Comment fonctionne le GEO en hindi ?

Le hindi est la troisième langue la plus parlée au monde — plus de 600 millions de personnes selon le décompte d'Ethnologue — et la langue de contenu de moins de 0,1% des sites web. Aucune autre langue dans laquelle nous travaillons n'a un ratio locuteurs-contenu aussi déséquilibré : l'hébreu, avec 0,4% du web, sert environ neuf millions de locuteurs ; la mince part du hindi en sert six cents millions. Quand un assistant compose une réponse en hindi, il puise dans l'un des corpus commerciaux les plus minces du web.

Cette minceur change qui est cité. Les assistants s'appuient soit sur la poignée de sources hindi structurées qui existent, soit se rabattent sur des pages anglaises et traduisent à la volée — ce qui veut dire que les rares sources hindi natives qui répondent proprement à une question sont citées encore et encore. Dans les niches anglaises encombrées, une place de citation se gagne en des mois de corroboration ; en hindi, une seule page bien structurée peut l'occuper presque sans concurrence.

Ce guide est le compagnon linguistique de notre guide sur le marché indien, qui couvre le marché lui-même — nombres d'utilisateurs, prompts au niveau des métropoles, schémas de sensibilité au prix. Ici nous restons sur la langue : ce que le dévanâgarî fait aux octets et aux tokens, comment le hinglish se comporte dans le retrieval, et pourquoi le travail d'entité en hindi voyage au-delà des frontières de l'Inde.

Le dévanâgarî a un coût mécanique que la plupart des équipes ne voient jamais. En UTF-8, chaque caractère dévanâgarî pèse trois octets, le même contenu pèse donc environ trois fois son équivalent anglais. Les budgets de crawl le sentent, les exports lisibles par les machines le sentent — sur notre propre site, l'export hindi llms-full nous a forcés à doubler la limite de taille — et tout ce qui tronque au nombre d'octets tronque le hindi en premier.

La tokenisation aggrave le problème. Les tokenizers des grands modèles sont entraînés surtout sur l'anglais et l'écriture latine, et ils fragmentent le dévanâgarî en bien plus de tokens par phrase : la recherche sur l'équité des tokenizers a mesuré des écarts allant jusqu'à 15 fois entre langues pour le même texte. En pratique, moins de hindi tient dans une fenêtre de contexte, les extraits de retrieval se coupent plus tôt, et les pages verbeuses perdent leurs affirmations clés à la troncature.

Le remède est structurel, pas ingénieux : des passages courts et autonomes qui énoncent le nom de marque et l'affirmation dès la première phrase, des formes simples et répétées plutôt qu'une variation élégante, et des titres qui correspondent à la façon dont les questions sont réellement posées. L'écriture « réponse d'abord » compte dans toutes les langues ; en hindi, l'économie des tokens la rend non négociable.

Une grande part des vrais prompts hindi ne touche jamais le dévanâgarî. Les utilisateurs tapent une grammaire hindi en écriture latine, avec le vocabulaire commercial anglais — noms de marque, catégories, « best », « price » — mêlé au milieu de la phrase. Cette alternance de codes est assez structurelle pour que des chercheurs en NLP aient bâti un benchmark autour (GLUECoS, dont l'anglais-hindi est l'une des deux paires), et le retrieval traite la forme dévanâgarî, la forme hinglish et la forme anglaise de la même question comme trois formulations différentes, qui atteignent trois bassins de sources différents.

Le hinglish ajoute une complication que les deux autres modes n'ont pas : aucune orthographe standard. Le même mot se romanise « accha », « acha » ou « achha » ; « kaise » rivalise avec « kese » ; « zyada » avec « jyada ». On ne règle pas ça avec un site hinglish à part — le hinglish est un mode de retrieval, pas une locale. On le règle avec des passages qui nomment la marque et la catégorie dans les deux écritures, pour que la correspondance à écritures mélangées les trouve, et avec une batterie de prompts hinglish mesurée sur sa propre courbe.

Les modèles doivent apprendre que la graphie dévanâgarî et la graphie latine d'une marque sont la même entité — sinon les citations se scindent entre deux noms à moitié connus et aucun n'accumule d'autorité. Cela veut dire déclarer les deux formes délibérément : des données structurées avec des noms alternatifs, des profils qui écrivent les deux graphies, et des pages hindi qui impriment le nom de marque latin à côté du nom dévanâgarî, au lieu de laisser la correspondance au hasard. Les sources hindi mélangent habituellement les écritures au milieu de la phrase, ce qui joue en votre faveur — si vos propres pages posent d'abord l'appariement canonique.

Le travail d'entité en hindi voyage aussi. Les prompts hindi viennent de la diaspora aux Émirats, aux États-Unis et au Royaume-Uni, pas seulement d'Inde — notre guide sur Dubaï mène précisément une piste hindi dédiée pour cette raison, puisque la communauté indienne est le premier groupe de population des Émirats. Une source hindi que les assistants peuvent citer sert un acheteur à Lucknow et un acheteur à Dubaï depuis la même page ; la couche linguistique est un seul investissement, amorti sur tous les marchés où des locuteurs hindi posent des questions.

Le hindi n'est pas un pari sur l'avenir ; les surfaces sont en ligne. Google a lancé les AI Overviews en Inde en août 2024 en anglais et en hindi, avec un sélecteur de langue présenté comme une fonctionnalité India-first, et ChatGPT, Perplexity et Gemini répondent aujourd'hui aux prompts hindi et hinglish. Le corpus est mince et la plupart des marques ne l'ont pas remarqué — cette combinaison est toute l'opportunité.

Le hindi est l'une de nos neuf langues natives, et nous le mesurons comme nous mesurons toutes les autres : une batterie de prompts fixe par langue, définie dès le premier jour, des sessions propres et déconnectées sur ChatGPT, Perplexity et Gemini, et la part de voix plus le taux de citation suivis face à cette baseline du premier jour. Nous n'inventons pas de résultats clients — la méthode est d'abord appliquée à notre propre site et documentée avec des captures non retouchées dans notre étude de cas publique, le hindi figurant explicitement parmi les capacités vérifiées.