Pau · Tarbes · BéarnUn projet de communication ? Décrivez-le, on vous rappelle
Accueil / Guides / Comment une IA lit un site web : ce qu'un modèle de langage voit vraiment
geo

Comment une IA lit un site web : ce qu'un modèle de langage voit vraiment

Regardez ce qu'un site renvoie à un robot qui ne sait pas exécuter de JavaScript. Sur une page de trois mille mots, il arrive qu'il reçoive un menu, un pied de page, et rien entre les deux.

Écran de code stylisé en barres de couleurs
Écran de code stylisé en barres de couleurs

Parlons de votre projet

Un rappel sous 24 h ouvrées. Sans engagement.

Étape 1 sur 2 — votre besoin

Étape 2 sur 2 — vous joindre

Florian Bourret bébé, la photo qu’il a choisie pour se présenter

Par Gérant de Happiness, consultant SEO3 septembre 2026

Synthèse express

Pas le temps de tout lire ? Faites résumer cette page par :

ChatGPTPerplexityGoogle mode IAClaudeCopilotMistralGrok

Ouvrir la version .md

Astuce : ajoutez index.md à n’importe quelle adresse du site pour obtenir sa version texte.

Le test qui prend deux minutes

Avant toute considération de méthode, faites ceci sur votre page la plus importante.

Ouvrez-la dans Chrome ou un autre navigateur, désactivez JavaScript dans les réglages, rechargez. Puis affichez le code source de la page, celui qui est envoyé par le serveur, et cherchez-y une phrase de votre texte.

Trois résultats possibles. La phrase est là : votre contenu web est lisible par tout le monde. La phrase n'est pas là mais la page s'affiche encore : le texte est injecté par du script, et une partie des robots ne le verra pas. La page est blanche : votre site web n'existe que pour ceux qui exécutent du code.

C'est le contrôle le plus rentable de tout ce qui touche à la visibilité auprès des assistants, ce qu'on appelle le GEO, ou visibilité dans les IA, et il ne coûte rien.

Pourquoi ce test compte

Les moteurs de recherche classiques savent exécuter du JavaScript, avec un délai et de façon imparfaite. Les robots de collecte des assistants sont plus frustes : beaucoup lisent le HTML brut et s'arrêtent là. Un modèle de langage est un programme de traitement du langage naturel, entraîné par apprentissage automatique (machine learning) sur de grandes quantités de pages web : ce qu'il ne reçoit pas sous forme de texte, il ne peut pas le traiter.

La conséquence est directe. Un site web construit entièrement côté navigateur peut être correctement indexé par Google et complètement invisible pour un assistant. La comparaison entre ce que renvoie le serveur et ce que voit un visiteur le montre sans ambiguïté.

La correction est technique et elle n'est pas anodine : rendre les pages côté serveur, ou pré-générer le HTML. Sur un site vitrine construit avec un outil classique, la question ne se pose pas. Sur une application monopage, c'est un chantier.

Ce qu'un robot voit d'une page

Une fois le HTML d'une page web récupéré, la plupart des robots en extraient le texte et jettent le reste. Ce qui survit à cette extraction :

Le texte des paragraphes, des titres et des listes. C'est l'essentiel de ce qui est traité.

La hiérarchie des titres. Un `h1`, des `h2`, des `h3` correctement imbriqués donnent une carte du document. Une page où tous les titres sont des `div` mis en forme donne un bloc de texte sans structure.

Le texte des liens. L'intitulé, pas l'adresse. Un lien écrit « cliquez ici » n'apporte rien ; un lien écrit « le calcul du fond perdu » dit ce qu'il y a au bout.

Les tableaux, souvent mal. Un tableau HTML propre est convertible en texte structuré. Un tableau fait de blocs alignés en CSS se transforme en suite de mots sans relation.

Les attributs de remplacement des images. C'est tout ce qui subsiste d'une image. Une infographie sans description textuelle disparaît entièrement.

Ce qui ne survit pas : la mise en page, les couleurs, les contenus dépliables chargés par script, le texte présent uniquement dans une image, et tout ce qui exige une interaction.

La structure qui se cite bien

Puisqu'un assistant retient des extraits courts, la forme du texte détermine ce qui peut être extrait. C'est tout l'enjeu d'une page citable par une IA, et cela tient à quatre habitudes d'écriture.

Une question en intertitre, une réponse juste en dessous. Le paragraphe qui suit un `h2` formulé comme une question est un candidat naturel à l'extraction, à condition qu'il se suffise à lui-même.

Des paragraphes autonomes. Un paragraphe qui commence par « Cela signifie que… » n'est pas extractible : il dépend du précédent. Le même paragraphe reformulé avec son sujet complet l'est.

Les faits en début de paragraphe. Un chiffre, une date, une valeur en tête de paragraphe est plus facilement associé à la question que le même chiffre en fin de développement.

Le vocabulaire complet, au moins une fois. Un modèle qui reformule la question ne cherche pas forcément vos mots. Écrire une fois la formulation complète, sans abréviation ni pronom, aide à la correspondance.

Cette liste décrit aussi, exactement, une page bien écrite pour un lecteur pressé. Ce n'est pas une coïncidence : les deux publics scannent.

Les données structurées : ce qu'elles font

Le balisage des données structurées en JSON-LD décrit le contenu d'une page dans un format lisible par une machine : un article, son auteur, sa date, une question et sa réponse, une organisation, un lieu.

Ce que cela apporte, de façon vérifiable, c'est la compréhension par les moteurs classiques et l'éligibilité à certains affichages enrichis. C'est documenté par Google.

Ce que cela apporte auprès des assistants est moins établi, et je préfère l'écrire ainsi plutôt que d'affirmer. Ce qui est raisonnable de penser : un balisage `Person` avec un lien vers une page d'auteur, un balisage `Organization` avec une adresse, un balisage `FAQPage` avec des questions et des réponses fournissent des affirmations explicites que rien n'oblige à déduire du texte. Cela ne peut pas nuire, et cela coûte peu.

Une règle qui vaut dans tous les cas : ne balisez que ce qui est visible sur la page. Un balisage qui décrit autre chose que le contenu est une contradiction, et sur les moteurs classiques c'est une violation documentée des règles.

Le fichier llms.txt, son rôle réel

C'est une proposition apparue en 2024 : un fichier texte à la racine du site web, en Markdown, qui présente le site et liste ses pages importantes avec une phrase de description. L'idée est de fournir aux modèles une carte lisible plutôt que de leur laisser parcourir un site entier.

Ce qu'il faut en dire honnêtement : c'est une convention proposée par une communauté, pas un standard adopté, et aucun des grands fournisseurs d'assistants n'a documenté publiquement qu'il l'utilisait pour le classement ou la sélection de sources.

Faut-il en produire un ? Le coût est faible : un fichier de quelques dizaines de lignes, généré automatiquement à partir de la structure du site. Le bénéfice est incertain. Je le fais, en sachant que je le fais sans preuve, et je ne facturerais pas ce travail comme une prestation de visibilité. La syntaxe et la façon de rédiger un fichier llms.txt se tiennent en une page.

Ce qui est certain, en revanche : le fichier de directives pour robots, lui, est bien lu, et il décide de qui a le droit de collecter. Les robots des assistants portent des noms distincts de ceux des moteurs classiques, et ils se traitent séparément. Vérifiez ce que votre fichier autorise : beaucoup de sites bloquent ou autorisent par défaut sans que personne n'ait tranché.

Le jumeau Markdown, une piste concrète

Une pratique qui se répand : publier, à côté de chaque page web en HTML, une version en Markdown à une adresse prévisible. Le texte y est propre, sans navigation, sans mise en forme, sans script.

L'intérêt n'est pas théorique. Un robot qui récupère cette version obtient exactement le contenu éditorial, sans avoir à démêler le HTML. Et un humain qui veut citer votre page en dispose aussi.

Le coût dépend entièrement de votre outil : nul si le site est généré, réel s'il faut l'ajouter à un système existant. Là encore, je le fais sans certitude d'effet, parce que le coût marginal est faible et que le résultat est propre.

Deux simulateurs déjà installés : le mode lecture et la voix

Pour voir une page web à peu près comme un robot la lit, pas besoin d'outil spécialisé. Le navigateur et le système d'exploitation en contiennent deux.

Le mode lecture de Chrome

Chrome propose un mode Lecture, qu'on ouvre d'un clic droit sur la page ou avec le raccourci Alt+Maj+R sous Windows (Cmd+Option+R sur Mac). Il isole le texte principal d'une page web et l'affiche sans navigation ni mise en page. Ce n'est pas un modèle d'intelligence artificielle, mais il fait un tri du même ordre : si le mode lecture affiche votre article complet, dans le bon ordre, l'extraction a de bonnes chances de bien se passer ; s'il affiche le menu ou une page presque vide, c'est un signal à prendre au sérieux.

La lecture à voix haute

Le même mode Lecture sait lire le texte d'un site web à voix haute, avec plusieurs voix et une vitesse réglable. Écouter sa propre page par synthèse vocale est un test étonnamment parlant : les titres mal hiérarchisés, les liens « cliquez ici », les images sans description et les blocs dans le désordre s'entendent tout de suite, alors qu'ils passent inaperçus à l'écran.

Le lecteur d'écran

Windows intègre un lecteur d'écran, le Narrateur, qui démarre avec Ctrl + touche Windows + Entrée. Un lecteur d'écran lit le contenu web dans l'ordre du code source, pas dans l'ordre de l'affichage, exactement comme un robot qui lit le HTML. Une page qui se comprend au Narrateur se comprend en général aussi à l'extraction : c'est la discipline de l'accessibilité, appliquée à un lecteur de plus.

Écouter sa page : la synthèse vocale pas à pas

La synthèse vocale transforme le texte d'une page web en voix. C'est d'abord un outil d'accessibilité, mais c'est aussi le moyen le plus rapide de vérifier ce qu'une machine tire de votre code. Trois manières de s'en servir, sans rien installer, et une quatrième avec une extension.

Les options de lecture de Chrome

Une fois la page ouverte en mode Lecture, le bouton Lire lance la voix ; les commandes permettent de mettre en pause, de passer d'une phrase à l'autre et de régler la vitesse. Le bouton Paramètres règle la police, la taille, l'interligne, les couleurs, et propose de masquer les liens ou les images ; la voix se choisit dans la sélection de la voix. Masquer les images est instructif : ce qui reste, c'est à peu près ce qu'un robot garde de votre page.

La lecture à voix haute dans Edge

Microsoft Edge a sa propre fonction : appuyez sur Ctrl+Maj+U pour démarrer ou arrêter la lecture à voix haute de la page affichée. La touche F9 ouvre le Lecteur immersif, qui, comme le mode Lecture de Chrome, isole le texte principal.

Le Narrateur, page entière

Une fois le Narrateur lancé, la touche Narrateur est par défaut Verr. Maj ou Inser. Appuyez sur Narrateur + Ctrl + R pour lire un document depuis le début, sur Narrateur + R pour lire à partir du curseur, et sur Ctrl pour arrêter. Écouter un site web de cette façon, c'est l'entendre dans l'ordre du code, menus compris.

Les extensions de synthèse vocale

Des extensions comme Speechify ajoutent au navigateur une lecture à voix haute avec d'autres voix et d'autres réglages. Elles n'apportent rien de plus pour ce test : la voix intégrée suffit, puisque ce qui compte est l'ordre et la complétude du texte lu, pas la qualité de la voix.

Ce que je vérifierais en priorité

Cinq points, dans cet ordre, et ce sont tous des vérifications plutôt que des chantiers.

Le contenu est-il dans le HTML envoyé par le serveur. Les titres sont-ils de vrais titres, correctement imbriqués. Les images qui portent de l'information ont-elles une description textuelle. Le fichier de directives autorise-t-il ou bloque-t-il les robots des assistants, et est-ce une décision. Et les faits publiés portent-ils leur source et leur date.

Les quatre premiers sont techniques et se règlent une fois. Le cinquième est éditorial et se tient dans la durée, et c'est celui qui fait la différence.

Ce qui arrive aux tableaux, aux listes et aux encadrés

Trois formes de contenu se comportent très différemment à l'extraction, et cela oriente la façon d'écrire.

Les tableaux HTML propres survivent bien. Un `table` avec des en-têtes correctement déclarés se convertit en texte structuré où chaque valeur reste associée à sa colonne. C'est l'une des rares formes complexes qui passent intactes, et c'est un argument pour utiliser de vrais tableaux plutôt que des colonnes simulées en CSS.

Les listes à puces passent bien, à condition d'être de vraies listes. Une suite de paragraphes commençant par un tiret n'en est pas une pour une machine.

Les encadrés et les blocs mis en avant perdent leur statut. Un encadré qui contient l'information la plus importante de la page devient, à l'extraction, un paragraphe comme les autres, parfois placé n'importe où dans le flux. Si une information est essentielle, elle doit l'être par sa position dans le texte et par sa formulation, pas par sa mise en forme.

Les contenus dépliables dépendent de leur fabrication. Un élément `details` dont le contenu est dans le HTML est lu. Un panneau chargé par script au moment du clic ne l'est pas. La différence n'est pas visible à l'écran, elle l'est dans le code source.

L'ordre du contenu dans le code, qui n'est pas toujours celui de l'écran

Un piège discret, et il concerne beaucoup de sites récents.

Les grilles CSS permettent d'afficher un bloc à un endroit et de l'écrire à un autre dans le code. Visuellement, l'introduction est en haut ; dans le HTML, elle peut se trouver après trois blocs de navigation latérale et deux encarts.

Un robot qui lit le HTML linéairement reçoit donc un ordre différent de celui que voit un lecteur. Sur une page où la réponse principale se trouve dans le premier paragraphe visible mais au milieu du code, l'extraction se fait mal.

Le contrôle est le même que pour le reste : affichez le code source et lisez le texte dans l'ordre où il apparaît. S'il raconte quelque chose de cohérent, tout va bien. S'il commence par un menu de quarante liens et un pied de page, la structure du document mérite d'être revue.

C'est un vieux principe, antérieur de vingt ans aux assistants : le document doit avoir du sens sans sa feuille de style. Il redevient utile pour une raison nouvelle.

Sources

  • Aide Google Chrome, « Utiliser le mode Lecture dans Chrome », consulté le 4 octobre 2026 (ouverture par clic droit ou Alt+Maj+R / Cmd+Option+R, affichage du texte principal, lecture à voix haute avec choix de voix et de vitesse).
  • Support Microsoft, « Guide complet du Narrateur », consulté le 4 octobre 2026 (lecteur d'écran intégré à Windows, démarrage par Ctrl + touche Windows + Entrée).
  • Aide Google Chrome, « Utiliser le mode Lecture dans Chrome », consulté le 5 octobre 2026 (bouton Lire, pause, phrase précédente ou suivante, vitesse ; Paramètres : police, taille, interligne, couleurs, masquer liens et images, sélection de la voix).
  • Support Microsoft, « Raccourcis clavier dans Microsoft Edge », consulté le 5 octobre 2026 (Ctrl+Maj+U : démarrer ou arrêter la lecture à voix haute ; F9 : Lecteur immersif).
  • Support Microsoft, « Guide complet du Narrateur, chapitre 4 : lecture de texte », consulté le 5 octobre 2026 (touche Narrateur : Verr. Maj ou Inser ; Narrateur + Ctrl + R, Narrateur + R, Ctrl pour arrêter).
  • Chrome Web Store, « Speechify », consulté le 5 octobre 2026 (extension de synthèse vocale pour Chrome).

Questions fréquentes

Les robots des IA exécutent-ils le JavaScript ?

La plupart ne le font pas, contrairement aux moteurs de recherche classiques qui le font avec un délai. Un site dont le texte est injecté côté navigateur peut donc être indexé par Google et invisible pour un assistant. Le test se fait en désactivant JavaScript et en cherchant une phrase de votre texte dans le code source envoyé par le serveur.

Le fichier llms.txt sert-il à quelque chose ?

C'est une convention proposée en 2024, pas un standard adopté, et aucun grand fournisseur d'assistant n'a documenté publiquement qu'il l'utilisait. Le coût de production est faible, le bénéfice incertain. Ce qui est certain, c'est que le fichier de directives pour robots, lui, est lu et décide de l'autorisation de collecte.

Faut-il ajouter des données structurées pour les IA ?

L'effet sur les moteurs classiques est documenté ; sur les assistants, il l'est beaucoup moins. Un balisage d'article, d'auteur, d'organisation et de questions fréquentes coûte peu et fournit des affirmations explicites. La règle absolue reste de ne baliser que ce qui est visible sur la page.

Comment voir une page web comme un robot la lit ?

Trois gestes, du plus simple au plus fidèle : ouvrir la page en mode lecture dans le navigateur, l'écouter en lecture à voix haute, puis afficher le code source envoyé par le serveur, JavaScript désactivé, et y chercher une phrase du texte. Si les trois donnent un contenu complet et ordonné, la page est lisible.

Une page dépliable est-elle lue ?

Cela dépend de la façon dont elle est faite. Un contenu présent dans le HTML mais visuellement replié est lu ; un contenu chargé par script au moment du clic ne l'est pas, ni par les robots d'assistants ni de façon fiable par les moteurs classiques. La différence se voit dans le code source de la page.