Glossaire

Le vocabulaire du GEO

Les termes que vous rencontrerez dans nos rapports et nos échanges, définis simplement — comment les moteurs d'IA choisissent ce qu'ils disent, et comment nous le mesurons et le faisons bouger pour les marques de l'éducation.

La façade vitrée d'un bâtiment universitaire moderne

Comment les éléments s'articulent

Les termes ci-dessous retracent un même parcours : une question devient une réponse qui nomme ses sources — que Besaid échantillonne pour mesurer votre visibilité.

Promptune question est poséeRécupérationle moteur récupère des sourcesréponse de l'IAil compose une réponseCitationset cite ses sourcesθmesuré sur de nombreux échantillons

comment se forme une réponse d'IAce que mesure Besaid

(θ)

Mesureθ (Theta): La notation de Besaid pour la visibilité exprimée en probabilité — la probabilité estimée qu'une réponse de l'IA à une question donnée mentionne votre marque. L'écrire θ rappelle qu'il s'agit d'une estimation tirée d'échantillons, toujours rapportée avec la taille d'échantillon qui la soutient.; Voir aussiAI Visibility Sample Size Prompt Sampling

(A)

MéthodeAEO: Answer Engine Optimization — façonner le contenu pour que les moteurs de réponse (des assistants d'IA qui répondent directement au lieu de renvoyer des liens) le sélectionnent et le citent. Souvent employé de façon interchangeable avec GEO ; l'AEO met l'accent sur la surface de réponse, le GEO sur le modèle génératif qui la sous-tend.; Voir aussiGEO Answer Engine Citations
RécupérationAI Overviews: Le bloc de réponse généré par l'IA de Google qui apparaît au-dessus des résultats de recherche traditionnels, en synthétisant des sources en une réponse directe. Être cité au sein d'un AI Overview est un objectif de visibilité distinct de celui d'être bien classé dans les liens bleus situés en dessous.; Voir aussiAnswer Engine Citations Zero-Click
MesureAI Visibility: À quel point — et sous un jour plus ou moins favorable — une marque apparaît dans les réponses que donnent les moteurs d'IA générative. Contrairement à un classement de recherche, cette présence est probabiliste — une même question peut produire des réponses différentes — elle se mesure donc sur de nombreux échantillons, et non par une seule requête.; Voir aussiθ (Theta)Share of Voice Sample Size
MéthodeAI Visibility Diagnostic: Le point de départ gratuit de Besaid : un véritable échantillonnage sur les principaux moteurs d'IA à propos de votre marque, restitué le jour même sous la forme d'un rapport que vous pouvez présenter à la direction — les réponses réelles de l'IA, la fréquence à laquelle vous êtes recommandé, et par où agir en premier.; Voir aussiManaged GEO AI Visibility
RécupérationAnswer Engine: Un système d'IA qui répond à une question par une réponse synthétisée plutôt que par une liste de liens — ChatGPT, Gemini, Perplexity, AI Overviews, DeepSeek. C'est l'unité que le GEO optimise.; Voir aussiGEO AEO LLM

(B)

MesureBenchmark: Une mesure répétée et normalisée de la visibilité sur un ensemble fixe de questions et de concurrents, servant à suivre l'évolution dans le temps et à situer une marque au sein de sa catégorie. Un benchmark n'a de sens que si l'ensemble de questions et la taille d'échantillon restent stables d'une mesure à l'autre.; Voir aussiShare of Voice Sample Size Prompt Sampling

(C)

RécupérationChunking: La façon dont un système de récupération découpe une page en passages plus courts avant de les indexer, afin de pouvoir insérer le fragment le plus pertinent dans une réponse. Une structure claire — titres, paragraphes autonomes — permet à votre contenu de se segmenter proprement, ce qui rend la bonne partie plus facile à récupérer et à citer.; Voir aussiRetrieval RAG Grounding
ContenuCitations: Les sources vers lesquelles un moteur de réponse renvoie, ou qu'il nomme, comme fondement de sa réponse. Les citations sont le levier le plus direct en GEO : figurer comme source citée génère du trafic de référence et augmente la probabilité que le moteur reprenne votre formulation.; Voir aussiGrounding Owned Media Zero-Click
ContenuCrawler Access: Le fait que le robot d'exploration d'une entreprise d'IA (GPTBot, ClaudeBot, Google-Extended, PerplexityBot et d'autres) soit autorisé ou non à récupérer vos pages — généralement régi par robots.txt. Si le robot qui alimente l'entraînement ou la recherche d'un moteur est bloqué, ce moteur ne peut ancrer ses réponses dans votre contenu.; Voir aussirobots.txt Grounding Freshness

(D)

RécupérationDeep Research: Un mode de moteur qui répond à une question en lançant de nombreuses recherches sur plusieurs minutes, en lisant des dizaines de sources et en composant un long rapport sourcé — au lieu de répondre d'un seul coup. Il élargit considérablement l'éventail des recherches, si bien que des marques largement en dehors des premiers résultats peuvent tout de même être intégrées si leur contenu est clair et récupérable.; Voir aussiFan-out Queries Retrieval Citations

(E)

RécupérationEmbedding: Une représentation numérique d'un fragment de texte qui le situe dans un espace à grande dimension où les sens proches se retrouvent côte à côte. Les systèmes de récupération vectorisent à la fois la question et votre contenu, puis les rapprochent par proximité — c'est pourquoi formuler vos pages comme de vrais acheteurs formulent leurs questions vous aide à être retrouvé.; Voir aussiRetrieval RAG Knowledge Graph
ContenuEntity: Une chose distincte qu'un moteur reconnaît et sur laquelle il raisonne — une marque, un produit, une personne ou un lieu. Les moteurs d'IA font correspondre les mots d'une question à des entités ; être une entité bien définie et décrite de façon cohérente vous rend plus facile à retrouver et plus difficile à confondre avec d'autres.; Voir aussiKnowledge Graph Schema Markup Hallucination
MéthodeEvidence Chain: Le principe de Besaid selon lequel chaque indicateur remonte à la matière première qui le sous-tend — la réponse mot pour mot de l'IA, le prompt exact, le moteur et le modèle, l'horodatage. C'est ce qui distingue une mesure vérifiable d'un score en boîte noire.; Voir aussiPrompt Sampling Sample Size Mention

(F)

RécupérationFan-out Queries: L'ensemble des sous-questions qu'un moteur génère silencieusement à partir d'un seul prompt utilisateur, afin de récupérer un contexte plus large avant de répondre. Le fan-out compte car votre contenu peut être remonté via une requête reformulée que vous ne voyez jamais.; Voir aussiRetrieval Deep Research Grounding
RécupérationFreshness: L'ancienneté du contenu sur lequel un moteur s'appuie lorsqu'il répond. Certains moteurs récupèrent des pages en direct ; d'autres vous décrivent à partir d'un instantané vieux de plusieurs mois. La fraîcheur explique pourquoi un changement peut apparaître vite dans un moteur et tarder dans un autre — et pourquoi il importe de tenir les faits clés à jour.; Voir aussiGrounding Crawler Access Retrieval

(G)

MéthodeGEO: Generative Engine Optimization — la discipline consistant à mesurer et améliorer la façon dont les moteurs d'IA générative représentent une marque dans leurs réponses. Le pendant du SEO à l'ère de l'IA, mais où l'on optimise pour des réponses synthétisées et des citations plutôt que pour des liens classés.; Voir aussiAEO AI Visibility Answer Engine
RécupérationGrounding: Rattacher la réponse d'une IA à des sources externes précises récupérées au moment de la requête, plutôt qu'à des connaissances mémorisées invérifiables. Les réponses ancrées citent d'où viennent leurs affirmations — et c'est sur les moteurs ancrés qu'un contenu frais et bien structuré peut gagner en visibilité le plus vite.; Voir aussiRAG Retrieval Citations

(H)

ModèleHallucination: Lorsqu'une IA affirme avec assurance quelque chose de faux ou d'infondé — un fait erroné sur votre marque, un produit inventé, un concurrent crédité de votre travail. En GEO, une hallucination est à la fois un risque à surveiller et, une fois détectée avec des preuves, un problème corrigeable.; Voir aussiGrounding Entity Evidence Chain

(K)

ContenuKnowledge Graph: Un réseau structuré d'entités et des relations entre elles, sur lequel un moteur s'appuie pour répondre à des questions factuelles. Des descriptions cohérentes et lisibles par machine de votre marque améliorent la façon dont elle est représentée dans ces graphes.; Voir aussiEntity Schema Markup Grounding

(L)

ModèleLLM: Large Language Model — le réseau de neurones, entraîné sur d'immenses volumes de texte, qui donne à un moteur génératif sa capacité à comprendre une question et à composer une réponse. Le modèle derrière des noms comme GPT, Gemini et DeepSeek.; Voir aussiAnswer Engine Token Temperature
Contenullms.txt: Un fichier texte proposé, placé à la racine d'un site, qui indique aux grands modèles de langage ce qu'est le site, ce qui compte dessus et comment le décrire — llms.txt est aux moteurs d'IA ce que robots.txt est aux robots d'indexation. Besaid publie le sien à titre de démonstration.; Voir aussirobots.txt Crawler Access Grounding

(M)

MéthodeManaged GEO: Le GEO livré comme un service plutôt que comme un outil : l'équipe de Besaid pilote tout le programme — mesurer comment l'IA parle de vous, faire le travail d'optimisation et prouver le changement par des preuves avant/après. Vous lisez des rapports ; vous ne pilotez jamais de tableau de bord.; Voir aussiGEO AI Visibility Diagnostic
MesureMention: Une occurrence unique de votre marque apparaissant dans une réponse de l'IA, qu'elle soit ou non liée comme citation. Le décompte des mentions sur de nombreux échantillons constitue la matière première des indicateurs de visibilité et de part de voix.; Voir aussiCitations Position Share of Voice

(O)

ContenuOwned Media: Le contenu des domaines que vous contrôlez — votre site, votre centre d'aide, votre blog — par opposition aux pages tierces qui parlent de vous. La part de territoire propre, c'est-à-dire la fraction des citations d'un moteur qui pointent vers vos propres domaines, est le champ de bataille le plus direct du GEO : c'est le contenu que vous pouvez changer dès demain.; Voir aussiCitations Share of Voice Schema Markup

(P)

MesurePersona: L'identité d'utilisateur depuis laquelle une question est posée lors de l'échantillonnage d'un moteur — par exemple un futur étudiant en licence chez lui face à un parent qui se renseigne à l'étranger. Comme les moteurs adaptent leurs réponses à qui semble poser la question, le persona fait partie du point de vue et change l'histoire que raconte une mesure.; Voir aussiVantage Prompt Sampling Sentiment
MesurePosition: La place de votre marque dans l'ordre d'une réponse d'IA — citée en premier, reléguée en troisième, ou mentionnée en dernier. Parce que les lecteurs accordent plus de poids à ce qui vient en premier, la position est suivie en parallèle du simple fait d'être mentionné.; Voir aussiMention Share of Voice Sentiment
MesurePrompt Sampling: Poser à un moteur la même question, ou des questions apparentées, de nombreuses fois, à travers différents modèles et conditions, afin d'estimer une réponse probabiliste plutôt que de se fier à une seule réponse. C'est la méthode qui transforme une interface de conversation en instrument de mesure — et sa rigueur ne vaut que ce que vaut la taille d'échantillon divulguée.; Voir aussiSample Size θ (Theta)Temperature

(R)

RécupérationRAG: Retrieval-Augmented Generation — une architecture dans laquelle un moteur récupère d'abord les documents pertinents, puis génère sa réponse à partir d'eux. Le RAG explique pourquoi publier un contenu clair et récupérable peut influencer les réponses sans rien changer au modèle sous-jacent.; Voir aussiRetrieval Grounding Chunking
RécupérationRetrieval: L'étape où un moteur va chercher les documents pertinents au moment de la requête, avant de rédiger une réponse — par recherche en direct, par un index vectoriel, ou les deux. La récupération est le moment où votre contenu entre ou non dans la réponse, ce qui fait de la récupérabilité l'objectif concret de l'essentiel du travail de GEO.; Voir aussiRAG Embedding Chunking
Contenurobots.txt: Le fichier en texte brut, à la racine d'un site, qui indique aux robots d'exploration quels chemins ils peuvent récupérer. À l'ère de l'IA, il détermine si les crawlers des moteurs peuvent seulement vous lire — bloquez le mauvais bot et vous vous retirez du grounding de ce moteur, souvent sans vous en rendre compte.; Voir aussiCrawler Access llms.txt Grounding

(S)

MesureSample Size: Le nombre d'échantillons — prompts, moteurs, relevés — derrière une mesure rapportée, et le dénominateur qui la rend digne de confiance. Un chiffre de visibilité sans sa taille d'échantillon est un nombre sans échelle ; Besaid en attache une à chaque pourcentage.; Voir aussiθ (Theta)Prompt Sampling Benchmark
ContenuSchema Markup: Des données structurées (souvent Schema.org / JSON-LD) ajoutées à une page qui explicitent, sous une forme exploitable par les machines, le sujet de la page — une organisation, un cours, un avis. Elles aident les moteurs à rattacher votre contenu à la bonne entité et à le citer correctement, et constituent l'un des leviers de médias propres les plus fiables.; Voir aussiEntity Knowledge Graph Owned Media
MesureSentiment: Le ton qu'adopte un moteur envers votre marque lorsqu'il la mentionne — positif, neutre, prudent, négatif. Comme une réponse peut vous citer tout en vous présentant sous un jour défavorable, la tonalité se mesure séparément du simple fait d'apparaître.; Voir aussiMention Position Hallucination
MesureShare of Voice: La proportion des réponses pertinentes de l'IA où votre marque apparaît, mesurée face aux concurrents du même ensemble — votre part de la conversation totale. Elle redéfinit la visibilité comme un rang concurrentiel, et non comme un décompte absolu.; Voir aussiMention Benchmark AI Visibility
ModèleSystem Prompt: Les instructions cachées que l'opérateur d'un moteur donne au modèle avant que votre question ne l'atteigne — définissant son persona, ses garde-fous et son style par défaut. Vous ne pouvez pas les voir, mais elles façonnent chaque réponse, ce qui explique en partie pourquoi un même modèle peut se comporter différemment selon les produits.; Voir aussiLLM Prompt Sampling Temperature

(T)

ModèleTemperature: Un paramètre qui contrôle le degré d'aléatoire de la sortie d'un moteur : une température basse rend les réponses plus reproductibles, une température élevée plus variées. C'est l'une des raisons pour lesquelles une même question donne des réponses différentes, et l'une des raisons pour lesquelles la visibilité doit être estimée sur des échantillons plutôt que lue à partir d'une seule exécution.; Voir aussiPrompt Sampling Sample Size LLM
ModèleToken: L'unité de texte qu'un modèle de langage lit et écrit — grosso modo un fragment de mot. Les modèles traitent et facturent au token, et leur contexte est plafonné en tokens, raison pour laquelle un contenu concis et bien structuré est plus facile à assimiler et à réutiliser pour un moteur.; Voir aussiLLM Chunking Embedding

(V)

MesureVantage: Le point de vue depuis lequel une question est posée — la langue, le lieu et le persona simulés ou réellement utilisés lors de l'échantillonnage d'un moteur. Les réponses changent selon le point de vue : une vue du marché domestique et un nœud réel à l'étranger peuvent raconter des histoires très différentes d'une même marque.; Voir aussiPersona Prompt Sampling Sentiment

(Z)

MesureZero-Click: Lorsqu'une IA répond à une question de façon assez complète pour que l'utilisateur ne clique jamais vers une source. Le zéro-clic explique pourquoi être mentionné et décrit avec exactitude au sein de la réponse compte désormais autant que — parfois plus que — obtenir le clic, puisque ce clic pourrait ne jamais venir.; Voir aussiCitations AI Visibility Answer Engine

Découvrez ce que l'IA dit à vos futurs étudiants.

Obtenez un diagnostic gratuit