// guide
Pourquoi « quel LLM utilisez-vous ? » n’est pas la bonne question

Auteur: Dmitry Filippov, Founder, GET-GEO.AI
Publié: 2026-08-03 · Mis à jour: 2026-11-18
// réponse courte
Le comportement d’un modèle dépend du système qui l’entoure : recherche, outils, instructions, classement et contrôles de sécurité. Un même modèle peut donc citer des sources différentes selon le produit. Le GEO (Generative Engine Optimization) porte sur la manière dont chaque produit trouve et lit les pages, et sur les sources externes qui confirment les informations de ces pages.
- « Quel LLM ? » est la mauvaise question : un même modèle placé dans deux produits, les agents cloud de Cursor et Claude Tag (Anthropic, juin 2026), reçoit du harness deux fonctions différentes.
- Un harness a quatre composants : le prompt système, les outils, le contexte et la mémoire, et la boucle de travail ; changez-les et le même modèle devient un autre produit.
- Avant de payer pour un modèle plus puissant, vérifiez les quatre composants du harness : changer de modèle n’ajoute ni outils, ni mémoire, ni accès aux données que le produit ne lui donne pas.
- Quand un assistant cherche, trois étapes : un outil trouve des pages, un analyseur extrait le texte, le modèle compose. Notre étude de septembre 2026 relève 22 réponses ChatGPT sur 52 sans lien source relevé.
- Mesurez séparément chaque produit d’un fournisseur. Sur 20 réponses de l’application Gemini et de l’AI Mode (notre test du 14 septembre 2026), une URL source complète figurait dans les deux. Un jour, URL incomplètes.
Un même modèle peut remplir des fonctions différentes
Quand une entreprise évalue un outil d’IA, elle commence souvent par demander quel modèle il utilise : GPT ou Claude, quelle version, et si la dernière version améliorera le produit. Ces questions sont raisonnables, mais elles disent peu des outils et des informations que le produit peut utiliser pour accomplir une tâche.
Supposons qu’un même modèle se trouve dans deux produits qui reçoivent tous deux des demandes dans Slack. Le premier, ce sont les agents cloud de Cursor, un produit de développement : lancé par une mention @cursor, un agent s’exécute dans une machine virtuelle isolée, sur un modèle que vous choisissez dans la liste de Cursor, clone le dépôt, écrit et teste la modification, et peut ouvrir une pull request.
Le second est Claude Tag, qu’Anthropic a lancé en bêta le 23 juin 2026 : Claude rejoint les canaux Slack sélectionnés en tant que membre de l’équipe, se construit un contexte à partir de ce qu’il y lit et se connecte aux outils, aux données et aux bases de code qu’un administrateur choisit. Il peut aussi écrire du code, mais dans un canal configuré pour le travail commercial, il pourrait tout aussi bien relire un échange avec un client et proposer une réponse à une troisième demande de remise.
Dans ce scénario, le modèle sous-jacent est le même, mais les produits lui donnent des rôles, des outils et un contexte différents. Un agent de code peut être capable de discuter d’une conversation avec un client, mais il lui manquera l’information et le flux de travail d’un outil conçu pour cette tâche.
Qu’est-ce qu’un harness ?
Un harness est l’ensemble du logiciel et de la configuration qui entoure un modèle : les instructions, les outils, le contexte et le flux de travail qui en font un produit utilisable.
- Le prompt système : les instructions qui définissent le rôle, la tonalité, les priorités et les limites. Il décide si un agent ramène chaque tâche à du code ou raisonne sur l’activité de l’entreprise.
- Les outils : ce à quoi l’agent a accès. Un terminal et git en font un programmeur. Un CRM et une messagerie en font un assistant commercial. La recherche web et un robot d’exploration en font un analyste qui lit votre site et ceux de vos concurrents avant de conseiller.
- Le contexte et la mémoire : ce que l’agent sait de vous. L’historique des canaux, les documents de l’entreprise, les décisions passées. Un modèle sans contexte vous rencontre pour la première fois à chaque conversation.
- La boucle de travail : la façon dont le cycle est organisé, qu’il s’agisse d’une réponse unique, d’une longue session autonome, d’une autovérification ou d’un renvoi à un humain.
Changez le harness, changez le produit
Changez le harness, et le même modèle devient un autre produit : il reçoit un autre rôle, d’autres outils et d’autres informations pour travailler. L’inverse compte quand un produit déçoit. Changer de modèle ne peut pas ajouter un outil, une mémoire ou un accès aux données que le produit ne lui donne pas : nous conseillons donc de vérifier le harness avant de payer pour un modèle plus puissant. Nous n’avons pas comparé nous-mêmes les modèles aux harness ; voyez-y une règle de travail, et testez-la sur votre propre tâche.
Pourquoi cela concerne votre site
Tout cela s’applique non seulement aux outils que vous achetez, mais aussi à la façon dont l’IA voit votre entreprise. Quand un client potentiel demande à ChatGPT, Claude ou Perplexity « quel service choisir pour X », le harness décide d’abord s’il faut chercher sur le web. Dans notre étude sur les pages que citent les assistants, menée les 14 et 15 septembre 2026, 22 des 52 réponses de ChatGPT (session non connectée, recherche web activée) ne comportaient aucun lien source que nous ayons pu relever : soit aucune recherche n’avait eu lieu, soit l’interface affichait des libellés de sources sans URL, et notre chiffre ne distingue pas les deux cas. Quand une recherche a lieu, un outil de recherche trouve des pages, un analyseur en extrait le texte, et c’est seulement ensuite que le modèle compose une réponse. À chaque étape, votre site passe le filtre ou ne le passe pas.
Le produit qui répond peut aussi changer l’origine des sources. Le 14 septembre 2026, nous avons posé cinq questions d’acheteurs de GEO, deux fois chacune, dans l’application Gemini et dans l’AI Mode de Google, deux produits d’un même fournisseur : sur ces 20 réponses, une des URL sources complètes que nous avons pu retrouver figurait dans les deux (la vérification est décrite dans notre guide pour être cité par Gemini). Le 27 septembre 2026, nous avons soumis à ChatGPT 30 questions sur des entreprises locales, deux fois chacune, dans huit niches à Houston, Miami et Londres : dans les 55 réponses qui affichaient une carte, 280 des 305 entreprises qu’il nommait figuraient aussi sur les fiches de la carte, signe qu’un outil de fiches d’entreprises, une autre partie du harness que la recherche web, façonne cette liste restreinte. Ce sont deux vérifications d’un jour, en anglais. Pour trois des cinq questions Gemini, les URL complètes n’ont pas pu être retrouvées, l’AI Mode affichait une partie de ses sources sous forme de libellés sans URL, et la vérification n’a pas établi quelle version du modèle répondait dans chacun des produits. Lisez-la comme un premier aperçu de deux produits qui listent des sources différentes, et non comme un même modèle qui se comporterait de deux façons.
Un beau site construit sur beaucoup de JavaScript côté client peut être invisible pour l’analyseur. Une page sans structure claire (titres, faits, précisions) peut être lue sans être citée : le modèle n’a pas grand-chose à en reprendre. Avec peu de mentions sur des sources externes, l’étape de recherche n’a guère que vos propres pages à trouver. Cela peut suffire pour une question étroite : lors de six sessions propres sur ChatGPT les 13 et 17 août 2026, les questions sur une agence GEO multilingue ont placé GET-GEO.AI en tête à chaque fois, et la réponse du 17 août citait notre site dans le texte. Il s’agit d’un seul moteur et de notre propre marque, sur des questions étroites, et les citations de ces exécutions comprenaient aussi nos profils Crunchbase, LinkedIn et Trustpilot. Pour une question large du type « meilleur X », prévoyez que des pages tierces portent une partie de la réponse : sur les questions de choix d’un prestataire de l’étude de septembre citée plus haut, les annuaires et les comparateurs ont reçu 77 des 306 liens (25 %) sur l’ensemble de ses quatre assistants.
C’est exactement l’objet du GEO : optimiser non pas pour un algorithme de classement, mais pour le harness des systèmes génératifs, c’est-à-dire pour la façon dont les agents d’IA découvrent, lisent et reformulent votre contenu. Le SEO classique demandait : « comment entrer dans le top 10 des liens ? » Le GEO demande : « comment entrer dans la réponse elle-même ? »
Que faire de tout cela
Quand vous choisissez un outil d’IA, vérifiez si ses outils, son accès aux données et son flux de travail correspondent à la tâche. Cela peut compter plus que l’usage du modèle le plus performant.
Quand vous construisez un outil d’IA interne, définissez d’abord le rôle de l’agent, les informations qu’il peut voir, les actions qu’il peut accomplir et l’endroit où il doit s’arrêter. Choisissez le modèle à l’intérieur de cette conception ; il peut changer à mesure que les besoins évoluent.
Pour la visibilité de votre site, pensez à ce qu’un assistant peut récupérer et utiliser sur vos pages. Une information claire et accessible lui donne un contexte utile pour répondre à la question d’un client. Vérifiez chaque assistant séparément et posez chaque question plus d’une fois : comme le suggèrent les vérifications ci-dessus, un résultat obtenu dans un produit peut ne pas se retrouver dans un autre. Nous mesurons quatre moteurs par langue : ChatGPT, Perplexity, Gemini et Google AI Overviews ou AI Mode là où ils sont proposés.
Questions fréquentes
Qu’est-ce qu’un harness dans les produits d’IA ?
Le harness est tout ce qui entoure un modèle de langage et en fait un outil qui fonctionne : le prompt système, les outils qu’il peut appeler, le contexte et la mémoire qu’il a de vous, et la boucle de travail qui structure son action. Changez le harness, et le même modèle devient un autre produit.
Passer à un modèle plus récent corrige-t-il un produit faible ?
Pas à lui seul, si la faiblesse vient du harness. Un modèle plus puissant ne peut ni appeler des outils que le produit ne lui donne pas, ni lire des données inaccessibles. Mieux vaut lister les besoins de la tâche (outils, mémoire, accès aux données, boucle de travail), combler les manques, puis comparer les modèles sur cette tâche.
En quoi l’idée de harness est-elle liée au GEO ?
Quand ChatGPT, Claude ou Perplexity répond à une question commerciale, son harness décide s’il cherche sur le web. Si oui, la recherche trouve des pages, un analyseur extrait le texte, puis le modèle répond. Le GEO prépare à ces étapes votre site et les sources externes qui vous décrivent, pour que les assistants vous trouvent, vous lisent et vous citent.
Faut-il ignorer quel LLM utilise un outil ?
Non, le modèle compte encore. Traitez-le comme un élément parmi d’autres. Demandez d’abord si le harness correspond à votre tâche : le rôle, les outils, l’accès à vos données et la conception de la boucle de travail. Le modèle peut souvent être changé plus tard : nous conseillons donc de régler d’abord le harness.
Guides associés
Sources
- 01Anthropic — présentation de Claude Tag (23 juin 2026)
- 02Anthropic — vue d’ensemble de Claude Managed Agents (comment Anthropic emploie le terme « agent harness »)
- 03Cursor — documentation des Cloud Agents (anciennement Background Agents)
- 04Aggarwal et al., GEO : Generative Engine Optimization (2023), arXiv:2311.09735
- 05Notre étude : quels types de pages les assistants IA citent (569 liens, quatre assistants, 14 et 15 septembre 2026)
- 06Notre étude : d’où ChatGPT tire les notes des entreprises (vérification de la carte et des notes, 27 septembre 2026)
- 07Notre guide : comment se faire citer par Gemini et l’AI Mode de Google (avec la vérification de l’application Gemini et de l’AI Mode du 14 septembre 2026)
- 08Notre étude de cas : six exécutions en session propre sur des questions GEO multilingues (13 et 17 août 2026)
// partager
Comment citer cette page
Vous pouvez citer et réutiliser ce contenu en mentionnant la source et en ajoutant un lien vers cette page.
“Pourquoi « quel LLM utilisez-vous ? » n’est pas la bonne question” — GET-GEO.AI, 2026-11-18. https://get-geo.ai/fr/guides/model-vs-harness