Guide GEO : optimisez la documentation pour la recherche IA

Les outils alimentés par l’IA comme ChatGPT, Perplexity et Google AI Overviews répondent de plus en plus directement aux questions des utilisateurs, en citant des sources plutôt qu’en listant des liens. Lorsqu’un développeur demande “comment m’authentifier avec [votre produit]”, une page de documentation bien optimisée est citée dans la réponse. Une page mal structurée est ignorée, même si elle est bien classée dans la recherche traditionnelle.

Generative Engine Optimization (GEO) est la pratique qui consiste à structurer le contenu pour que les systèmes d’IA puissent le comprendre, lui faire confiance et le citer avec précision.

Le SEO traditionnel optimise pour les moteurs de recherche qui classent et renvoient vers des pages. GEO optimise pour les systèmes d’IA qui lisent, résument et citent des pages dans les réponses générées.

Les mécanismes diffèrent de manière importante :

La bonne nouvelle : les fondamentaux se recoupent largement. Un contenu précis, bien structuré et qui répond directement aux questions fonctionne bien dans les deux cas. GEO repose moins sur des astuces que sur la clarté de la rédaction.

Les moteurs de réponses IA évaluent le contenu en fonction de quelques facteurs clés :

Concision. Les systèmes d’IA priorisent le contenu qui répond immédiatement à la question. Une page qui enfouit la réponse après trois paragraphes de contexte a moins de chances d’obtenir des citations qu’une page qui commence par la réponse.

Précision et signaux de confiance. Les systèmes d’IA favorisent le contenu provenant de sources faisant autorité et qui semble fiable factuellement. Pour la documentation, cela signifie une précision technique, un versionnage cohérent et un contenu qui correspond à ce que le produit fait réellement.

Clarté structurelle. Un contenu organisé logiquement — avec des titres significatifs, des listes et des blocs de code — est plus facile à analyser et à extraire correctement pour les systèmes d’IA.

Spécificité. Un contenu vague et généraliste (“cette fonctionnalité est flexible et puissante”) est moins citable qu’un contenu spécifique et détaillé (“cet endpoint renvoie un code de statut 429 lorsque les requêtes dépassent la limite de débit de 100 par minute”).

Structurez chaque section de sorte que l’information la plus importante apparaisse en premier. Les utilisateurs qui posent des questions aux outils d’IA veulent des réponses directes — pas de préambules, pas de contexte, pas de mises en garde avant le point principal.

<!-- Commence par la réponse -->
## How to authenticate API requests

Include your API key in the Authorization header of every request:

```bash
curl -H "Authorization: Bearer YOUR_API_KEY" https://api.example.com/endpoint
```

<!-- Enfouit la réponse -->
## Authentication

Authentication is an important part of using our API. Before you can make any requests, you'll need to understand how our authentication system works. Our API uses bearer tokens...

Rédigez les titres H2 et H3 comme les questions que posent les utilisateurs, pas comme des étiquettes de sujets. Les systèmes d’IA font correspondre les requêtes des utilisateurs au texte des titres pour décider quel contenu afficher.

<!-- Titre correspondant à la requête -->
## How do I rotate my API keys?

<!-- Étiquette de sujet — plus faible -->
## API key management

Les descriptions vagues ne sont pas citées. Les détails spécifiques et précis le sont. Les systèmes d’IA peuvent citer “limite de débit : 100 requêtes par minute par API key” avec précision. “Notre API a des limites de débit” ne donne rien d’utile à citer pour l’IA.

Pour chaque option de configuration, paramètre ou comportement :

• Indiquez la valeur exacte ou la plage
• Décrivez ce qui se passe à la limite
• Montrez un exemple de code concret

Les systèmes d’IA construisent le contexte à travers une page. Si vous appelez la même chose “API key”, “access token” et “API token” de manière interchangeable, le résumé de l’IA peut utiliser le mauvais terme ou se tromper en pensant qu’il s’agit de choses différentes. Une terminologie cohérente — un nom par concept, utilisé partout — aide les systèmes d’IA à représenter votre contenu avec précision.

Ne sautez pas de H2 à H4. Les systèmes d’IA utilisent la hiérarchie des titres pour comprendre comment les sujets sont liés. Une structure plate et cohérente est plus facile à analyser correctement.

Déclarez toujours le langage de programmation dans les blocs de code. Cela aide les systèmes d’IA à comprendre ce qu’ils lisent et à afficher le bon exemple pour le contexte de l’utilisateur.

```python
import requests
response = requests.get(url, headers={"Authorization": f"Bearer {api_key}"})
```

Les systèmes d’IA ne peuvent pas voir les images. Si un diagramme est l’explication principale d’un concept, ajoutez une description textuelle qui transmet la même information. Un texte alternatif qui décrit ce que montre un diagramme — pas seulement “diagramme d’architecture” — donne aux systèmes d’IA quelque chose avec quoi travailler.

Écrivez “la API key” au lieu de “elle” ou “cette valeur”. Les systèmes d’IA extraient du contenu et perdent le contexte environnant. Les références avec des noms spécifiques restent précises lors de l’extraction ; les pronoms deviennent ambigus.

Les titres et descriptions de pages sont parmi les signaux les plus importants que les systèmes d’IA utilisent pour comprendre le sujet d’une page. Rédigez-les comme si vous répondiez à la question “qu’est-ce que cette page aide les utilisateurs à faire ?”

---
title: "How to authenticate API requests"
description: "Add your API key to the Authorization header to authenticate requests. Includes examples in JavaScript, Python, and cURL."
---

Par défaut, Mintlify indexe les pages incluses dans la navigation de votre docs.json. Pour inclure les pages masquées dans le contexte de l’assistant IA et la recherche :

{
  "seo": {
    "indexing": "all"
  }
}

Mintlify génère automatiquement un fichier llms.txt pour votre documentation. LLMs.txt fonctionne de manière similaire à sitemap.xml pour la recherche traditionnelle — il fournit aux systèmes d’IA un index structuré de votre documentation. Aucune configuration n’est requise.

Vous pouvez consulter votre LLMs.txt en ajoutant /llms.txt à l’URL de votre documentation.

Votre fichier robots.txt contrôle quels robots peuvent explorer votre site. S’il bloque les agents utilisateurs IA, des outils comme ChatGPT, Claude et Perplexity ne peuvent pas lire votre documentation ni la citer dans leurs réponses.

Le robots.txt généré automatiquement par Mintlify autorise tous les robots d’exploration par défaut et inclut des directives Content-Signal qui activent votre documentation pour l’entraînement des modèles d’IA, l’indexation pour la recherche et la génération de réponses par l’IA. Si vous utilisez un fichier robots.txt personnalisé, assurez-vous qu’il ne bloque pas les agents IA. Les agents utilisateurs IA les plus courants incluent :

• GPTBot, OAI-SearchBot, ChatGPT-User (OpenAI)
• ClaudeBot, Claude-User (Anthropic)
• PerplexityBot (Perplexity)
• Google-Extended (Gemini)

Un robots.txt qui bloque tous les robots d’exploration bloque également les agents IA :

User-agent: *
Disallow: /

Pour bloquer des robots spécifiques tout en autorisant les agents IA, ciblez uniquement les robots que vous souhaitez restreindre :

User-agent: BadBot
Disallow: /

User-agent: *
Disallow: /private/

Exécutez mint score pour vérifier si le robots.txt de votre site autorise les agents IA. La vérification robotsTxtAllowsAI est validée lorsqu’aucun agent utilisateur IA n’est bloqué.

Testez régulièrement si les outils d’IA citent votre documentation avec précision.

Posez des questions spécifiques sur votre produit dans ChatGPT, Perplexity et Claude :

• “Comment authentifier les requêtes API avec [votre produit] ?”
• “Que se passe-t-il quand je dépasse la limite de débit dans [votre produit] ?”
• “Montrez-moi comment gérer les erreurs dans l’API de [votre produit].”

Vérifiez dans les réponses :

• Si votre documentation est citée
• Si le contenu cité est précis
• Si les exemples de code sont corrects
• Si l’IA recommande la bonne approche

Lorsque les outils d’IA donnent de mauvaises réponses sur votre produit, cela signale souvent que votre documentation est ambiguë, incomplète ou contradictoire, plutôt que l’IA est défaillante.