Chunking
Le chunking est l'opération par laquelle un système de Retrieval-Augmented Generation (RAG) divise un document en blocs de texte plus courts (appelés chunks) avant de les indexer, les vectoriser et les évaluer individuellement lors d'une requête utilisateur. Un chunk correspond typiquement à un paragraphe ou une section délimitée par un titre H2, et contient généralement entre 200 et 800 tokens. C'est à ce niveau (le chunk, et non la page entière) que les moteurs de réponse IA évaluent la pertinence d'un contenu avant de l'intégrer à une réponse générée.
Pour les équipes de contenu, le chunking a une conséquence directe sur la stratégie AEO (Answer Engine Optimization) : un moteur de réponse comme Perplexity, ChatGPT Search ou Google AI Mode ne lit pas une page de haut en bas. Il en extrait des blocs isolés, évalués indépendamment de leur contexte d'origine. Un contenu dont chaque section est autonome, formulée directement et factuellement dense maximise ses chances d'être sélectionné, quel que soit le reste de la page.
Pourquoi les systèmes RAG découpent-ils les contenus en chunks ?
Les systèmes RAG découpent les documents en chunks pour deux raisons fondamentales : les contraintes techniques des grands modèles de langage (LLM), et la nécessité de cibler précisément les passages les plus pertinents pour une requête donnée. Les LLM disposent d'une fenêtre de contexte limitée (la quantité maximale de texte qu'ils peuvent traiter en une seule fois). Envoyer l'intégralité d'une page web de 3 000 mots à un LLM dépasserait cette limite pour la plupart des requêtes courantes, et diluerait l'information pertinente dans un volume de texte trop important. Le chunking résout ce problème en rendant chaque bloc individuellement indexable et récupérable. (Weaviate, Chunking Strategies for RAG, 2025)
La deuxième raison est la précision de la récupération. Dans un pipeline RAG, chaque chunk est converti en un vecteur numérique (un embedding) qui représente sa signification sémantique. Lorsqu'un utilisateur soumet une requête, le système compare le vecteur de cette requête aux vecteurs de tous les chunks indexés, et sélectionne les plus proches sémantiquement. Un chunk qui mélange plusieurs idées distinctes produira un vecteur « moyen » peu représentatif d'aucune d'elles, et sera donc mal positionné pour répondre à des requêtes spécifiques. Un chunk centré sur une seule idée claire produira un vecteur précis, directement aligné sur les requêtes correspondantes.
Pour les producteurs de contenu, cette mécanique a une implication concrète : la structure d'une page n'est pas seulement un enjeu de lisibilité humaine. Elle détermine comment le système RAG va segmenter le document, et donc quels blocs seront ou non candidats à la récupération. Une page sans structure claire (un flux continu de texte sans titres intermédiaires, sans paragraphes thématiquement distincts) sera découpée de manière arbitraire, produisant des chunks incohérents peu susceptibles d'être sélectionnés pour des requêtes précises.
Ressources :
Quelle est la taille idéale d'un chunk pour les moteurs de réponse IA ?
La taille standard d'un chunk dans les pipelines RAG orientés recherche web se situe entre 200 et 800 tokens, soit approximativement 150 à 600 mots. (Vydera Lab, What Is RAG, 2026) Cette fourchette reflète un équilibre entre deux contraintes opposées : des chunks trop courts perdent leur cohérence sémantique et manquent de contexte pour être interprétés correctement ; des chunks trop longs mélangent plusieurs idées et produisent des embeddings imprécis, difficiles à aligner sur des requêtes spécifiques.
Des recherches comparatives sur différentes stratégies de chunking montrent que le découpage récursif à 400-512 tokens avec un chevauchement de 10 à 20 % entre chunks consécutifs représente le meilleur point de départ pour la majorité des types de contenus. (Firecrawl, Best Chunking Strategies for RAG, 2025) Le chevauchement (chunk overlap) consiste à répéter les derniers tokens d'un chunk au début du suivant, afin de préserver le contexte qui pourrait être coupé à la frontière entre deux blocs. Cette technique compense l'une des limites du découpage arbitraire.
Pour les équipes AEO, la taille idéale d'un chunk se traduit en pratique par des paragraphes de 100 à 250 mots, centrés sur une seule idée. Un paragraphe qui commence par une affirmation directe, développe cette affirmation avec des détails factuels, et se conclut sans introduire un nouveau sujet correspond précisément au profil d'un chunk performant. Cette cadence rédactionnelle (une idée par paragraphe, une réponse directe par section) est aussi la plus lisible pour un lecteur humain, ce qui en fait un standard compatible avec les exigences SEO et AEO simultanément.
Ressources :
Quelles sont les principales stratégies de chunking ?
Les systèmes RAG utilisent plusieurs stratégies de chunking, qui varient selon le type de document traité et l'objectif de récupération visé. Le chunking à taille fixe est l'approche la plus simple : le document est découpé en blocs d'un nombre prédéfini de tokens ou de caractères, sans tenir compte des frontières sémantiques. Rapide à implémenter, cette méthode présente l'inconvénient de couper des phrases ou des idées en plein milieu, produisant des chunks dont le sens peut être incomplet ou trompeur. (Weaviate, Chunking Strategies for RAG, 2025)
Le chunking sémantique est une approche plus sophistiquée : au lieu de découper selon une limite de taille arbitraire, le système identifie les ruptures thématiques dans le texte (les moments où le sujet change) pour définir les frontières entre chunks. Chaque chunk représente alors une unité de sens cohérente. Cette méthode produit des blocs plus exploitables par le LLM, mais elle est plus coûteuse en calcul. Le chunking structurel, quant à lui, exploite les balises de la page (titres H2, paragraphes HTML, séparateurs de section) pour définir les frontières de découpage. Pour les contenus web bien structurés, c'est souvent la stratégie la plus efficace : elle aligne les chunks sur les unités éditoriales intentionnelles du contenu.
Du point de vue de l'AEO, la stratégie de chunking la plus favorable est celle que le contenu lui-même rend possible. Un article structuré avec des titres H2 thématiquement précis, des paragraphes d'ouverture directs et des sections autonomes sera découpé de manière cohérente quelle que soit la méthode utilisée par le moteur de réponse. Inversement, un contenu sans structure claire subira un découpage arbitraire indépendamment de la sophistication du système. La conclusion pratique est que l'optimisation pour le chunking commence dans l'éditeur de texte, pas dans le pipeline technique.
Ressources :
Comment la structure d'une page web influence-t-elle le chunking ?
La structure HTML d'une page web influence directement la façon dont un système RAG la découpe en chunks. Les crawlers des moteurs de réponse IA interprètent les balises structurelles (titres H1, H2, H3, balises de paragraphe <p>, séparateurs de section) comme des signaux de frontières sémantiques. Une page dont chaque section H2 introduit un sujet distinct, suivi de paragraphes qui développent exclusivement ce sujet, sera découpée en chunks thématiquement cohérents. (Search Engine Land, Content Chunking for Better SEO, 2025)
L'erreur la plus courante en matière de structure de page est de regrouper sous un même titre H2 des informations qui appartiennent à des sujets distincts. Le système de chunking interprète tout le contenu entre deux titres H2 comme une unité thématique. Si cette unité contient des informations hétérogènes, le chunk résultant produira un embedding « bruité », peu performant pour des requêtes ciblées. En revanche, une section H2 qui couvre précisément et complètement un sujet (et un seul) est le format idéal pour produire un chunk exploitable par un moteur de réponse.
Le rendu technique de la page joue également un rôle. Un contenu généré dynamiquement par JavaScript peut ne pas être correctement interprété par certains crawlers IA, qui peinent à exécuter des scripts au moment du crawl. Le HTML statique ou le rendu côté serveur (SSR) garantit que la structure de la page est immédiatement lisible, et donc que les frontières de chunking sont correctement détectées. Le balisage schema.org (notamment les types FAQPage, HowTo et DefinedTerm) fournit en complément des signaux sémantiques explicites qui renforcent la cohérence des chunks aux yeux des systèmes automatisés.
Enfin, le premier chunk d'un document est systématiquement le plus critique. Les systèmes RAG accordent un poids plus élevé aux premiers passages d'une page lors de l'évaluation de la pertinence globale du document. Une introduction qui commence par une définition directe du sujet (formulée dès la première phrase, avec le terme cible et une affirmation précise) produit un premier chunk à fort signal. Une introduction qui met plusieurs paragraphes à entrer dans le vif du sujet produit un premier chunk vague, qui pénalise l'ensemble de la page dans le processus de sélection. (Lantern, SEO vs AEO Writing, 2025)
Ressources :
Comment produire des contenus qui performent bien une fois découpés en chunks ?
Produire des contenus optimisés pour le chunking revient à écrire chaque section comme si elle devait être lue seule, sans le reste de la page. Le principe fondamental est l'autonomie sémantique : chaque paragraphe doit être compréhensible et utile hors de son contexte d'origine. Cela implique de nommer explicitement le sujet traité dans chaque section (en répétant le terme cible plutôt qu'en utilisant des pronoms ou des références anaphoriques comme « comme mentionné plus haut » ou « ce concept »). Une fois extrait de sa page, un chunk qui s'ouvre par « Ce mécanisme fonctionne… » est inexploitable. Un chunk qui s'ouvre par « Le chunking fonctionne… » est immédiatement citable.
La densité factuelle de chaque chunk est le deuxième levier. Les systèmes RAG évaluent les chunks en comparant leurs embeddings aux embeddings des requêtes utilisateurs. Les requêtes spécifiques (celles qui contiennent des noms propres, des chiffres, des termes techniques précis) génèrent des embeddings denses, qui se rapprochent de chunks eux-mêmes denses en informations factuelles. Un paragraphe qui formule une affirmation précise, l'illustre avec un exemple concret et la conclut avec une implication actionnable sera mieux récupéré qu'un paragraphe de même longueur qui généralise sans ancrage factuel. La règle pratique : au moins une affirmation vérifiable et attributable par chunk.
Sur le plan de la mesure, les outils d'audit AEO permettent d'évaluer si les pages d'un site sont effectivement citées dans les réponses des moteurs de réponse IA (et donc si leurs chunks sont sélectionnés lors des requêtes stratégiques). HubSpot AEO suit la fréquence de citation et la part de voix sur ChatGPT, Perplexity et Gemini, permettant aux équipes de repérer quelles pages performent bien dans les pipelines RAG et lesquelles nécessitent une révision structurelle. Combiner une stratégie éditoriale orientée chunking avec un suivi de citation régulier est la démarche la plus rigoureuse pour améliorer sa visibilité dans les moteurs de réponse IA.
Ressources :
Points clés à retenir : Chunking
Le chunking est le mécanisme par lequel les systèmes RAG (qui alimentent des moteurs de réponse comme Perplexity, ChatGPT Search et Google AI Mode) découpent les pages web en blocs de 200 à 800 tokens avant de les évaluer individuellement. Pour les équipes de contenu et d'Answer Engine Optimization (AEO), comprendre le chunking change fondamentalement l'approche rédactionnelle : une page n'est pas évaluée dans son ensemble, mais bloc par bloc. Les contenus qui performent le mieux dans les pipelines RAG sont ceux dont chaque section est sémantiquement autonome, factuellement dense et structurellement délimitée par des titres H2 thématiquement précis. Rédiger pour le chunking, c'est rédiger pour la citation.
Questions fréquentes sur le Chunking
Qu'est-ce qu'un chunk dans un système RAG ?
Quelle différence entre chunk size et chunk overlap ?
Les titres H2 constituent-ils des frontières de chunking ?
Le chunking affecte-t-il mon référencement SEO classique ?
Concepts associés
Retrieval-Augmented Generation (RAG)
Le RAG est l'architecture dans laquelle le chunking intervient. C'est parce que les systèmes RAG évaluent les documents bloc par bloc (et non page par page) que la structure et la granularité du contenu deviennent des variables directement actionnables pour les équipes AEO.
Embedding
L'embedding est l'étape qui suit immédiatement le chunking dans un pipeline RAG : chaque chunk est converti en un vecteur numérique représentant sa signification sémantique. La qualité d'un embedding dépend directement de la cohérence du chunk dont il est issu : un chunk thématiquement pur produit un embedding précis.
Passage Retrieval
Le passage retrieval est la phase de sélection des chunks les plus pertinents pour une requête donnée, sur la base de la similarité entre leurs embeddings. Le chunking détermine la qualité des unités qui entrent dans cette phase : des chunks mal formés produisent une récupération dégradée, indépendamment de la sophistication du système de retrieval.
Answer Engine Optimization (AEO)
L'AEO est la discipline qui consiste à optimiser ses contenus pour être cité par les moteurs de réponse IA. Comprendre le chunking est central à toute stratégie AEO : c'est au niveau du chunk que se joue la sélection ou l'exclusion d'un contenu dans une réponse générée.
AI Overviews
Les AI Overviews de Google sont l'une des implémentations RAG les plus visibles du web. Elles récupèrent et assemblent des chunks issus de pages indexées pour produire des réponses synthétiques en tête de résultats. La structure de chunking d'une page influence directement sa probabilité d'y apparaître.
Featured Snippet
Le Featured Snippet est le précédent SEO le plus proche du chunking : Google extrait un passage délimité d'une page pour le présenter directement dans les résultats. Les critères qui favorisent un Featured Snippet (réponse directe, paragraphe autonome, structure claire) sont les mêmes qui produisent un chunk performant dans un système RAG.