llms.txt, données structurées, robots IA : ce qui sert vraiment au GEO
Un site que les robots des IA ne peuvent pas lire ne sera pas cité. Mais tout ce qui se vend comme « technique GEO » ne se vaut pas : le llms.txt est ignoré par Google, les données structurées ne sont pas requises, et le vrai levier reste l'accès des bons robots à un HTML lisible.
L'essentiel
- Le fichier llms.txt est une proposition de Jeremy Howard datée du 3 septembre 2024, pas un standard : Google écrit depuis mai 2026 que sa recherche l'ignore.
- Google indique qu'aucun balisage schema.org spécial n'est requis pour apparaître dans AI Overviews ou AI Mode ; les données structurées doivent seulement correspondre au texte visible.
- Les éditeurs d'IA séparent leurs robots : entraînement (GPTBot, ClaudeBot), recherche (OAI-SearchBot, Claude-SearchBot, PerplexityBot) et visites d'utilisateurs (ChatGPT-User, Perplexity-User).
- Bloquer un robot de recherche retire le site des réponses de ce moteur : OpenAI indique un délai d'environ 24 heures pour OAI-SearchBot.
- Le résultat enrichi FAQ n'apparaît plus dans Google depuis le 7 mai 2026 : le balisage FAQPage n'a plus d'effet visible dans la recherche Google.
Sommaire
- 01Les robots des IA : qui fait quoi
- 02Le llms.txt : une proposition, pas un standard
- 03Les données structurées : utiles, pas magiques
- 04Le rendu : le point le plus souvent oublié
- 05Les nouveautés de fin 2026 : signaler ses préférences d'usage
- 06La liste de vérification, par ordre d'impact
- FAQQuestions fréquentes
Beaucoup d'offres GEO commencent par un volet technique : un fichier llms.txt, du balisage schema.org, un robots.txt « optimisé pour les IA ». Certains de ces chantiers sont indispensables, d'autres sans effet démontré. Ce guide fait le tri à partir de ce que les éditeurs de moteurs documentent eux-mêmes, au 20 novembre 2026.
La règle de fond est simple : une IA ne cite que ce qu'elle a pu lire. Le premier travail technique consiste donc à laisser entrer les bons robots et à leur servir un texte lisible. Le reste vient après.
Les robots des IA : qui fait quoi
Les grands éditeurs n'envoient pas un seul robot, mais plusieurs, chacun avec un rôle déclaré. Les confondre conduit à deux erreurs symétriques : bloquer un robot de recherche en croyant refuser l'entraînement, ou ouvrir tout sans savoir ce qu'on autorise.
| Éditeur | Entraînement | Recherche et citations | Visites demandées par un utilisateur |
|---|---|---|---|
| OpenAI | GPTBot | OAI-SearchBot | ChatGPT-User |
| Anthropic | ClaudeBot | Claude-SearchBot | Claude-User |
| Perplexity | (aucun déclaré) | PerplexityBot | Perplexity-User |
| Google-Extended (jeton de contrôle) | Googlebot | Google-Agent | |
| Microsoft | Bingbot (préférences d'usage) | Bingbot | non documenté |
| Mistral AI | MistralAI-Training | MistralAI-Index | MistralAI-User |
| Apple | Applebot-Extended (jeton de contrôle) | Applebot | non documenté |
Trois points comptent pour le GEO :
- Bloquer un robot de recherche retire le site des réponses. OpenAI indique qu'un site qui interdit OAI-SearchBot n'apparaît plus dans les réponses de recherche de ChatGPT, avec un délai d'environ 24 heures.
- Bloquer un robot d'entraînement ne retire rien des réponses. Interdire GPTBot ou ClaudeBot refuse l'usage du contenu pour entraîner les modèles, pas la citation dans la recherche.
- Les robots déclenchés par un utilisateur ne respectent pas toujours robots.txt. OpenAI écrit que les règles « may not apply » à ChatGPT-User, et Perplexity indique que Perplexity-User les ignore en général. Le fichier exprime une intention, pas une barrière.
Il n'existe pas de robot propre à AI Overviews ou à AI Mode : les deux s'appuient sur Googlebot. Bloquer Googlebot retire le site de toute la recherche Google. Le jeton Google-Extended, lui, porte sur l'entraînement des modèles Gemini et sur l'ancrage dans l'application Gemini ; selon Google, il n'a pas d'effet sur l'inclusion dans Google Search.
Un exemple commenté de robots.txt, avec un groupe par robot, figure dans notre article sur l'audit des sites d'agences. Pour un site qui veut être cité, la configuration par défaut la plus sûre reste la plus simple : tout autoriser, sauf ce que l'on refuse explicitement et en connaissance de cause.
Le llms.txt : une proposition, pas un standard
Le fichier llms.txt a été proposé par Jeremy Howard, cofondateur d'Answer.AI, le 3 septembre 2024. Il s'agit d'un fichier Markdown placé à la racine du site, avec un titre, un résumé en citation et des listes de liens commentés vers les pages essentielles. La spécification est passée en version 2 en août 2026. Elle se présente comme une aide pour les agents qui utilisent un site à la demande d'un utilisateur, plutôt que pour l'entraînement.
Ce que l'on sait de son usage réel, au 20 novembre 2026 :
| Acteur | Position publique | Source |
|---|---|---|
| Google Search | Sa recherche, AI Overviews et AI Mode compris, ignore llms.txt (guide publié le 15 mai 2026, précision ajoutée le 15 juin 2026) | Google Search Central |
| Google Chrome | Lighthouse audite la présence du fichier dans une catégorie « navigation agentique », en le décrivant comme une convention émergente et facultative | Chrome for Developers, 5 mai 2026 |
| OpenAI, Anthropic, Perplexity, Microsoft | Aucune documentation officielle n'indique que leurs moteurs de réponse lisent llms.txt pour choisir leurs sources | Recherche dans leurs documentations, 20 novembre 2026 |
Le nom llms-full.txt n'apparaît pas dans la spécification. C'est une convention d'outils tiers, popularisée par des plateformes de documentation, pour réunir tout un site dans un seul fichier texte. Rien n'indique qu'un moteur de réponse le privilégie.
Faut-il en publier un ? Le coût est faible, surtout si le fichier est généré automatiquement à partir des mêmes données que le site, comme ici : il ne peut alors ni vieillir ni contredire les pages. Mais une agence qui présente le llms.txt comme un levier de citation dans ChatGPT ou dans Google vend une promesse que les éditeurs eux-mêmes ne font pas. Dans notre grille, sa présence sur le site d'une agence ne compte que pour un point sur dix du critère technique.
Les données structurées : utiles, pas magiques
Les données structurées décrivent le contenu d'une page dans un format lisible par les machines, le plus souvent en JSON-LD avec le vocabulaire schema.org. Elles disent sans ambiguïté qu'une page parle d'une entreprise précise, avec tel SIREN, telle adresse, tel dirigeant, ou d'un produit à tel prix.
La position de Google est explicite. Sa page sur les fonctionnalités d'IA indique qu'il n'y a pas d'exigence supplémentaire pour apparaître dans AI Overviews ou AI Mode, et qu'aucune donnée structurée schema.org spéciale n'est à ajouter. Son guide de mai 2026 ajoute qu'elles ne sont pas requises pour la recherche générative. La seule règle rappelée : le balisage doit correspondre au texte visible de la page.
Pourquoi en mettre, alors ?
- Pour l'identité de l'entreprise. Un nœud Organization complet (nom, raison sociale, identifiant, adresse, profils officiels en
sameAs) aide les moteurs à relier les mentions d'une marque à une seule entité. - Pour les résultats enrichis encore affichés par Google et Bing : produits, avis, fil d'Ariane, événements.
- Pour les autres lecteurs : moteurs de réponse, agents, outils d'extraction. Aucun ne s'engage publiquement à s'en servir, mais un balisage exact ne coûte rien et ne peut pas nuire.
Selon le journal des modifications de Google Search Central, le résultat enrichi FAQ n'est plus affiché dans la recherche depuis le 7 mai 2026, et sa documentation a été retirée le 15 juin 2026. Le balisage FAQPage reste valide pour schema.org, mais une agence qui le vend comme un moyen d'occuper plus de place dans Google vend un effet disparu.
Le rendu : le point le plus souvent oublié
Avant le llms.txt et avant le balisage, il y a une question plus basique : le texte de la page existe-t-il dans le HTML envoyé par le serveur ? Les sites construits entièrement en JavaScript côté navigateur envoient une page presque vide, que le navigateur remplit ensuite. Googlebot exécute le JavaScript, mais ce n'est pas garanti pour tous les robots, ni à chaque passage.
Le test prend une minute : afficher le code source de la page (et non l'inspecteur du navigateur) et chercher une phrase du texte principal. Si elle n'y est pas, c'est le premier chantier. Notre audit des sites d'agences GEO mesure précisément ce point, en comptant les mots servis sans JavaScript sur la page d'accueil de chaque agence.
Les nouveautés de fin 2026 : signaler ses préférences d'usage
Un brouillon déposé à l'IETF le 30 octobre 2026 propose un jeton commun de robots.txt, __usage_ai-training, pour indiquer en une ligne si l'on accepte que son contenu serve à entraîner des modèles. Il ne bloque pas l'exploration : il exprime une préférence d'usage.
- Anthropic indique avoir commencé à reconnaître ce signal depuis le 30 octobre 2026.
- Microsoft l'appliquera à partir du 1er février 2027 pour Bing, et ajoute une préférence d'ancrage (grounding) réglable page par page.
- Google prévoit de le prendre en charge début 2027.
- OpenAI a annoncé le 30 octobre 2026 vouloir respecter un signal partagé, sans que le détail soit documenté au 20 novembre.
Pour le GEO, ces signaux comptent surtout dans un sens : ne pas refuser par erreur l'ancrage, c'est-à-dire l'usage du contenu pour construire des réponses citées. Refuser l'entraînement et accepter l'ancrage est désormais une position que plusieurs éditeurs permettent d'exprimer.
La liste de vérification, par ordre d'impact
- Les robots de recherche passent : Googlebot, Bingbot, OAI-SearchBot, PerplexityBot, Claude-SearchBot, sans blocage dans robots.txt ni dans le pare-feu ou le CDN.
- Le texte est dans le HTML servi par le serveur, sans dépendre du JavaScript.
- Les pages sont indexées dans Google et dans Bing (Search Console, Bing Webmaster Tools, IndexNow pour Bing).
- L'entreprise est décrite de la même façon partout : site, données structurées, fiches d'établissement, annuaires.
- Les données structurées sont exactes et correspondent au texte visible.
- Un llms.txt est publié si on le souhaite, de préférence généré automatiquement.
La technique est une condition, pas un levier : elle permet d'être lu, elle ne fait pas être choisi. Une agence qui consacre l'essentiel de son devis au llms.txt et au balisage, sans mesurer ce que les IA répondent ni travailler les sources qu'elles citent, traite le sujet par le petit bout. Les critères qui pèsent dans notre classement sont détaillés dans la méthodologie.
Questions fréquentes
Faut-il créer un fichier llms.txt pour être cité par ChatGPT ?
Rien ne l'indique. Aucun éditeur de moteur de réponse (OpenAI, Anthropic, Perplexity, Google, Microsoft) ne documente l'usage de llms.txt pour choisir ses sources, et Google écrit que sa recherche l'ignore. Le fichier coûte peu et peut servir à des agents qui le lisent, mais il ne remplace pas des pages accessibles aux robots de recherche.
Quels robots d'IA faut-il autoriser dans robots.txt ?
Pour être cité, il faut au minimum laisser passer les robots de recherche et d'indexation : Googlebot et Bingbot, OAI-SearchBot pour ChatGPT, PerplexityBot, Claude-SearchBot, et les robots déclenchés par les utilisateurs comme ChatGPT-User. Bloquer les robots d'entraînement (GPTBot, ClaudeBot, Google-Extended) est un choix possible, qui ne retire pas le site des réponses.
Les données structurées aident-elles à apparaître dans AI Overviews ?
Google dit qu'elles ne sont pas requises et qu'aucun type spécial n'est à ajouter. Elles restent utiles pour décrire sans ambiguïté une entreprise, un produit ou un auteur, et pour les résultats enrichis encore affichés. La règle est qu'elles correspondent exactement au texte visible de la page.
Un site en JavaScript peut-il être cité par les IA ?
Oui s'il sert son contenu en HTML au chargement (rendu côté serveur ou génération statique). Un site dont le texte n'apparaît qu'après exécution du JavaScript reste illisible pour une partie des robots. Le test simple : afficher le code source de la page et vérifier que le texte principal y figure.
Sources et relevés
- 01llmstxt.org, proposition llms.txt (Jeremy Howard), consulté le 20 novembre 2026
- 02Answer.AI, billet de proposition du 3 septembre 2024, consulté le 20 novembre 2026
- 03Google Search Central, Optimiser votre site pour les fonctionnalités d'IA générative, consulté le 20 novembre 2026
- 04Google Search Central, Fonctionnalités d'IA et votre site Web, consulté le 20 novembre 2026
- 05Google Search Central, journal des modifications de la documentation, consulté le 20 novembre 2026
- 06Google, liste des robots d'exploration courants (Google-Extended), consulté le 20 novembre 2026
- 07Chrome for Developers, audit Lighthouse llms.txt, consulté le 20 novembre 2026
- 08OpenAI, robots d'exploration, consulté le 20 novembre 2026
- 09Anthropic, robots d'exploration et blocage, consulté le 20 novembre 2026
- 10Perplexity, robots d'exploration, consulté le 20 novembre 2026
- 11Bing Blog, préférences d'entraînement et d'ancrage (30 octobre 2026), consulté le 20 novembre 2026
- 12IETF, brouillon Machine-Readable Training Preference Signal, consulté le 20 novembre 2026
La rédaction
Rédaction de La Meilleure Agence GEO
Les contenus signés « La rédaction » sont écrits et vérifiés collectivement. Chaque fait cité sur une agence vient d'une source publique, datée dans le texte ou en pied de page.
Une erreur, une information qui a changé ? Signalez-le à la rédaction, nous corrigeons et datons la correction.