Depuis que le GEO s’est installé dans le vocabulaire des équipes marketing, deux approches techniques reviennent systématiquement : les données structurées JSON-LD via Schema.org, et le fichier llms.txt. Les deux sont présentés comme complémentaires. En pratique, les LLMs les traitent de façon radicalement différente — et confondre leur impact revient à mal dépenser son énergie technique. Cet article tranche : pour la json-ld llms.txt visibilité ia marque, ce n’est pas la même mécanique, ce ne sont pas les mêmes résultats, et ce n’est pas le même calendrier d’effet.
Pourquoi les LLMs ne lisent pas votre site comme Google
Google crawle votre JSON-LD en temps réel. Il extrait les attributs Schema.org pour alimenter ses rich snippets et, depuis AI Mode, pour structurer ses réponses génératives. Ce pipeline est documenté, stable, et les effets sont mesurables en quelques semaines.
Les grands LLMs — ChatGPT, Claude, Gemini dans sa version conversationnelle pure, Perplexity — fonctionnent différemment. Leur connaissance de votre marque repose d’abord sur les données d’entraînement : des corpus massifs crawlés à une date donnée. Votre JSON-LD était peut-être là au moment du crawl. Peut-être pas. Et même s’il l’était, rien ne garantit qu’il a été parsé et pondéré comme signal explicite plutôt que noyé dans le HTML environnant.
Perplexity, lui, crawle en temps réel pour chaque requête. C’est un cas à part : il se comporte davantage comme un moteur de recherche augmenté. Pour Perplexity, votre structure de page compte. Pour ChatGPT interrogé sans navigation web, ce qui compte c’est ce qui existait dans les données d’entraînement — et la cohérence de ce qui est dit sur vous à travers le web.
Cette distinction est fondamentale avant de comparer les deux approches techniques.
Ce que fait réellement JSON-LD Schema.org pour vos citations IA
Schema.org structure l’information pour les machines. Un balisage Organization bien formé dit explicitement : voici le nom légal, le secteur, la description, les produits, les fondateurs. Un Product avec description, brand et aggregateRating rend vos fiches lisibles sans ambiguïté.
L’impact sur les LLMs est indirect mais réel sur deux canaux :
Canal 1 — Google AI Mode. AI Mode s’appuie sur l’index Google. Si vos pages sont balisées proprement, Google extrait les attributs structurés pour alimenter ses réponses génératives. C’est le canal où JSON-LD a l’effet le plus documenté en 2025-2026. Search Engine Land a montré que les pages avec Schema.org complet apparaissent plus fréquemment dans les blocs AI Overview de Google.
Canal 2 — Crawl de Perplexity et autres moteurs IA. Ces moteurs lisent vos pages à la volée. Un JSON-LD FAQPage ou HowTo leur donne des blocs d’information pré-découpés, plus faciles à citer avec précision. Sans balisage, ils doivent inférer la structure depuis le HTML brut — et l’erreur de citation augmente.
Ce que JSON-LD ne fait pas : il ne modifie pas directement le modèle de langage de ChatGPT ou Claude. Ces modèles ont une date de coupure. Votre nouveau balisage n’a aucun effet sur leur mémoire paramétrique. Attendre une amélioration de citation dans ChatGPT pur grâce à un Schema.org ajouté en 2026 est une erreur de compréhension du fonctionnement des LLMs.
En clair
JSON-LD améliore vos citations dans les IA qui crawlent en temps réel (Google AI Mode, Perplexity). Il n’a pas d’effet direct sur les LLMs à connaissance statique comme ChatGPT sans navigation.
Ce que fait réellement llms.txt pour vos citations IA
Le fichier llms.txt est une convention récente, proposée par Answer.AI en 2024. L’idée : un fichier texte placé à la racine de votre domaine (/llms.txt) qui résume en langage naturel ce que vous êtes, ce que vous faites, et comment vous souhaitez être décrits. Une sorte de notice à destination des IA qui crawlent.
Contrairement à JSON-LD, llms.txt n’est pas un standard W3C. Il n’est pas parsé par un protocole universel. Son adoption dépend entièrement de la bonne volonté des crawlers d’IA à le lire — et aujourd’hui, aucun LLM ne garantit officiellement qu’il le consulte systématiquement.
Alors pourquoi en parler ? Parce que son impact est différent de JSON-LD, pas forcément inférieur :
Avantage 1 — Lisibilité native pour les LLMs. Un texte bien structuré en langage naturel est ce que les transformers traitent le mieux. Là où JSON-LD demande une couche de décodage sémantique, llms.txt parle directement la langue du modèle. Si un crawler d’IA lit votre llms.txt, il obtient votre description officielle sans ambiguïté syntaxique.
Avantage 2 — Contrôle éditorial de votre récit. Vous choisissez les mots, les formulations, les comparaisons que vous voulez voir reproduites. C’est une forme de prompt engineering appliqué à votre propre identité de marque. Galyon a documenté les meilleures pratiques de structuration d’un llms.txt efficace — la densité informationnelle et le choix des formulations ont un effet mesurable sur la précision des citations.
Limite majeure. llms.txt n’a aucun effet sur les modèles à knowledge cutoff passée. Si OpenAI a entraîné son modèle avant que vous déployiez votre fichier, il n’existe pas dans la mémoire du modèle. L’effet se manifeste uniquement pour les crawlers actifs — et encore, uniquement si ces crawlers ont adopté la convention.
Comparaison directe : exemples de réponses avant et après
Voici ce que l’on observe concrètement en auditant des marques avant et après déploiement de chaque approche.
Cas 1 — Ajout de JSON-LD Organization sur un site SaaS B2B.
Avant : Perplexity décrit la marque comme « une solution de gestion de projet » — description générique qui s’applique à douze concurrents. La réponse cite trois concurrents, pas la marque cible.
Après (6 semaines) : Perplexity cite la marque nommément avec sa proposition de valeur différenciante, extraite directement du champ description du JSON-LD. La raison probable : Perplexity a recrawlé la page et a pu extraire une description précise là où le HTML narratif était ambigu.
Google AI Mode : amélioration visible dès 3 semaines sur les requêtes sectorielles. La marque apparaît dans les réponses structurées avec son secteur et son positionnement corrects.
ChatGPT (sans navigation) : aucun changement observable. La réponse reste identique — ce qui est cohérent avec la mécanique des modèles à données statiques.
Cas 2 — Déploiement d’un llms.txt détaillé sur un site e-commerce.
Avant : Claude décrit la marque avec une formulation approximative mélangée à celle d’un concurrent direct. La confusion vient d’une forte similarité sémantique entre les deux sites dans les corpus d’entraînement.
Après : sur Perplexity (qui crawle activement), la description s’aligne sur les formulations du llms.txt dans 7 requêtes sur 10 testées. Sur ChatGPT pur, la description reste inchangée.
La leçon : llms.txt a un effet immédiat sur les IA à navigation en temps réel. Pour mesurer cet effet, il faut collecter les réponses brutes avant et après déploiement — sans quoi vous naviguez à l’aveugle.
En clair
JSON-LD et llms.txt produisent des effets mesurables — mais pas sur les mêmes IA, pas dans le même délai, et pas avec le même mécanisme. Les combiner sans comprendre ce mécanisme revient à optimiser pour des moteurs qui ne lisent pas forcément ce que vous avez écrit.
Comment choisir et combiner les deux approches en 2026
Voici un protocole en quatre étapes, applicable immédiatement.
Étape 1 — Auditez votre état actuel. Avant d’ajouter quoi que ce soit, testez 10 à 15 prompts stratégiques sur Perplexity, ChatGPT et Gemini. Notez exactement comment chaque IA vous décrit aujourd’hui. C’est votre baseline. Sans elle, vous ne pourrez pas mesurer l’impact de vos actions. La sélection des bons prompts d’audit est une étape critique souvent bâclée.
Étape 2 — Priorisez JSON-LD si vous n’avez rien. Schema.org Organization, Product, FAQPage selon votre secteur. Remplissez tous les champs disponibles, notamment description, sameAs (vos profils LinkedIn, Wikipedia, Crunchbase), et knowsAbout. Ces attributs aident les crawlers à désambiguïser votre marque par rapport à des homonymes ou des concurrents proches. Search Engine Land documente les types Schema les plus impactants pour le SEO et le GEO.
Étape 3 — Rédigez un llms.txt précis et dense. Pas un résumé marketing. Une description factuelle : ce que vous faites, pour qui, comment vous vous différenciez, quels problèmes vous résolvez. Utilisez les mêmes formulations que celles que vous voulez voir dans les réponses IA. Ajoutez des URLs vers vos pages les plus autoritaires. Évitez le jargon interne que les LLMs ne peuvent pas contextualiser.
Étape 4 — Mesurez séparément l’impact sur chaque IA. Testez les mêmes prompts 4 semaines après chaque déploiement. Comparez les réponses brutes. Si Perplexity s’améliore mais pas ChatGPT, c’est normal — et cela vous confirme que le problème ChatGPT relève d’un travail d’autorité de marque sur le web, pas de balisage technique. BrightEdge a montré que la cohérence des mentions de marque sur des sources tierces autoritaires reste le levier le plus puissant pour les LLMs à données statiques.
Structured data ChatGPT Gemini : ce que chaque IA lit vraiment
Pour éviter toute confusion, voici l’état réel de la lecture des données structurées par IA en 2026 :
ChatGPT (GPT-4o sans navigation activée) : ne lit pas votre site en temps réel. Votre JSON-LD et votre llms.txt n’existent pas pour lui sauf s’ils faisaient partie des données d’entraînement. L’amélioration de vos citations passe par des mentions dans des sources à forte autorité — presse spécialisée, Wikipedia, forums sectoriels.
ChatGPT avec navigation web : peut lire votre llms.txt si le crawler d’OpenAI le consulte. JSON-LD aide à structurer les informations extraites des pages visitées. Comportement variable selon les requêtes.
Gemini : indexé par Google. JSON-LD a un impact direct via l’index Google — c’est le canal le plus fiable. llms.txt est lu par Googlebot si déclaré, mais l’effet sur Gemini conversationnel reste moins documenté qu’AI Mode. Auditer ce que Gemini dit de votre marque reste la meilleure façon de quantifier cet impact.
Perplexity : crawle activement. Les deux approches ont un effet mesurable. JSON-LD améliore la précision des extractions. llms.txt fournit une description de référence. C’est l’IA où le ROI technique est le plus direct et le plus rapide. Les leviers d’optimisation spécifiques à Perplexity méritent un traitement à part entière.
Claude : données statiques principalement. Même mécanique que ChatGPT pur. L’effort technique sur votre site a peu d’effet à court terme sur les citations Claude. Travaillez votre présence dans les corpus qu’Anthropic est susceptible d’avoir crawlés — documentation publique, presse, contenus longs.
L’erreur la plus fréquente : traiter les deux comme équivalents
La plupart des guides GEO en 2025-2026 présentent JSON-LD et llms.txt comme deux cases à cocher sur la même liste. C’est trompeur. Cocher les deux sans comprendre leur mécanique respective donne l’illusion d’agir sans produire les résultats attendus.
Un exemple concret : une équipe SEO déploie un JSON-LD Organization complet et un llms.txt en janvier 2026, puis constate que ChatGPT cite toujours un concurrent à sa place en mars. Conclusion hâtive : « le GEO technique ne fonctionne pas ». Conclusion correcte : ces deux outils n’ont aucun effet sur ChatGPT à données statiques — le vrai problème est l’absence de mentions de la marque dans les sources que GPT-4o a ingérées avant sa date de coupure.
Identifier ce problème demande de regarder les réponses brutes des IA, pas de supposer. Comprendre pourquoi un concurrent est cité à votre place est souvent plus instructif que d’optimiser techniquement dans le vide.
Le vrai travail technique GEO en 2026 est séquentiel : diagnostiquer d’abord, optimiser ensuite, mesurer après chaque action. JSON-LD et llms.txt ont leur place dans cet ordre — mais seulement si vous savez sur quelle IA vous voulez progresser, et pourquoi vous êtes absent aujourd’hui.
JSON-LD et llms.txt ne sont pas interchangeables. JSON-LD structure l’information pour les crawlers qui décodent le HTML — Perplexity, Google AI Mode. llms.txt parle directement en langage naturel aux IA qui lisent votre racine de domaine. Aucun des deux ne modifie la mémoire statique de ChatGPT ou Claude. Le bon choix dépend du diagnostic : quelle IA vous ignore, pour quelle raison, avec quelles preuves. Tout le reste est de l’optimisation à l’aveugle.
Galyon scanne votre marque sur ChatGPT, Gemini, Perplexity et AI Mode en quelques minutes — essai gratuit 7 jours, sans engagement.
