L'outil de recherche de fichiers d'OpenAI découpe chaque document en segments de 800 tokens avec un chevauchement de 400 tokens entre eux, selon la documentation officielle de l'API d'OpenAI. Azure AI Search, le moteur de recherche de Microsoft, recommande de partir d'environ la moitié de ce chiffre : 512 tokens, avec un chevauchement initial de 25 %. Puis, en mai 2026, l'équipe Search Central de Google a publié des recommandations indiquant que les éditeurs n'ont pas besoin de fragmenter leur contenu en petits morceaux pour que ses systèmes d'IA le comprennent, contredisant des années de conseils visant à fragmenter les pages en micro-sections. Trois entreprises qui construisent l'infrastructure décidant de ce qui est cité ne s'accordent pas sur les bases. Voici ce que le chunking fait réellement, et laquelle de ces recommandations s'applique à votre contenu.
Ce qu'est réellement le chunking
Le chunking est le processus qui consiste à découper une page en morceaux plus petits avant qu'un système de récupération ne l'indexe, généralement de quelques centaines de tokens chacun. Tous les principaux outils de recherche IA fonctionnent ainsi, de la recherche de fichiers d'OpenAI aux systèmes derrière ChatGPT et Perplexity : aucun d'eux ne récupère ni ne classe une page entière comme une seule unité.
Chaque segment est converti en embeddings, une représentation numérique de son sens, comme l'explique le guide d'Ahrefs sur la génération augmentée par récupération. Lorsqu'un utilisateur pose une question, l'IA convertit cette question dans le même type de vecteur, puis mesure sa proximité avec le vecteur de chaque segment à l'aide de la similarité cosinus. La correspondance la plus proche est intégrée à la réponse, souvent accompagnée de la citation associée. C'est ce qu'on appelle la récupération de passages. Un moteur qui choisit une citation ne juge pas votre page dans son ensemble. Il évalue si un paragraphe précis répond mieux à la question qu'un paragraphe de la page d'un concurrent, ce qui explique pourquoi une seule section solide peut être citée même quand le reste de la page est faible.
Les tailles de segments par défaut réellement utilisées par OpenAI et Microsoft
L'outil de recherche de fichiers d'OpenAI utilise par défaut des segments de 800 tokens avec un chevauchement de 400 tokens, ce qui signifie que chaque fichier importé est indexé sous forme de tranches qui se chevauchent plutôt que de coupures nettes. La documentation d'Azure AI Search, chez Microsoft, recommande de partir de 512 tokens avec un chevauchement de 25 %, soit environ 128 tokens, puis d'ajuster ensuite selon le type de contenu indexé.
Ce chevauchement existe pour qu'un fait situé près d'une frontière de segment ne se retrouve pas orphelin, scindé entre deux morceaux dont aucun n'obtient à lui seul un bon score. Aucune des deux entreprises ne publie une taille de segment unique et correcte, car la taille adaptée dépend du degré d'autonomie déjà présent dans vos phrases. Les paragraphes denses qui empilent plusieurs affirmations dans une même phrase ont généralement besoin de segments plus petits pour rester récupérables, tandis qu'une écriture plus narrative et plus souple peut supporter d'être découpée en morceaux plus grands. L'équipe d'ingénierie de Redis, qui construit l'infrastructure de plusieurs produits RAG, décrit trois grandes stratégies utilisées aujourd'hui en production : le chunking à longueur fixe par nombre de tokens, le chunking sémantique qui découpe aux frontières naturelles comme les titres, et des approches hybrides combinant les deux. L'écart de 288 tokens entre la valeur par défaut d'OpenAI et le point de départ de Microsoft prouve à lui seul que la taille des segments est un détail d'implémentation que chaque entreprise ajuste pour son propre index, et non une cible fixe que votre écriture doit atteindre.
Google affirme que l'obsession du chunking est exagérée, et ce n'est pas faux
L'équipe Search Central de Google a publié en mai 2026 des recommandations officielles indiquant que les éditeurs n'ont pas besoin de fragmenter leur contenu en petits morceaux pour que ses systèmes d'IA le comprennent. Les propres fonctionnalités génératives de l'entreprise, AI Overviews et AI Mode, peuvent analyser une page traitant plusieurs sujets et en extraire la portion pertinente sans que quiconque ait présegmenté cette page.
Ces mêmes recommandations ont écarté les fichiers llms.txt tout aussi franchement, affirmant que Google Search les ignore complètement, un constat qui rejoint ce que le guide de VizibleAI sur llms.txt a déjà établi : la plupart des fichiers llms.txt publiés ne reçoivent aucun trafic de robots. Pris au sens strict, le positionnement de Google est défendable. Ses systèmes d'exploration et de classement ne fonctionnent pas comme une base de données vectorielle, et demander à chaque propriétaire de site de découper manuellement ses paragraphes en blocs de 300 mots relève davantage de la superstition que du SEO. Pris au sens large, ces recommandations ne couvrent que les propres systèmes de Google. La recherche de fichiers de ChatGPT, l'index de Perplexity et la plupart des outils de récupération tiers continuent de découper et d'encoder le contenu avant de le récupérer, et aucun d'eux n'a dit le contraire. La réponse pratique se situe entre ces deux positions : vous n'avez pas besoin de coupures de section artificielles ni d'un nombre de tokens précis, mais chaque section doit déjà constituer le type d'unité autonome qu'un algorithme de chunking produirait de lui-même.
Ce que change la propre recherche d'Anthropic à ces recommandations
Anthropic a publié en septembre 2024 une étude montrant que l'ajout de courts résumés contextuels à chaque segment avant son encodage, suivi d'un reclassement des résultats, réduisait le taux d'échec de récupération de 67 %, le faisant passer de 5,7 % à 1,9 %, sur des bases de code, des articles scientifiques et des documents longs.
Ce taux d'échec est mesuré comme la part des passages pertinents qu'un système ne parvient pas à récupérer parmi ses 20 premiers résultats, ce qu'Anthropic appelle un moins le rappel à 20. Cette amélioration ne vient pas du choix d'une meilleure taille de segment. Elle vient du fait que chaque segment porte suffisamment de son propre contexte pour rester compréhensible une fois séparé de la page qui l'entoure, le même principe que celui vers lequel pointent les recommandations de Google, depuis l'angle opposé. Les chercheurs d'Anthropic ont aussi identifié un mode d'échec précis à éviter directement : remplacer le nom d'une entreprise ou d'un produit par un pronom en cours de section réduit mesurablement la fréquence à laquelle cette section est récupérée, car un vecteur construit à partir de « il » ou « l'entreprise » ne porte presque plus rien du sens de l'entité d'origine.
En combinant les embeddings contextuels, le BM25 contextuel et le reclassement, Anthropic a réduit son taux d'échec de récupération de 67 %, le faisant passer de 5,7 % à 1,9 %, lors de tests menés sur plusieurs domaines de connaissance.
Comment rédiger des sections qui résistent au chunking
Face à trois entreprises qui ne s'accordent pas sur la taille des segments, la réponse pratique consiste à arrêter de deviner un nombre de tokens et à rédiger des sections qui tiennent debout, quelle que soit la façon dont un algorithme les découpe. Cela signifie que chaque section répond entièrement à une seule question, nomme explicitement son sujet plutôt que de s'appuyer sur des pronoms, et place la preuve à l'appui juste à côté de l'affirmation qu'elle soutient plutôt que dans un paragraphe séparé.
Formulez le titre comme la question exacte que poserait un lecteur, ou un système d'IA.
Répondez à cette question dès la première phrase, avant d'ajouter des détails.
Répétez les noms des entités tout au long d'une section plutôt que de les remplacer par « il », « ils » ou « l'entreprise ».
Placez une statistique ou une source juste à côté de l'affirmation qu'elle appuie, et non dans un amas de citations en fin de section.
C'est proche de la discipline au niveau du paragraphe que le guide de VizibleAI sur la rédaction orientée réponse directe expose déjà : énoncer la conclusion, puis l'étayer. Les sections FAQ construites de la même façon, question en titre, réponse directe en premier, expliquent en partie pourquoi le contenu structuré en questions-réponses a bien résisté après la mise à jour du schéma FAQ de Google en mai 2026. Les outils qui suivent les citations IA, dont VizibleAI, peuvent aussi montrer lesquelles de vos sections existantes sont déjà reprises dans les réponses, ce qui est un moyen plus rapide d'apprendre les frontières naturelles de segmentation de votre contenu que de les deviner.
Pourquoi la mécanique diffère selon le moteur
Le chunking suppose un index statique construit en amont, en arrière-plan du système d'IA, puis interrogé plus tard. C'est le cas de la recherche de fichiers d'OpenAI et de la plupart des produits RAG, mais tous les moteurs qui citent des marques ne fonctionnent pas ainsi. Claude ne tire ses citations en direct d'aucun index interne préconstruit. Il récupère des sources actuelles via l'index de Brave Search au moment de la requête, puis raisonne sur les pages complètes que cette recherche renvoie, un mécanisme que le guide de VizibleAI pour être cité par Claude détaille davantage. C'est une raison supplémentaire pour laquelle une seule recommandation de taille de segment ne peut pas couvrir tous les moteurs dans lesquels une marque doit apparaître : l'unité qu'un système d'IA évalue réellement change selon l'architecture, tantôt un segment préindexé, tantôt un passage qu'un moteur de recherche en direct vient de faire remonter.
Questions fréquemment posées
La taille des segments influence-t-elle réellement le fait que mon contenu soit cité par l'IA ?
Indirectement. Aucun fournisseur d'IA ne permet aux éditeurs de définir la taille des segments utilisée pour indexer leur page, donc ajuster votre écriture pour atteindre un nombre de tokens précis ne sert à rien. Ce qui compte, c'est que chaque section se lise déjà comme une réponse complète et autonome, car c'est ce qui détermine si un algorithme de chunking produit un extrait solide ou faible de votre contenu, quelle que soit la taille exacte à laquelle il aboutit.
Quelle est la différence entre le chunking et la récupération de passages ?
Le chunking est l'étape où une page est découpée en morceaux plus petits avant l'indexation. La récupération de passages est ce qui se passe ensuite : le système d'IA compare la question d'un utilisateur à l'embedding de chaque segment et récupère les morceaux dont le score de proximité est le plus élevé, et ce sont ces passages qui finissent cités ou repris dans la réponse.
Dois-je ajouter manuellement des coupures de section tous les 300 mots pour la recherche IA ?
Non. L'équipe Search Central de Google a explicitement indiqué dans ses recommandations de mai 2026 que le contenu n'a pas besoin d'être fragmenté en petits morceaux pour que ses systèmes d'IA le comprennent. Imposer des coupures arbitraires peut nuire à la lisibilité sans améliorer la récupération sur les plateformes qui découpent effectivement le contenu, puisque leur chunking se fait automatiquement, quel que soit votre formatage.
Le chunking fonctionne-t-il de la même façon sur ChatGPT, Claude, Perplexity et Gemini ?
Non. La recherche de fichiers d'OpenAI et la plupart des outils basés sur le RAG indexent à l'avance un contenu préalablement découpé et encodé. Les citations web de Claude proviennent en revanche de l'index en direct de Brave Search, et non d'un stock interne de segments statique, si bien qu'une technique adaptée à l'architecture de récupération d'un moteur ne se transpose pas automatiquement à un autre.
Pourquoi la recherche d'Anthropic a-t-elle réduit les échecs de récupération de 67 % ?
Anthropic a ajouté à chaque segment un court résumé du contexte environnant, généré par IA, avant de créer son embedding, puis a appliqué une étape de reclassement après la récupération. Cette combinaison, embeddings contextuels plus BM25 contextuel plus reclassement, a fait chuter le taux d'échec de 5,7 % à 1,9 % lors de tests publiés en septembre 2024, principalement en empêchant les segments de perdre leur sens une fois séparés de la page qui les entourait.
Suivez précisément quelles sections de votre contenu sont réellement citées
Savoir qu'un segment a été repris dans une réponse d'IA ne suffit pas à savoir si c'est arrivé sur votre page. VizibleAI suit les mentions de marque et les sources de citation sur ChatGPT, Claude, Gemini et Perplexity, en montrant quelles pages, et quelles sections précises de ces pages, les moteurs reprennent réellement. Lancez un essai gratuit pour voir ce qui est actuellement cité depuis votre site, et ce qui ne l'est pas.