Optimisation des moteurs de réponse (AEO)
Faites en sorte que votre contenu soit cité par ChatGPT, Perplexity, Claude, Gemini et Mistral comme source faisant autorité.
L'AEO est la pratique qui consiste à optimiser le contenu pour qu'il soit cité dans les réponses générées par les LLM — distincte du SEO, qui optimise pour le classement dans les moteurs de recherche. Cette compétence audite, optimise et suit les performances AEO.
Distinct du SEO
| SEO | AEO | |
|---|---|---|
| Optimise pour | Classement par clic | Être cité comme source faisant autorité |
| Public | Humains naviguant dans les résultats de recherche | LLM répondant aux questions |
| Métrique de succès | Position 1-10, trafic organique | Nombre de citations dans les LLM |
| Signaux clés | Backlinks, mots-clés, vitesse de page | E-E-A-T, données structurées, densité factuelle |
| Cadence de mise à jour | Semaines à mois | Jours à semaines (cycles d'entraînement des LLM) |
Les deux peuvent coexister — le même contenu peut être classé n°1 sur Google ET cité par Perplexity. Mais les techniques divergent : le SEO récompense la densité de mots-clés + les backlinks ; l'AEO récompense les signaux de source primaire + les faits structurés.
Quand l'utiliser
- Planifier un nouveau contenu pour un public axé sur l'IA
- Auditer le contenu existant pour détecter les lacunes E-E-A-T avant le déploiement des résumés IA
- Suivre quelles pages sont citées par quel LLM (registre des citations)
- Rechercher pour quelles requêtes les LLM citent des sources (par rapport à ce qu'ils répondent à partir de l'entraînement)
- Évaluer les taux de citation des concurrents
- Construire une stratégie AEO à long terme alignée sur le SEO traditionnel
Quand NE PAS l'utiliser
- SEO pur de clic sans intention de citation par LLM — utilisez plutôt
marketing-skill/skills/seo-audit - Contenu de marque sans affirmations factuelles — les citations nécessitent des faits à citer
- Contenu sur un sujet où les LLM ont déjà un fort signal d'entraînement (ex. mathématiques élémentaires) — le potentiel de citation est minime
- Contenu sensible au facteur temps (actualités de dernière minute) — le décalage d'entraînement des LLM signifie que les citations arrivent des mois plus tard
Capacités principales
1. Audit de contenu + notation E-E-A-T
L'auditeur (aeo_audit.py) note le contenu selon 4 dimensions :
- Expérience : Preuves de première main, exemples datés, études de cas, affirmations « Nous avons mené X en 2026 »
- Expertise : Biographie de l'auteur, références, citations de sources évaluées par les pairs, profondeur technique
- Autorité : Backlinks externes provenant de domaines d'autorité, balisage schema.org, données structurées
- Fiabilité : HTTPS, coordonnées, corrections transparentes, densité factuelle (nombre d'affirmations vérifiables par 1000 mots)
Score composite de 0 à 100 avec décomposition par dimension. Sortie : rapport markdown avec des recommandations de correction spécifiques.
2. Optimisation du contenu
L'optimiseur (aeo_optimizer.py) génère des variantes améliorées pour l'AEO :
- Réécriture de la structure — Hiérarchie H2/H3 optimisée pour l'analyse par LLM
- Augmentation de la densité des citations — Ajoute des références de style
[1]avec sources - Injection de schémas — Génère du JSON-LD pour les schémas FAQ, HowTo, Article
- Introduction axée sur les faits — Déplace les affirmations vérifiables dans les 200 premiers mots
Trois modes : conservateur (touche <10% des mots), équilibré (touche <30%), agressif (réécrit pour un AEO maximal).
3. Suivi des citations
Le suivi (citation_tracker.py) maintient un registre local des citations :
- Saisie manuelle : collez une citation trouvée dans la sortie de ChatGPT/Perplexity/Claude/Gemini
- Suivez quelle URL, quel LLM, quelle requête, quelle date
- Calculez le nombre de citations par page, la vélocité des citations, la couverture des LLM
- Exportez vers CSV pour les rapports
Stocke dans ~/.aeo-data/citations.json (local, sans télémétrie).
Flux de travail
1. Auditer le contenu existant
$ python3 scripts/aeo_audit.py --url https://exemple.com/blog/article
→ rapport markdown avec score composite + décomposition 4 dimensions
2. Appliquer les recommandations d'optimisation
$ python3 scripts/aeo_optimizer.py --input article.md --mode équilibré --output article-aeo.md
→ variante optimisée avec citations + schémas + corrections structurelles
3. Publier + surveiller
$ python3 scripts/citation_tracker.py --action add --url https://exemple.com/blog/article \
--llm perplexity --query "qu'est-ce que l'AEO" --date 2026-05-17
→ ajoute une entrée au registre local citations.json
4. Rapport
$ python3 scripts/citation_tracker.py --action report --url https://exemple.com/blog/article
→ statistiques de citation par page : nombre, LLM, requêtes, vélocité
Configuration
La compétence est sensible au secteur via l'indicateur --industry par exécution. Secteurs pris en charge : saas, santé, finance, juridique, ecommerce, b2b, médias, éducation.
Le secteur affecte :
- Exigences en matière de signaux d'autorité — la santé/la finance nécessitent des citations de sources plus strictes
- Rigueur de la vérification des faits — les secteurs juridique/santé signalent les affirmations invérifiables comme critiques
- Style de citation — conventions académiques vs. revues professionnelles vs. blogs
Exemple :
python3 scripts/aeo_audit.py --url <url> --industry santé
# → seuils E-E-A-T plus stricts ; signale toute affirmation santé sans citation primaire
Format de sortie
Rapport d'audit markdown (par défaut)
# Rapport d'audit AEO — [Titre de la page]
**URL :** https://exemple.com/blog/article
**Date :** 2026-05-17
**Secteur :** saas
**Score composite :** 72/100 (B+)
## Décomposition par dimension
| Dimension | Score | Verdict |
|---|---|---|
| Expérience | 80/100 | Fort — étude de cas de première personne présente |
| Expertise | 65/100 | Biographie de l'auteur manque de références |
| Autorité | 75/100 | 4 backlinks provenant de domaines d'autorité |
| Fiabilité | 68/100 | Aucune politique de corrections liée |
## Top 3 correctifs
1. Ajouter la biographie de l'auteur avec références (Expertise +15)
2. Lier la politique de corrections depuis le pied de page (Fiabilité +12)
3. Injecter le schéma FAQ pour les 5 questions implicites dans les H2 (Autorité +8)
## Toutes les recommandations
[...]
## Piste d'audit
[Comptage des 3 étapes d'analyse, sources citées, temps pris]
JSON pour pipelines
python3 scripts/aeo_audit.py --url <url> --output json
Renvoie l'ensemble des données structurées pour l'intégration dans les workflows de gestion de contenu.
Seuils E-E-A-T spécifiques au secteur
| Secteur | Score composite min | Signaux critiques |
|---|---|---|
| Santé | 85 | Signature d'un relecteur médical, citations évaluées par les pairs, divulgation FDA |
| Finance | 85 | Références CFA/CPA de l'auteur, clause de non-responsabilité « pas un conseil en investissement », exemples datés |
| Juridique | 85 | Juridiction divulguée, biographie de l'avocat, clause de non-responsabilité « pas un conseil juridique » |
| SaaS | 70 | Signature d'un chef de produit, étude de cas avec indicateurs, calculateur de ROI |
| E-commerce | 65 | Avis sur les produits agrégés, politique de retour, schéma.org Product |
| B2B | 70 | Citations d'analystes sectoriels, logos clients, données de ROI |
| Médias | 70 | Politique éditoriale, lien de vérification des faits, reportage original |
| Éducation | 75 | Biographie de l'instructeur, résultats d'apprentissage, accréditation le cas échéant |
Anti-patrons rejetés
- Bourrage de mots-clés pour l'IA — les LLM extraient déjà le sujet de la sémantique ; la densité de mots-clés n'augmente pas la probabilité de citation
- Contenu purement généré par l'IA sans relecture humaine — la sortie générique des LLM est dépriorisée par les algorithmes de récupération RAG qui recherchent un signal distinctif
- Fermes de citations / réseaux de liens — le RAG moderne des LLM pénalise les réseaux de liens de faible autorité
- Spam de schémas — les affirmations fausses ou invérifiables de schema.org sont filtrées ; ne balisez que les affirmations réelles et vérifiables
- Optimiser pour un LLM au détriment des autres — les distributions de citations sont hautement corrélées entre les principaux LLM car ils partagent des sources de données d'entraînement ; optimisez pour les signaux partagés (E-E-A-T) plutôt que pour des astuces par LLM
- Ignorer complètement le SEO — les citations AEO proviennent souvent de sources qui se classent déjà bien de manière organique ; l'AEO et le SEO sont complémentaires, pas des substituts
Dépendances
- stdlib uniquement pour les 3 scripts — pas de
pip installnécessaire - Optionnel :
requests+beautifulsoup4si le mode--urlest utilisé (sinon passez le markdown via--inputpour les audits basés sur fichiers) - Optionnel : toute clé API LLM pour le mode
query_research(actuellement seulement une structure — la recherche de requêtes entièrement pilotée par LLM est dans la feuille de route)
Stockage
Toutes les données sont locales :
~/.aeo-data/citations.json— registre des citations~/.aeo-data/patterns.json— bibliothèque de modèles de succès~/.aeo-data/audits/<hash>.md— rapports d'audit sauvegardés
Pas de télémétrie. Pas de synchronisation cloud. Exportez vers CSV à tout moment via citation_tracker.py --action export.
Phrases de déclenchement
- « Audit AEO », « Vérification AEO »
- « optimiser pour ChatGPT / Perplexity / Claude / Gemini »
- « être cité par [LLM] »
- « stratégie de citation LLM »
- « optimisation des moteurs de réponse »
- « contenu pour la recherche IA »
- « Audit E-E-A-T »
- « suivre les citations IA »
- « schéma pour IA »
Compétences connexes
marketing-skill/skills/seo-audit— SEO traditionnel par clicmarketing-skill/skills/programmatic-seo— SEO à grande échelle basé sur des modèlesmarketing-skill/skills/content-strategy— planification de contenu plus largemarketing-skill/skills/copywriting— voix et tonmarketing-skill/skills/schema-markup— implémentation de données structurées
Version : 2.7.3
Source : Porté depuis alirezarezvani/aeo-box (compétence answer-engine-optimization/, 2 464 LOC sur 9 modules). Ce portage distille la boîte à outils Python en 3 outils CLI stdlib selon la convention claude-skills ; préserve la méthodologie de notation E-E-A-T, le schéma de suivi des citations et les seuils adaptés au secteur textuellement.
Licence : MIT (correspond à la source + à ce dépôt).