Entity SEO pour l’IA : comment faire en sorte que les LLM sachent vraiment qui vous êtes

Résumé

La plupart des marques invisibles dans les réponses IA n’ont pas un problème de contenu, mais un problème d’identité : les sources dont le modèle apprend ne s’accordent pas sur ce qu’est vraiment l’entreprise. L’entity SEO consiste à rendre cette définition cohérente et lisible par les machines partout où elle apparaît. Ce guide explique ce qu’est une entité en termes machine, les cinq endroits où les modèles apprennent qui vous êtes, comment auditer votre empreinte en un après-midi, et comment savoir si les correctifs ont fonctionné.

La réponse directe

L’entity SEO pour l’IA consiste à s’assurer que chaque endroit où un modèle peut apprendre quelque chose sur votre entreprise la décrit de la même façon : même nom, même catégorie, même définition en une phrase, mêmes fondateurs, même localisation. Les modèles de langage ne récupèrent pas votre page d’accueil pour la lire de haut en bas. Ils assemblent une réponse à partir d’une représentation interne compressée du monde et de quelques sources récupérées. Quand ces sources se contredisent sur ce que vous faites, le modèle temporise, généralise, ou vous écarte purement et simplement.

La version pratique tient sur un post-it. Choisissez une phrase qui définit votre entreprise. Puis rendez cette phrase vraie et visible partout où une machine peut la lire : page d’accueil, page À propos, données structurées, LinkedIn, Crunchbase, annuaires d’avis, descriptions de podcasts, biographies d’intervenants. La cohérence est tout l’enjeu, et elle coûte moins cher que la plupart des équipes ne l’imaginent.

Ce qu’est réellement une entité, en termes machine

Une entité est un nœud : une chose distincte dotée d’un identifiant stable, d’attributs et de relations avec d’autres nœuds. Google a formalisé cela il y a des années avec le Knowledge Graph. Les grands modèles de langage font quelque chose de plus flou mais fonctionnellement comparable. Quelque part dans les poids du modèle se trouve un ensemble d’associations rattaché à votre nom de marque, et cet ensemble a une forme.

Les attributs qui comptent commercialement sont d’une banalité désarmante : votre catégorie, votre année de création, votre siège, vos dirigeants, votre modèle tarifaire, vos concurrents, vos clients. Les relations comptent tout autant. Des formulations comme « concurrent de », « fondé par » ou « utilisé par » sont la manière dont un modèle navigue d’une question vers une liste de candidats.

Voici la conséquence qui coûte le plus cher aux équipes. Quand quelqu’un demande les meilleurs outils d’une catégorie, le modèle construit d’abord un ensemble de candidats dont l’attribut de catégorie correspond, puis filtre cet ensemble sur des signaux de réputation. Si votre catégorie est floue, si vous êtes classé comme « logiciel marketing » plutôt que « suivi de visibilité IA », vous n’entrez jamais dans l’ensemble de candidats. Vous perdez avant même le classement, et aucune qualité de contenu ne vous en sauve.

Les cinq endroits où les modèles apprennent qui vous êtes

Votre entité est assemblée à partir d’un nombre étonnamment réduit de types de sources. Classées approximativement par effet de levier par heure investie :

• Votre propre site, en particulier le premier écran de la page d’accueil, la page À propos, et vos données structurées Organization et Product. C’est la seule source que vous contrôlez entièrement et, ironiquement, celle qui est le plus souvent rédigée dans un langage marketing qu’une machine ne sait pas interpréter.
• Les bases publiques structurées : Wikidata, Crunchbase, les pages entreprise LinkedIn, les marketplaces et annuaires techniques. Peu glamour et très rentables, parce qu’elles sont propres, analysables, largement recopiées et bien représentées dans les données d’entraînement.
• Les plateformes d’avis et de comparaison comme G2, Capterra ou Product Hunt. Elles fournissent votre étiquette de catégorie autant que votre note, et c’est le champ catégorie qui décide si vous êtes considéré du tout.
• Le texte éditorial et communautaire : listicles, newsletters, fils Reddit et Hacker News, notes d’épisodes de podcasts. C’est là qu’un modèle apprend votre définition informelle, celle qui ressemble à « l’alternative moins chère à X » ou « celui qui fait bien Y ».
• Vos fondateurs et vos équipes. Les biographies d’intervenants, les tribunes et les introductions d’interviews contiennent une description d’entreprise en une ligne qui est recopiée telle quelle sur des dizaines de pages.

Le cinquième point est le plus sous-estimé. Une bio de fondateur écrite une fois et réutilisée sur quarante pages d’événements, flux de podcasts et articles syndiqués pèsera discrètement plus lourd qu’une page d’accueil réécrite la semaine dernière. Si votre positionnement a changé ces dix-huit derniers mois et que vous n’avez pas réécrit vos bios, il y a de fortes chances que le modèle décrive encore l’entreprise que vous étiez.

Auditer votre empreinte d’entité en un après-midi

Vous n’avez pas besoin d’un outil pour commencer. Il vous faut un document et environ trois heures.

• Écrivez d’abord votre phrase de définition cible, en langage simple, sous la forme : [Marque] est un [catégorie] qui [fait quoi] pour [qui]. Si votre équipe n’arrive pas à s’accorder sur cette phrase, arrêtez-vous là. Aucune distribution ne corrige un désaccord interne.
• Posez à cinq assistants, au minimum ChatGPT, Gemini, Perplexity, Claude et Copilot, deux questions chacun : qu’est-ce que [marque], et dans quelle catégorie se situe [marque]. Notez les réponses mot pour mot, pas votre impression.
• Comparez chaque réponse à votre phrase. Distinguez trois cas : mauvaise catégorie, description obsolète, et absence totale. Ils appellent des correctifs différents.
• Relevez les sources citées par chaque assistant. Ces pages sont votre liste prioritaire, puisqu’elles sont manifestement récupérées.
• Cherchez votre nom de marque et ses variantes, rassemblez les vingt premières pages qui vous décrivent, et notez l’étiquette de catégorie utilisée par chacune. Comptez les étiquettes. La plus fréquente est ce que le modèle croit, quoi que dise votre page d’accueil.
• Vérifiez chaque profil structuré que vous pouvez modifier : bonne catégorie, description à jour, liens fonctionnels vers votre site.

Corriger une entité floue ou incohérente

Une fois que vous savez où les définitions divergent, les correctifs sont surtout mécaniques. Ils sont aussi assez peu gratifiants pour rester durablement dans le backlog, ce qui explique précisément qu’ils constituent encore un avantage disponible.

• Commencez par une définition littérale sur votre page d’accueil. Un modèle sait interpréter « Refine est une plateforme de suivi de visibilité IA qui montre à quelle fréquence ChatGPT, Gemini et Perplexity recommandent votre marque ». Il ne sait rien faire de « Prenez le contrôle de la réponse ».
• Publiez un schema Organization avec des liens sameAs vers chaque profil que vous contrôlez. C’est la façon la plus directe de dire à une machine que ces comptes dispersés forment une seule entité et non cinq.
• Désignez une page À propos canonique comme source de vérité, et faites pointer vers elle votre kit presse, vos bios et vos fiches d’annuaire.
• Corrigez le menu déroulant de catégorie partout où il existe : G2, Capterra, Crunchbase, LinkedIn, marketplaces. Ces champs prennent quelques minutes et pèsent de façon disproportionnée parce qu’ils sont sans ambiguïté.
• Réécrivez les biographies des fondateurs et des équipes une bonne fois, puis redistribuez réellement la nouvelle version aux podcasts, événements et publications qui détiennent l’ancienne.
• Si vous remplissez les critères de notoriété, obtenez une fiche Wikidata correcte. C’est un substrat primaire de la connaissance machine et il se propage largement.

L’ordre compte moins que la couverture. Ce que vous cherchez à faire, c’est augmenter la fréquence de la description correcte dans l’ensemble du corpus jusqu’à ce qu’elle devienne la lecture majoritaire. Une seule page faisant autorité y parvient rarement seule.

Quand le modèle vous confond avec quelqu’un d’autre

Les marques aux noms génériques ou partagés rencontrent une version plus dure de ce problème, sous deux formes. La confusion, quand le modèle vous fusionne avec une entreprise au nom voisin et renvoie un hybride à moitié vrai. L’éviction, quand une entité plus grosse absorbe simplement la requête, et qu’une question sur votre marque renvoie des informations sur elle.

Le remède est le même dans les deux cas : la co-occurrence désambiguïsante. Les modèles apprennent à séparer des entités en les voyant apparaître aux côtés d’un contexte distinctif, pas parce qu’on leur explique qu’elles sont différentes. Publiez donc, et faites publier, du contenu où votre nom de marque côtoie des qualificatifs sans ambiguïté : votre catégorie exacte, les noms de vos fondateurs, votre ville, vos noms de produits, vos intégrations. Sur un nombre suffisant de documents, l’ensemble se scinde.

Ce qui ne marche pas, c’est la dénégation. Publier une page expliquant que vous n’êtes pas l’autre entreprise réussit surtout à placer les deux noms dans la même phrase, soit l’inverse de l’objectif. Ajoutez du contexte distinctif ; ne discutez pas avec le modèle.

Comment savoir si cela a fonctionné

Le travail d’entité est plus lent que la plupart des tactiques GEO, et il vaut mieux fixer les attentes avant de commencer. Les surfaces pilotées par la récupération, comme Perplexity, la recherche ChatGPT ou les AI Overviews, peuvent refléter les changements en quelques semaines, puisqu’elles lisent le web en direct. La connaissance paramétrique interne du modèle, celle qui répond quand rien n’est récupéré, ne se met à jour qu’au rythme des cycles d’entraînement, donc en mois. Les deux comptent, et elles avancent à des vitesses différentes.

Suivez quatre indicateurs plutôt qu’un. Le taux de correspondance de catégorie : à quelle fréquence les modèles vous classent au bon endroit. La justesse de la définition : l’écart entre la phrase du modèle et la vôtre. Le mix de sources : quelles pages les modèles citent réellement pour vous décrire. Et le taux de mention spontanée : à quelle fréquence vous apparaissez sur des questions de catégorie où personne ne vous a nommé. Les deux premiers disent si l’entité est claire. Les deux derniers disent si cette clarté se convertit en recommandations.

Le schéma à guetter est séquentiel. La justesse de catégorie s’améliore en premier, puis la justesse de la description, puis les mentions spontanées sur les prompts de catégorie. Si la catégorie a bougé mais pas les mentions, l’entité est réparée et le problème s’est déplacé vers la réputation. C’est un autre chantier, et bien plus agréable à avoir.