Ouvrir la voie au classement de vos services dans les LLM

Avec les développements récents en matière d’IA et de LLM (Large Language Models), nous ne pouvons pas supprimer les implications que cela aura sur la façon dont les gens utilisent les moteurs de recherche et comprennent le référencement.

Si le modèle traditionnel de classement des pages pour la classification des backlinks et de la valeur des sites Web, développé à l'origine par Google, a constitué une avancée majeure en 1996, les fondements de la façon dont nous classons les sites Web n'ont pas beaucoup changé, mis à part d'autres facteurs moins importants, mais toujours pertinents, qui influencent les sites Web et leurs classements de requêtes correspondants sur les moteurs de recherche.

Les LLM, en particulier les GPT en première ligne, ont commencé à remettre en question ces modèles traditionnels, en offrant de nouvelles façons aux utilisateurs de rechercher des informations. Utiliser ChatGPT pour obtenir certains faits ou informations nécessite beaucoup moins de temps et de clics, et souvent, ces informations sont plus représentatives de faits objectifs, puisque la nature même des LLM est de « consommer » de grandes quantités d’informations.

Cela rend les LLM très pratiques non seulement pour écrire des poèmes, coder et préparer des itinéraires de voyage, mais aussi pour fournir de nombreuses « recherches » d'informations utiles.

Examinons quelques exemples de la façon dont les gens ont appris à utiliser les LLM et GPT pour obtenir rapidement et efficacement des réponses à des questions ciblées, et ce que cela pourrait signifier pour l'avenir du référencement.

Les LLM en pratique

Nous avons demandé à ChatGPT « Quels sont les sites Web les plus fiables pour rechercher et comparer des vols en termes de prix, de précision et de service client ? »

GPT répertorie joliment toutes les options, avec un bref résumé de chaque service. Reconnaissant l'efficacité de cette approche, qui permet non seulement de gagner du temps, mais surtout d'éviter les opinions biaisées des sites d'avis, les utilisateurs se tournent de plus en plus vers GPT pour accéder aux informations.

Nous découvrons ainsi un nouveau domaine d'optimisation de l'information qui comprend - similaire au référencement - des techniques et des approches pour comprendre les questions que nos prospects et utilisateurs potentiels utilisent pour rechercher des solutions aux problèmes que nos produits ou services résolvent.

Cette discipline émergente - nous pourrions l'appeler LLMO (Large Language Model Optimization) - se concentre sur les moyens d'optimiser notre position pour que ces requêtes deviennent plus pertinentes, visibles et mieux classées.

Dans les parties suivantes, nous examinerons plus en détail en quoi ces questions GPT diffèrent des requêtes de recherche que les utilisateurs effectuent dans les moteurs de recherche, pourquoi nous devrions nous en soucier et comment nous devrions nous préparer à l'optimisation afin de tirer parti de cette innovation pour la croissance de notre entreprise ou les services et produits de nos clients.

Pourquoi les utilisateurs se tournent plutôt vers ChatGPT

Ce passage de l'utilisation d'un moteur de recherche traditionnel à l'envoi de votre question vers ChatGPT n'est pas une nouvelle tendance, mais une réponse directe à ses avantages. Certaines des principales raisons pour lesquelles les utilisateurs trouvent les réponses aux retours GPT plus conformes à leurs exigences sont les suivantes :

• Complet et informatif. Alors que les moteurs de recherche renvoient une liste de liens vers des sites Web, que l'utilisateur doit parcourir manuellement, GPT est capable de générer du texte qui répond directement à sa requête. Ceci est particulièrement utile pour les utilisateurs qui recherchent une réponse rapide et complète, sans nécessairement avoir le temps ou la capacité d'ouvrir et de lire un tas de liens à partir de la première page de résultats.

• Objectif et impartial . Les résultats des moteurs de recherche traditionnels peuvent être influencés par certains facteurs qui pourraient ne pas être accessibles à tous de manière équivoque, comme le budget d'un site Web qu'ils peuvent consacrer à l'achat de liens ou d'autres stratégies douteuses pour les aider à obtenir un meilleur classement. Les LLM, quant à eux, sont formés sur des ensembles de données massifs et utilisent des algorithmes avancés de classification et de corrélation pour générer une réponse basée sur des faits et des preuves, et non sur les budgets de l'entreprise.

• Personnalisé. Mentionner des informations personnelles plus complexes, essentielles aux réponses recherchées par un utilisateur, n'augure rien de bon pour les moteurs de recherche traditionnels, qui utilisent généralement une approche universelle et présentent des résultats de recherche identiques pour une requête donnée. . GPT est révolutionnaire à cet égard, car il est capable de comprendre et de s'adapter aux préférences et exigences des utilisateurs grâce à des entrées explicites et riches en contexte, sans empiéter sur la vie privée des utilisateurs.

• Dynamique. Les LLM ont la capacité de s'engager dans des conversations à plusieurs tours, encourageant les utilisateurs à affiner leurs requêtes et à fournir un contexte supplémentaire via des questions de suivi. Cela leur permet de proposer des réponses progressivement affinées qui semblent avoir été adaptées spécifiquement à chaque utilisateur.

Comment les LLM changent notre façon de rechercher

En travaillant avec les moteurs de recherche traditionnels, les utilisateurs ont appris à saisir des mots-clés précis qui correspondent aux informations qu'ils recherchent - une approche qui nécessite souvent de fragmenter les requêtes en plusieurs mots-clés, ce qui est souvent inefficace et peut ne pas donner les résultats souhaités.

Même avec l'intégration des LLM dans les moteurs de recherche, spécifiquement dans le but d'obtenir une plus grande pertinence des résultats, les moteurs de recherche ont encore du mal et, le plus souvent, présentent des résultats non pertinents et incomplets.

Avec l’émergence de modèles tels que GPT, de nouvelles perspectives sur le processus de recherche s’ouvrent et nous assistons à un net changement d’une approche fragmentée basée sur des mots-clés vers une pose de questions plus naturelle et intuitive. Cette évolution s'accompagne de l'essor des technologies de recherche vocale, qui représentent désormais 20 % des requêtes de recherche mobile de Google.

Les interactions avec les LLM, tels que Chat GPT, permettent aux utilisateurs de façonner et de diriger activement le processus de recherche d'informations ; développer une compréhension plus approfondie des informations dont ils ont besoin et de la manière d’articuler efficacement leurs questions pour obtenir les résultats souhaités.

Au lieu de s’appuyer sur une simple chaîne de mots-clés déconnectés, ils apprennent à :

• formuler leurs questions de manière claire et concise, en évitant toute ambiguïté et tout langage vague ;
• fournir un contexte et des détails spécifiques, y compris des informations générales pertinentes, des préférences et des facteurs situationnels.

Quel genre de questions les gens se posent-ils ?

En remontant un peu en arrière dans le processus de requête GPT, il est essentiel de comprendre non seulement pourquoi et quand les gens se tournent vers l'IA pour obtenir des réponses, mais aussi comment ils formulent leurs requêtes et quelles autres informations contextuelles pourraient en être déduites.

Cette compréhension constitue le cœur de la discipline émergente de l'AEO (Answer Engine Optimization) qui se concentre sur les modèles de requêtes des utilisateurs, soulignant la nécessité d'un contenu qui réponde directement aux besoins spécifiques des utilisateurs.

Ces questions suivent des modèles et des structures spécifiques qu'il sera essentiel de comprendre dans les tentatives d'optimisation GPT. Voici quelques formulations courantes de requêtes que les utilisateurs adressent à ChatGPT lorsqu'ils recherchent des produits ou des services spécifiques :

Recherche de recommandations personnalisées

Les utilisateurs se tournent fréquemment vers GPT pour demander des suggestions/recommandations personnalisées ou des conseils d'experts, en formulant leurs questions comme « Quels sont les meilleurs… » ou « Pouvez-vous en recommander quelques-uns… ». ‍

Requêtes sensibles au prix

‍ Les LLM sont un excellent outil à consulter lorsque vous souhaitez trouver le meilleur rapport qualité-prix. Ils peuvent fournir des informations en temps réel sur les prix, les remises et les options rentables pour divers scénarios.

Les questions sont formulées du type « Quels sont les moins chers… », « Quels sont les plus rentables … » ou « Où puis-je trouver des produits abordables… ». ‍

Demandes spécifiques à des fonctionnalités

Souvent, les utilisateurs se renseignent sur des caractéristiques ou des qualités spécifiques des services et des produits.

Par exemple, ils pourraient demander « Quel [produit/service] possède la meilleure [fonctionnalité spécifique] ? » ou « Pouvez-vous nommer un [produit/service] qui offre [fonctionnalité spécifique] ? »

Questions comparatives

Ces types de demandes sont particulièrement adaptés aux LLM, car ils peuvent fournir une analyse détaillée de différents produits, en fonction des besoins et des préférences indiqués par l'utilisateur.

Ils formulent leurs questions ainsi : « X est-il meilleur que Y ? », « Comment X se compare-t-il à Y en termes de [caractéristique spécifique] ? » ou « Quelle est la différence entre X et Y ? »

Recherches basées sur la localisation

‍ Les LLM sont parfaits pour les requêtes qui intègrent des éléments géographiques, offrant des informations en temps réel sur les options, services ou activités à proximité.

Les questions sont formulées comme « Où puis-je acheter X près de chez moi ? » ou « Quels sont les meilleurs [services] disponibles à [emplacement] ? »

Requêtes de résolution de problèmes

De nombreux utilisateurs viennent chez LLM avec un problème spécifique, se demandant « Comment puis-je résoudre X ? » ou « Quelle est la meilleure façon de traiter Y ? »

Ces questions indiquent qu'ils recherchent des produits ou des services comme solutions.

‍

En réponse à ces informations, il est conseillé aux entreprises d'adopter une stratégie de contenu proactive et de se concentrer sur la création de matériel qui répond précisément aux besoins spécifiques mis en évidence par les requêtes des utilisateurs. Cela garantit que les produits et services sont non seulement visibles dans les résultats de recherche, mais qu'ils répondent également directement aux besoins du public ciblé dans divers scénarios.

Mécanismes de classement GPT du chat

Maintenant que nous avons exploré l'importance de comprendre le type et la structure des questions que les utilisateurs se tournent vers GPT, examinons l'autre extrémité du processus pour voir quels facteurs déterminent le classement des requêtes basées sur des solutions. Ce mécanisme sous-jacent implique un processus complet et non linéaire qui comprend :

Analyse sémantique

Le processus d'analyse sémantique relie les mots et les phrases dans des relations sémantiques plus larges pour comprendre comment les mots s'assemblent dans différents contextes.

Pour ce faire, GPT analyse de grandes quantités de texte pour cartographier des modèles et des associations qui ne sont pas immédiatement apparents mais qui sont essentiels pour saisir tout le sens d'une requête. Le processus comprend :

Analyse des requêtes

GPT effectue une analyse sémantique approfondie qui consiste à décomposer la requête en éléments – mots, phrases et leurs relations syntaxiques – qui sont ensuite évalués dans leur contexte collectif, c'est-à-dire. comment ils se rapportent les uns aux autres. ‍

Déterminer l'intention de l'utilisateur

En utilisant une approche probabiliste pour déterminer l'intention de l'utilisateur, GPT analyse les fréquences des modèles de mots dans ses données d'entraînement et leur corrélation dans des contextes spécifiques.

Par exemple, dans une requête sur les « voitures familiales économiques », GPT reconnaît la corrélation entre les considérations « économiques » et les coûts des véhicules, tout comme les voitures « familiales » sont associées à des attributs tels que l'espace et la sécurité. ‍

Évaluation en contexte

Les LLM tiennent compte du fait que les requêtes, bien qu'elles puissent contenir des mots similaires, peuvent avoir des significations et des exigences totalement différentes et ils identifient si la formulation de la question indique qu'un utilisateur cherche des conseils, fait des comparaisons ou s'enquiert de fonctionnalités spécifiques. Les réponses sont adaptées en fonction des besoins sous-jacents des utilisateurs, qu'il s'agisse de contraintes budgétaires, de fonctionnalités de performances ou de préférences de marque.

Récupération et synthèse de données

Parallèlement aux résultats de l'analyse sémantique, ChatGPT évalue la requête par rapport à son vaste ensemble de données de formation, ainsi qu'à la recherche sur le Web en temps réel.

Ensemble de données de formation

‍ La base de données de GPT englobe un large éventail de sources, des articles scientifiques aux médias populaires, garantissant une compréhension complète dans divers domaines. Cependant, on ne sait pas précisément ce qui est présenté dans l'ensemble de formation, ni selon quelles lignes directrices les sources y sont incluses. ‍

Recherche Internet

Un aspect crucial des données de formation de GPT est leur limitation dans le temps : au moment de la rédaction de cet article, elles se limitent à avril 2023. Pour compléter cela, la version Pro de ChatGPT offre désormais également des fonctionnalités de recherche sur le Web via Bing. Cette intégration est particulièrement importante dans les domaines où de nouveaux produits ou services sont fréquemment introduits.

Facteurs de classement

Lorsque GPT classe des produits ou des services en réponse à une requête, il s'appuie sur un ensemble de facteurs de classement. Celles-ci sont conçues pour garantir que les réponses sont non seulement pertinentes mais également crédibles, diversifiées et opportunes. Voici un aperçu plus approfondi de certains des plus importants :

Requête et correspondance contextuelle

GPT donne la priorité aux solutions qui répondent directement aux besoins de l'utilisateur. Cette pertinence n'est pas déterminée uniquement par la fréquence des mots clés, mais par la profondeur de la correspondance entre l'intention de la requête et les informations associées aux produits ou services.

Crédibilité et popularité

Lorsque des produits ou des services sont mentionnés, GPT évalue la fiabilité des sources. Cela implique d'évaluer la fréquence et le contexte des mentions sur un éventail de sources, en accordant un poids plus élevé à celles fréquemment citées dans des contextes réputés. Le modèle prend également en compte la popularité des produits, comme l'indique leur prévalence dans les données de formation.

Analyse des commentaires des utilisateurs

GPT effectue une analyse des sentiments sur les commentaires et les avis contenus dans ses données de formation et les résultats de recherche récents sur le Web. Les produits ou services dont le sentiment est majoritairement positif sont favorisés dans son classement. ‍

Diversité et couverture

Tout en garantissant la diversité, GPT maintient un équilibre afin que les utilisateurs disposent d'un large éventail de choix qui restent très pertinents par rapport à la requête. ‍

Informations fraîches

Même si les données historiques constituent l'épine dorsale des connaissances de GPT, dans la mesure où certaines requêtes peuvent bénéficier d'informations éprouvées ou d'une réputation de longue date, elles prennent également en compte de nouvelles informations, en particulier pour les marchés où les évolutions se produisent rapidement.

‍

À côté de ceux-ci, GPT prend en compte d’autres facteurs, bien que dans une moindre mesure, tels que :

Personnalisation et commentaires

‍ Les réponses de GPT ne sont pas statiques et chaque interaction utilisateur est une opportunité pour le modèle d'apprendre et de s'ajuster. Lorsque les utilisateurs fournissent des exigences ou des commentaires plus spécifiques, GPT modifie dynamiquement ses réponses. Ce processus itératif permet à GPT d'ajuster dynamiquement ses classements, garantissant ainsi que les recommandations finales sont aussi pertinentes et personnalisées que possible. ‍

Classement éthique et impartial

‍ GPT s’efforce de maintenir une position objective dans ses réponses. Il est programmé pour éviter les préjugés qui pourraient découler de promotions payantes, de publicités ou de toute influence externe indue. L'accent est mis sur une analyse objective des données, avec des recommandations basées sur le mérite et la pertinence.

Derniers mots

Cela ne fait aucun doute : l’introduction de GPT et ses itérations ultérieures redéfinissent les paramètres de l’optimisation des moteurs de recherche. Contrairement aux modèles de classement traditionnels principalement basés sur les backlinks et la densité des mots clés, GPT présente une nouvelle frontière où l'anticipation et la compréhension du contexte et de l'intention de l'utilisateur, ainsi que l'optimisation proactive du contenu pour les requêtes complexes seront au premier plan.

Pour y parvenir efficacement, il est important non seulement de comprendre les entrées des utilisateurs et les mécanismes de classement GPT, mais également de savoir où les produits et services sont classés dans les différents modèles LLM. Ceux qui envisagent l’avenir devraient envisager d’utiliser l’aide d’outils avancés, spécialement conçus pour suivre les classements GPT, afin d’avoir un aperçu des positions de classement pour différentes questions des utilisateurs.

Alors que nous exploitons les capacités innovantes des LLM et nous préparons aux progrès que leurs progrès inaugurent dans le monde du référencement, il est important de se rappeler que l'ère de l'IA en est encore à ses balbutiements et est sujette à des changements rapides.

Nous espérons que ce guide a contribué à mettre en lumière certains des aspects les plus importants des mécanismes de classement GPT qu'il sera fondamental de comprendre afin d'utiliser efficacement cette technologie émergente. Comme toujours, n’oubliez pas de rester informé des derniers développements et restez à l’écoute pour plus d’innovations.