Le chunking : comment l'IA découpe votre contenu

Quand un moteur IA (ChatGPT, Perplexity, Gemini) interroge son index, il ne récupère pas votre page entière. Il extrait des fragments de 200 à 500 mots appelés chunks. C'est ce chunk qui est injecté dans le prompt du modèle de langage, et c'est ce chunk que le modèle utilise pour formuler sa réponse.

Conséquence directe : si votre contenu est structuré en blocs de 500 mots qui n'ont de sens que dans le contexte global de la page, le modèle ne pourra pas l'utiliser. Il faudra que chaque chunk soit autonome — compréhensible sans lire le reste.

Comment le chunking fonctionne en pratique

1. Le moteur de retrieval identifie les passages pertinents (par similarité sémantique avec la requête).
2. Il découpe en chunks de taille fixe (souvent 256 ou 512 tokens ≈ 200-400 mots).
3. Il classe les chunks par pertinence et en retient les 3 à 8 meilleurs.
4. Il injecte ces chunks dans le prompt : « Voici des extraits de sources. Réponds à la question en citant tes sources. »

Le découpage est souvent fait aux frontières naturelles (paragraphes, sections H2/H3), mais pas toujours. Un long paragraphe de 600 mots sera coupé en deux au milieu d'une phrase — et le second chunk perdra le contexte du premier.

L'Island Test : le test de l'île

L'Island Test est un test simple : si vous prenez n'importe quel paragraphe ou section de votre page et que vous le placez seul, sur une « île déserte », sans le reste du site, est-il compréhensible ?

Si la réponse est non, le chunk sera ignoré ou mal interprété par le modèle.

Les 4 règles de l'Island Test

1. Pas de pronoms déictiques : éviter « comme vu plus haut », « comme nous l'avons dit », « dans la section précédente ». Chaque chunk doit se suffire à lui-même.
2. Définition à la première occurrence : si vous utilisez un terme technique (RAG, chunking, E-E-A-T), le définir dans le même paragraphe où il apparaît pour la première fois.
3. Contexte implicite explicite : au lieu de « cette technique permet de… », écrire « La technique de chunking consiste à… ».
4. Un seul sujet par paragraphe : un paragraphe qui aborde 3 sujets différents sera découpé en chunks incohérents.

Exemple concret

Answer-first : la réponse avant tout

Le pattern answer-first consiste à placer la réponse directe en première phrase de chaque section, avant toute explication, nuance ou contexte. C'est la structure que les modèles de langage extraient préférentiellement, car elle correspond au format qu'ils produisent eux-mêmes.

Structure type d'une section answer-first

H2 : [Question ou sujet]

Phrase 1 : [Réponse directe en 1-2 phrases, autonome]
Phrase 2 : [Chiffre ou donnée sourcée qui étaye]
Paragraphes suivants : [Développement, exemples, nuances]

Exemple

H2 : Quel est le temps de chargement idéal d'une page web ?

Phrase 1 (réponse) : Le temps de chargement idéal d'une page web est inférieur à 2,5 secondes pour le LCP (Largest Contentful Paint), selon les Core Web Vitals de Google.

Phrase 2 (donnée) : Au-delà de 4 secondes, 53 % des utilisateurs mobiles abandonnent la page (Google, 2024).

Développement : Le LCP mesure le temps entre le début du chargement et l'affichage du plus grand élément (image hero, titre, bloc de texte principal)…

→ Ce pattern est aussi le meilleur moyen de capter les featured snippets dans Google.

Données chiffrées et sourcées

Les modèles de langage ont une bias citation : ils citent préférentiellement les passages qui contiennent des chiffres, des pourcentages, des dates et des noms de sources. Un paragraphe avec « 46 % des recherches Google ont une intention locale (Think with Google, 2025 ) » a 3 à 5 fois plus de chances d'être extrait qu'un paragraphe générique « beaucoup de recherches sont locales ».

Types de données à inclure

• Statistiques sectorielles : « 38 % des recherches informationnelles en France passent par un moteur IA (2026) ».
• Benchmarks : « Le LCP médian des sites de l'échantillon est de 3,2 s ».
• Résultats mesurables : « +140 % de trafic organique en 4 mois ».
• Comparatifs chiffrés : tableaux avec des valeurs précises, pas des adjectifs.
• Dates et versions : « Depuis la mise à jour de mars 2025, Google intègre… ».

Règle de citation

Chaque chiffre doit être attribué à une source vérifiable (nom de l'étude, organisme, année). Les IA vérifient la cohérence des citations : un chiffre sans source est un signal de faible fiabilité qui réduit la probabilité d'extraction.

JSON-LD : le langage que les IA comprennent

Les données structurées JSON-LD (Schema.org) sont le format le plus efficace pour aider un modèle de langage à identifier l'entité (votre marque, l'auteur, le sujet) et à attribuer correctement la réponse à votre source.

Les 4 schemas prioritaires

Exemple minimal — Organization

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "YperLine",
  "url": "https://yperline.net",
  "logo": "https://yperline.net/assets/logo.png",
  "description": "Agence de référencement SEO et GEO pour la France entière.",
  "areaServed": "FR"
}

→ Guide complet : Données structurées (Schema.org) : guide pratique

Consolider l'entité de marque

Les IA construisent un graphe de connaissances où chaque entité (personne, organisation, produit) est un nœud avec des attributs. Pour que votre marque soit un nœud identifiable et attribuable, elle doit être :

• Cohérente : même nom, même description, même logo sur toutes les plateformes (site, LinkedIn, Google Business Profile, annuaires).
• Présente sur les sources que les IA consultent : Wikipédia (si éligible), LinkedIn, YouTube, Reddit, presse.
• Liée à des entités connues : mentions dans des articles de presse, citations d'experts, partenariats visibles.
• Portée par un schema Organization sur la home, avec le même nom que sur les autres plateformes.

Un modèle de langage qui rencontre « YperLine » dans 5 sources différentes avec la même description et le même logo a beaucoup plus de chances de citer « YperLine » comme entité dans sa réponse, plutôt que de générer une réponse générique sans attribution.

Les 5 anti-patterns à éviter

Checklist de structuration pour l'IA

Pour le contexte plus large (pourquoi le GEO, comment les IA choisissent leurs sources), consultez notre guide complet du GEO. Pour le volet E-E-A-T, voir E-E-A-T et IA.