez-la sur les sections précédentes.

La fraîcheur compte-t-elle ?

[Établi pour Google] Google indique tenir compte de la date lastmod d'un sitemap quand elle est systématiquement exacte. [Bonne pratique] Affichez une date de mise à jour réelle, et ne la changez que lorsque le contenu change. Modifier la date sans toucher au texte n'apporte rien et finit par vider le champ de sa valeur.

Et l'autorité ?

[Observation, non garantie] Les assistants citent plus souvent des sources déjà visibles : bien classées, mentionnées ailleurs, reconnues dans leur domaine. Pour un site récent, il n'existe pas de raccourci technique. Les leviers sont lents : des contenus de référence que d'autres reprennent, une présence dans les annuaires et publications du secteur, un nom d'entité cohérent partout (site, profils, mentions légales).

Comment mesurer sans se tromper ?

• Un panel de questions. Dressez une liste de dix à vingt questions que poserait un client, posez-les à chaque assistant, notez si votre site est cité, et recommencez un mois plus tard. Les réponses varient d'une session à l'autre : faites plusieurs essais avant de conclure.
• Les journaux serveur. Filtrez les robots listés plus haut et regardez leurs codes de réponse et leur fréquence.
• Les visites référées. ChatGPT ajoute en général utm_source=chatgpt.com aux liens qu'il ouvre ; Perplexity apparaît comme référent. Search Console ne montre pas ces citations.
• La prudence. Sur un petit site, quelques visites ne font pas une tendance.

La checklist

• robots.txt : OAI-SearchBot, PerplexityBot et Claude-SearchBot ne sont pas interdits (établi)
• Pare-feu et CDN : ces robots obtiennent un code 200 dans vos journaux (établi)
• Le texte de chaque page clé est dans le HTML initial, test curl à l'appui (établi)
• Les pages clés sont indexées par Google, le sitemap est soumis (établi)
• Bing Webmaster Tools configuré, sitemap soumis (bonne pratique)
• Intertitres en questions, réponse directe en tête de section (bonne pratique)
• Dates de publication et de mise à jour réelles, auteur identifiable (bonne pratique)
• JSON-LD cohérent avec le contenu visible (bonne pratique)
• llms.txt publié (non démontré)
• Panel de questions et lecture des journaux pour mesurer (méthode)

Et si vous voulez de l'aide ?

AAora audite l'accès des robots, l'indexation et la structure de vos pages, applique les corrections quand le site est en Next.js, puis mesure avant et après sur un panel de requêtes. Le détail est sur la page référencement LLM ; pour parler de votre site, contactez AAora.