Votre site web parle-t-il aux IA ?

Vous êtes pressé ? Sautez aux conclusions et à la checklist →

L'histoire commence par une question simple

Un lundi matin, nous nous sommes posé une question toute bête : quand quelqu'un tape "intégrateur CRM Nantes" dans ChatGPT ou Perplexity, qu'est-ce que l'IA trouve sur nous ?

Nous avons essayé. Et la réponse nous a un peu refroidis.

L'IA a bien trouvé notre site. Elle a récupéré du texte. Mais ce qu'elle a compris de nous ressemblait à un résumé fait par quelqu'un qui aurait lu notre plaquette à l'envers, dans le noir. L'adresse ? Introuvable pour deux modèles sur trois. La différence entre nos offres ? Floue. Notre capacité à accompagner une entreprise qui n'a pas encore de CRM ? Silence radio.

Nous aurions pu en rester là. Au lieu de ça, nous avons décidé de comprendre pourquoi — et surtout, de trouver comment améliorer les choses. Pas en changeant l'IA. En changeant ce que notre site lui envoie.

Ce qui a suivi, c'est trois semaines d'expérimentation, un benchmark de 700 appels, et quelques leçons que nous partageons ici pour que vous n'ayez pas à tout refaire de zéro.

Acte 1 — Ce que voit une IA quand elle visite votre site

Avant de parler de solutions, il faut comprendre un truc fondamental : une IA ne voit pas votre site comme vous.

Quand vous visitez kiliogene.com, votre navigateur affiche un logo, des couleurs, une mise en page, des photos. Quand une IA visite la même URL, elle reçoit du HTML brut qu'elle convertit en texte. Pas d'images. Pas de CSS. Pas de JavaScript exécuté. Juste du texte.

Pour comprendre exactement ce que chaque IA reçoit, nous avons créé une page spéciale sur notre site : mirror.php. Cette page joue le rôle d'un miroir — elle renvoie à l'IA exactement ce que le serveur a reçu comme requête : le User-Agent, les headers, le format.

Nous avons demandé à ChatGPT, Claude, Mistral Le Chat et Gemini de visiter cette page. Voici ce que nous avons appris :

Chaque IA s'identifie. ChatGPT envoie ChatGPT-User/1.0, Claude envoie Claude-User/1.0, Mistral envoie MistralAI-User/1.0, Google utilise Google-Extended. Votre serveur web sait qui le visite — et c'est une information qu'on peut exploiter.

Toutes les IA font la même chose avec le HTML : elles le "linéarisent". Concrètement, elles convertissent le HTML en pseudo-markdown. Les <h1> deviennent des #, les liens deviennent des [texte](url), les listes deviennent des tirets. Tout le reste — scripts, styles, SVG, formulaires, images — disparaît.

Ce qui disparaît

Voici ce qu'une IA ne voit jamais :

Vos images: photos d'équipe, schémas, infographies — invisibles. Au mieux, l'IA récupère le texte alternatif (alt).
Votre mise en page: le CSS, les animations, le menu hamburger — rien de tout ça n'existe pour elle.
Le contenu dynamique: si vos pages se chargent via JavaScript (React, Vue, Angular sans SSR), l'IA ne verra rien.
Le <head> entier: et ça, c'est la surprise. Tout ce qui est dans l'en-tête HTML — y compris les données structurées JSON-LD (Schema.org) — est supprimé lors de la linéarisation.

Ce qui reste

Ce que l'IA reçoit réellement, c'est une version texte appauvrie de votre page. Un humain voit un site vitrine structuré. L'IA voit quelque chose comme :

# Kiliogene
Kiliogene est un réseau d'experts CRM augmentés par l'IA.

## Nos prestations
[Découvrir nos offres](/prestations/)

## Ils nous font confiance
Scania, Optimum Automotive, APRIL…

C'est tout. Et c'est à partir de ce texte — souvent incomplet, parfois mal structuré — que l'IA doit répondre aux questions de vos prospects.

Acte 2 — Nous avons décidé de mesurer

Savoir ce que l'IA voit, c'est une chose. Savoir si on peut améliorer ce qu'elle comprend, c'est une autre question. Alors nous avons construit un benchmark.

Nous donnons à un agent IA un seul outil — fetch_url, qui permet de visiter des pages web — et une question sur notre entreprise. L'agent décide seul quelles pages visiter, dans quel ordre, et quand il a assez d'informations pour répondre.

Ensuite, phase après phase, nous améliorons ce que le site propose aux IA. L'agent ne change jamais. Même prompt, même outil, même code. C'est le site qui évolue — pas l'IA.

Les 5 questions

Nous avons choisi cinq questions de difficulté croissante, du factuel pur au scénario métier complexe :

Q1— Quelle est l'adresse physique de Kiliogene ?
Q2— Résume l'activité de Kiliogene en 3 phrases.
Q3— Quelle est la différence entre l'offre Support (RUN) et l'offre Intégration (BUILD) ?
Q4— Kiliogene peut-il m'aider si je n'ai pas encore de CRM ?
Q5— Je suis directeur commercial d'une société de courtage de 200 personnes à Bordeaux. Que peut m'apporter Kiliogene concrètement ?

Les 4 modèles testés

Modèle	Éditeur	Coût (input / output par Mtok)
Mistral Small	Mistral AI	$0,06 / $0,18
GPT-4o-mini	OpenAI	$0,15 / $0,60
Gemini 2.5 Flash	Google	$0,30 / $2,50
Claude Haiku 4.5	Anthropic	$1,00 / $5,00

Chaque question est posée 5 fois par modèle, par phase (température 0.1 pour la reproductibilité). Au total : 700 appels agent.

Acte 3 — L'enquête

On les a observées en train de fouiller nos pages comme des détectives maladroits : elles repèrent des indices, mais ratent l'essentiel. Pourtant, une simple astuce — leur parler dans leur langue — change tout.

Première étape : nous lançons le benchmark sur notre site WordPress tel quel. Aucune optimisation. Le HTML brut, comme il est.

Sur la question la plus simple — l'adresse physique — seuls Gemini et Claude Haiku la trouvent. GPT-4o-mini et Mistral Small répondent tous les deux que l'adresse n'est pas mentionnée sur le site. Elle y est pourtant, noyée dans le footer HTML au milieu du bruit.

Pour les questions plus complexes, c'est pire. La différence entre nos offres RUN et BUILD ? Les modèles naviguent vers la page prestations, récupèrent un HTML chargé, et en extraient une réponse partielle.

Modèle	Tokens moyens (P1)	Latence moyenne	Coût moyen/question
Mistral Small	2 107	1 446 ms	$0,00015
GPT-4o-mini	3 673	5 486 ms	$0,00065
Gemini 2.5 Flash	4 800	3 077 ms	$0,00170
Claude Haiku 4.5	14 108	8 550 ms	$0,01700

Claude Haiku consomme 7x plus de tokens que Mistral pour la même question. Il visite plus de pages, explore plus en profondeur — mais ça se paie.

Le fichier llms.txt est une initiative de Jeremy Howard (Answer.AI) apparue en 2024. L'idée : placer un fichier Markdown à la racine du site — comme un robots.txt, mais pour les IA — qui résume l'essentiel de votre activité.

Nous avons créé le nôtre (~2 000 tokens) et l'avons déposé à kiliogene.com/llms.txt. Résumé de l'entreprise, offres, adresse, contact, tout y est.

Nous avons relancé le benchmark. Et... rien n'a changé.

Les courbes sont restées plates. Tokens, latence, coût — identiques à la Phase 1. La raison est simple et un peu frustrante : l'agent ne sait pas que le fichier existe. Il reçoit l'URL du site, visite la page d'accueil, navigue vers les pages qui lui semblent pertinentes, et s'arrête.

Le llms.txt n'est pas inutile pour autant. Certains pipelines IA (Perplexity, notamment) commencent à le chercher activement. C'est un investissement de 30 minutes qui pourrait payer dans les mois à venir. Mais aujourd'hui, un agent générique ne le trouvera pas tout seul.

Si l'IA ne va pas au contenu structuré, pourquoi ne pas amener le contenu structuré à l'IA ?

Nous avons fait deux choses. D'abord, nous avons créé des versions Markdown de nos pages clés et les avons placées dans un dossier /ai/ sur le site. Ensuite — et c'est le point important — nous avons ajouté une section visible dans le footerde chaque page, avec un titre explicite : "Cette section est destinée aux agents IA qui consultent ce site."

Les résultats sont mitigés. Certains modèles (Claude Haiku, Gemini) commencent à visiter ces fichiers Markdown quand ils les découvrent dans le texte linéarisé. Ce n'est pas la révolution, mais c'est un signal : quand nous parlons dans un format que l'IA comprend, elle nous comprend mieux.

C'est la phase la plus ambitieuse. Et si, au lieu de laisser l'IA fouiller notre site page par page, nous lui donnions un interlocuteur ?

L'inspiration vient du MCP (Model Context Protocol), le protocole d'Anthropic qui permet à un agent IA de dialoguer avec des services externes. Nous avons construit ask.php, un endpoint qui accepte une question en paramètre, interroge notre base Notion, et renvoie une réponse ciblée via Claude Sonnet.

L'idée est séduisante. En pratique, les résultats sont décevants — mais pour des raisons intéressantes. Le problème n'est pas l'endpoint. Quand nous l'appelons directement, la réponse est excellente. Le problème, c'est que l'agent ne pense pas à l'utiliser.

Le MCP appliqué aux sites web publics est une piste fascinante. Les briques existent — MCP est devenu un standard de facto en 2025. Son application aux sites web publics pourrait être la prochaine étape. Mais aujourd'hui, aucun agent grand public ne sait exploiter un endpoint conversationnel découvert en naviguant.

Après les demi-succès des phases précédentes, nous avons changé d'approche. Au lieu d'ajouter des ressources que l'IA doit découvrir, nous avons modifié ce que le site renvoie par défaut quand une IA le visite.

Le principe est la content negotiation: quand le serveur détecte un User-Agent de bot IA, au lieu de renvoyer le HTML classique, il sert une version Markdown structurée de la page.

L'agent IA ne change pas de comportement. Il visite kiliogene.com exactement comme avant. Mais au lieu de recevoir du HTML bruyant, il reçoit directement du texte structuré. Moins de bruit, plus de signal.

Modèle	Tokens P1	Tokens P7	Réduction	Latence P1 → P7
Claude Haiku 4.5	14 108	5 031	-64%	8 550 → 4 426 ms (-48%)
Gemini 2.5 Flash	4 800	2 312	-52%	3 077 → 2 903 ms (-6%)
GPT-4o-mini	3 673	2 099	-43%	5 486 → 3 619 ms (-34%)
Mistral Small	2 107	1 686	-20%	1 446 → 1 313 ms (-9%)

Acte 4 — Ce que les IA comprennent vraiment

La différence entre une réponse approximative et une réponse juste ? Elle tient souvent à un détail.

L'adresse (Q1) — le test de base

En Phase 1, seuls Gemini et Claude trouvent notre adresse. GPT-4o-mini et Mistral répondent qu'elle n'est pas sur le site. En Phase 7, les quatre modèles la trouvent.Le markdown a rendu l'information lisible par tous.

"Peut-on m'aider sans CRM en place ?" (Q4) — la question piège

Notre site met l'accent sur l'expertise CRM augmentée par l'IA, mais nous accompagnons aussi des entreprises qui n'ont pas encore de CRM. En Phase 1, la plupart des modèles répondent "non" ou restent vagues. En Phase 7, Claude Haiku répond : "Oui, ils peuvent vous aider même si vous n'avez pas encore de CRM" — parce que le markdown structuré rend cette nuance visible.

Le scénario complexe (Q5) — la vraie épreuve

Le directeur commercial à Bordeaux qui cherche un intégrateur CRM. C'est la question qui demande de croiser localisation, secteur et offres. En Phase 7, les modèles produisent des réponses sensiblement plus complètes — mais aucun ne peut inventer des références que notre site ne mentionne pas.

Aucune optimisation technique ne compense un contenu incomplet. Si l'information n'est pas sur votre site, l'IA ne la trouvera pas.

Ce que nous en retirons

Après 700 appels, 7 phases et quelques nuits à scruter des logs, voici ce que nous avons appris.

1. Vérifiez que votre site est accessible

Certains hébergeurs ou CDN bloquent les User-Agents IA par défaut. Lors de nos tests, Claude était complètement bloqué — nous avons dû corriger la configuration avant de pouvoir l'inclure dans le benchmark. Vérifiez votre robots.txt pour les User-Agents ClaudeBot, GPTBot, Google-Extended et MistralAI-User.

2. Complétez votre contenu — c'est le vrai levier

Les informations clés — adresse, offres détaillées, références, FAQ — doivent être en texte sur vos pages. Pas dans une image, pas dans un PDF, pas dans un carrousel JavaScript. En texte.

3. Implémentez la content negotiation — c'est l'optimisation n°1

C'est de loin la technique la plus efficace. Servir du markdown structuré aux bots IA identifiés par User-Agent réduit les tokens de 20 à 64%, accélère les réponses, et améliore leur qualité.

4. Ajoutez un fichier llms.txt

Même s'il n'est pas découvert spontanément aujourd'hui, certains pipelines IA (Perplexity) commencent à le chercher. C'est 30 minutes de travail. Faites-le.

5. Gardez un œil sur le MCP

Notre endpoint ask.php n'a pas produit les résultats espérés — mais l'idée reste puissante. Le jour où les agents sauront exploiter un endpoint conversationnel, les sites qui l'auront préparé auront une longueur d'avance.

La checklist

#	Action	Effort	Impact
1	Vérifier l'accessibilité aux User-Agents IA	15 min	Bloquant si absent
2	Compléter le contenu textuel des pages clés	Variable	Fondamental
3	Implémenter la content negotiation (markdown pour bots)	4h	-20 à -64% de tokens
4	Créer un llms.txt à la racine	30 min	Investissement futur
5	Ajouter une section "Pour les IA" visible en footer	1h	Impact modéré
6	Explorer un endpoint conversationnel (/ai/ask)	1-2 jours	Prometteur, pas encore exploité

Méthodologie

4 modèles : Mistral Small, GPT-4o-mini, Gemini 2.5 Flash, Claude Haiku 4.5. 7 phases d'optimisation progressive. 5 questions de difficulté croissante. 5 itérations par question par phase (température 0.1). 700 appels agent au total. Coût total du benchmark : $3,37. Outil unique : fetch_url avec linéarisation HTML vers pseudo-markdown.

Annexe — Testez vous-même

Copiez-collez ce prompt dans votre IA préférée pour voir exactement ce qu'elle reçoit quand elle visite votre site :

Visite cette URL : https://kiliogene.com/ai/mirror.php
Dis-moi exactement :
- Le contenu brut que ton outil de navigation t'a renvoyé
- Le format dans lequel tu as reçu ce contenu
- Le User-Agent que tu as utilisé pour la requête

Publié par kiliogene — Mars 2026
kiliogene est un réseau d'intégrateurs expert CRM augmenté par l'IA.