Chunking et extraction de passages : structurer pour être cité

Le chunking, une étape clé du RAG

Les moteurs IA génératifs (ChatGPT, Perplexity, Google AI Overviews, Claude) s'appuient largement sur le RAG (Retrieval-Augmented Generation) : avant de répondre, le système cherche des sources dans un index, en extrait des fragments pertinents, puis ancre sa réponse sur ces fragments. Pour que cette recherche fonctionne, les pages web sont préalablement découpées en chunks : des blocs de texte de taille limitée, souvent un paragraphe, une section sous un sous-titre, ou les lignes d'un tableau. Chaque chunk est ensuite converti en vecteur et comparé à la requête de l'utilisateur. Le passage le plus proche sémantiquement de la question a le plus de chances d'être récupéré et cité.

Pourquoi le passage remplace la page comme unité de citation

Cette logique change la façon d'écrire. Une page peut très bien être bien référencée dans un moteur de recherche classique et ne fournir aucun passage exploitable pour une IA générative, si l'information est diluée sur plusieurs paragraphes ou noyée dans une introduction trop longue. À l'inverse, un simple encadré de trois phrases répondant précisément à une question peut être extrait et cité, même si le reste de la page n'est pas retenu. C'est un changement d'échelle : il faut penser chaque section comme une réponse autonome, capable de se suffire à elle-même hors de son contexte. Cette approche rejoint les principes détaillés dans l'article sur comment être cité par ChatGPT.

Structurer un contenu pour faciliter l'extraction

Plusieurs pratiques concrètes augmentent la probabilité qu'un passage soit correctement isolé et compris par un moteur de recherche IA.

• Des sous-titres explicites : un H2 ou un H3 qui reprend une formulation proche d'une vraie question ("Comment fonctionne X ?", "Quels sont les critères de Y ?") aide le moteur à associer le bloc de texte qui suit à une intention précise.
• Une réponse autonome par section : chaque partie doit pouvoir être comprise seule, sans dépendre d'un paragraphe précédent pour son sujet ou son sens.
• Des paragraphes courts : un paragraphe de trois à cinq phrases, centré sur une seule idée, correspond mieux à la taille d'un chunk qu'un long bloc de texte continu.
• Une idée par bloc : éviter de mélanger plusieurs notions dans un même paragraphe réduit le risque qu'un passage extrait soit incomplet ou ambigu.

Listes et tableaux : des formats qui favorisent le découpage

Les listes à puces et les tableaux sont particulièrement adaptés au chunking, car ils présentent déjà l'information sous une forme segmentée et hiérarchisée. Une liste numérotée de critères, un tableau comparatif ou une suite de définitions courtes forment naturellement des unités que le moteur peut extraire proprement, sans avoir à reformuler ou à couper une phrase en plein milieu. C'est l'une des raisons pour lesquelles le format riche (statistiques, verbatims, données chiffrées) est associé à davantage de citations dans les études sur le sujet. Ce principe complète la logique déjà évoquée pour comment fonctionnent les Google AI Overviews, où la structure du contenu joue un rôle direct dans la sélection des passages affichés.

Chunking et données structurées : deux leviers complémentaires

Le balisage sémantique (structure HTML claire, hiérarchie de titres cohérente, données structurées de type schema.org) ne remplace pas un bon découpage éditorial, mais il aide les moteurs à situer chaque passage dans son contexte : quel est le sujet de la page, à quelle entité elle se rapporte, quel type de contenu est proposé. Un contenu bien structuré au sens technique et bien chunké au sens éditorial se renforcent mutuellement, en particulier pour les moteurs comme Perplexity, qui accordent une importance marquée aux données structurées dans leurs critères de sélection des sources. Ce point est développé dans l'article sur l'entity SEO, qui aborde la clarté des entités comme signal fort de citation.

Erreur fréquente : optimiser la page, oublier le passage

Beaucoup de contenus restent pensés pour une lecture linéaire, du premier au dernier paragraphe, avec des transitions qui ne prennent sens qu'en contexte ("comme vu précédemment", "pour cette raison"). Ce type d'écriture nuit à l'extraction, car un moteur qui récupère un chunk isolé perd ces repères. Écrire pour le chunking ne veut pas dire sacrifier la fluidité du texte, mais s'assurer que chaque section, prise séparément, reste compréhensible et informative.

Pour savoir si vos contenus sont réellement structurés de façon à être extraits et cités par les moteurs IA, demandez un audit GEO gratuit : un premier diagnostic permet d'identifier les pages qui manquent de passages exploitables et les priorités de réécriture.