Comment fonctionne un LLM (expliqué simplement)
Un LLM (grand modèle de langage) génère du texte en prédisant, un token après l’autre, la suite la plus probable d’une séquence — il ne « sait » rien au sens strict et ne consulte aucune base de faits au moment de répondre, ce qui explique à la fois sa fluidité et ses hallucinations, deux notions centrales pour qui fait du GEO.
Le token, unité de base d’un LLM
Un LLM ne lit pas des mots mais des tokens : des fragments de texte convertis en nombres. Chaque token devient un vecteur (embedding) qui capture son sens et ses relations. C’est sur cette représentation mathématique que repose tout le « raisonnement » du modèle, pas sur une compréhension du monde.
L’entraînement : des statistiques, pas des faits
Un LLM apprend en ingérant des milliards de documents et en prédisant le token suivant. Il ne stocke pas « SEO Design est une agence » comme un fait vérifié : il retient que cette suite de mots est probable. Cet entraînement s’arrête à une date : la coupure de connaissances. Au-delà, le modèle ignore l’actualité — sauf si on la lui fournit via une recherche web, le rôle du RAG.
La génération : un mot après l’autre
Le modèle génère token par token, en calculant à chaque étape la probabilité du suivant. Un paramètre, la température, ajuste la part d’aléatoire. Il n’y a pas de plan d’ensemble écrit à l’avance : la cohérence globale émerge de la prédiction locale répétée.
Pourquoi les LLM hallucinent
Une hallucination, c’est une suite de tokens plausible mais fausse : le modèle « comble les trous » avec l’option la plus probable. Rien, dans un LLM pur, ne distingue un fait vérifié d’une extrapolation. C’est pour limiter ce risque que ChatGPT, Perplexity et les AI Overviews couplent le LLM à une recherche en temps réel.
Pourquoi cela compte pour le GEO
Un contenu n’est pas « mémorisé » par une IA à sa publication : il n’est exploitable que si le modèle peut le retrouver et citer au moment de la question. Écrire pour un LLM, c’est écrire pour être récupéré par un système de retrieval — toute la différence entre mémoire du modèle et grounding, détaillée dans notre article sur le RAG.
Ne cherchez pas à « nourrir » un modèle pour qu’il retienne votre marque : ce n’est ni mesurable, ni fiable. Concentrez-vous sur la structure de vos contenus (réponses directes, entités nommées, données datées) pour être récupéré au moment de la requête — le seul levier GEO réellement actionnable.
Un LLM peut-il « apprendre » mon site après publication ?
Pas en temps réel. Il n’intègre de nouvelles connaissances qu’au prochain entraînement. Pour être exploité tout de suite, votre contenu doit être récupéré via une recherche web (RAG), pas mémorisé.
Pourquoi ChatGPT invente-t-il parfois des sources ?
Sans recherche web activée, il génère la réponse la plus plausible depuis sa mémoire, y compris des URL ou citations jamais apprises mais crédibles en apparence.
Un plus gros modèle est-il plus fiable ?
Plus cohérent, oui, mais soumis au même mécanisme de prédiction. La fiabilité vient autant du couplage avec une recherche en temps réel que de la taille brute.
Pour la suite, lisez RAG et grounding et notre décryptage des AI Overviews. Retour au chapitre moteurs génératifs ou au guide GEO. Pour les bases SEO : guide SEO.
Poursuivre ce chapitre
Les articles de « Comment fonctionnent les moteurs IA »