Grounding

Un LLM sans grounding répond avec ce qu’il a appris pendant son entraînement : une connaissance vaste mais figée à une date limite, et sans source à montrer. Le grounding ajoute une étape : avant de répondre, le système va chercher des documents (pages web, base de données, catalogue, documentation interne) et le modèle rédige à partir de ce qu’il a trouvé. C’est ce qui lui permet de citer une page, de donner un prix à jour ou de parler d’un produit lancé après son entraînement.

Pour une marque, la distinction est structurante. Sans grounding, vous existez dans la réponse seulement si vous étiez assez présent dans les données d’entraînement. Avec grounding, une page bien positionnée et bien rédigée peut être reprise peu après son indexation.

Ce qui se passe quand une IA ancre sa réponse

Le mécanisme le plus répandu est le RAG. Sur un assistant connecté au web, il suit en général ces étapes :

1. le système décide s’il doit chercher, ou si sa mémoire suffit ;
2. il reformule la question en plusieurs requêtes, le query fan-out, et interroge un index de recherche ;
3. il extrait des passages des pages retenues et les place dans sa fenêtre de contexte ;
4. le modèle rédige sa réponse et rattache certaines affirmations à leurs sources, sous forme de liens ou de notes.

Les AI Overviews appliquent ce principe avec l’index de Google, qui propose aussi le grounding avec la recherche Google aux développeurs utilisant Gemini.

Exemple concret : chercher ou ne pas chercher

La première étape est la plus sous-estimée. Selon une étude présentée par Jacky Giang dans Le Cockpit, le podcast coanimé avec Skyseo, portant sur un million de prompts envoyés chaque mois à ChatGPT via l’API, seules 10 % des réponses s’appuyaient sur une recherche web en mars, contre 94 % en juillet. L’arbitrage appartient à l’éditeur du modèle, et il est d’abord économique.

Prenons un éditeur SaaS qui a refondu ses offres il y a six mois. Quand le modèle répond de mémoire, il cite les anciens tarifs ; quand il cherche, il peut lire la nouvelle page. Sur 50 questions de prix, un taux de recherche de 94 % donne environ 47 réponses capables de citer la bonne grille. À 10 %, il n’en reste que 5, et les 45 autres reprennent l’ancienne. Le même contenu change de visibilité selon ce seul réglage.

Les limites et pièges du grounding

• Une source citée n’est pas toujours une source fidèle : le modèle peut résumer de travers ou attribuer à une page une affirmation qu’elle ne contient pas. Vérifiez ce que les IA vous font dire.
• Bloquer les robots des assistants dans le robots.txt vous retire de leurs réponses ancrées. Chez OpenAI, GPTBot sert à l’entraînement et OAI-SearchBot à la recherche : on peut refuser l’un sans l’autre.
• Un contenu affiché uniquement en JavaScript, derrière une connexion ou dans une image risque de n’être jamais lu.
• Une partie des reformulations ajoute l’année en cours pour trouver des informations fraîches : une page sans date ni mise à jour visible part avec un handicap.

Comment favoriser l’ancrage sur vos pages

Vérifiez d’abord l’accès : directives du robots.txt, codes de réponse, présence du contenu dans le HTML initial. Travaillez ensuite votre positionnement sur Google et Bing, où les assistants vont en grande partie chercher. Rédigez des pages factuelles, datées, avec des passages qui se suffisent à eux-mêmes. Testez enfin vos questions clés avec la recherche web activée, puis sans, et comparez : l’écart montre ce que le modèle sait de vous et ce qu’il doit aller chercher. La méthodologie de l’étude est détaillée dans Peut-on acheter sa place dans les LLM ?