Une métrique de pertinence de récupération pour la recherche IA qui aide à expliquer pourquoi certaines pages sont citées dans les réponses des LLM et d’autres ne ressortent jamais.
Le Vector Salience Score est une étiquette pratique qui mesure à quel point l’intégration (embedding) d’une page correspond à l’intégration (embedding) d’une requête d’un prompt d’IA dans les systèmes de récupération (retrieval). C’est important, car une plus grande similarité sémantique peut augmenter les chances que votre contenu soit récupéré, cité ou utilisé dans des réponses générées par une IA, même lorsque vos classements des « liens bleus » restent stables.
Le Vector Salience Score mesure la similarité sémantique entre une requête représentée sous forme d’embedding et un document représenté sous forme d’embedding. Il est le plus souvent calculé par la similarité cosinus dans un index vectoriel. En travail GEO, c’est important, car la récupération intervient souvent avant la génération. Si votre page n’est pas récupérée, elle ne peut pas être citée.
Formulation utile : ce n’est pas un facteur de classement de Google. C’est un signal de pertinence de récupération (retrieval) au sein des systèmes basés sur des embeddings. Cela inclut les pipelines RAG, certaines couches de réponse d’IA, et les produits de recherche interne. Une pile technologique différente, des règles différentes.
Plus le score est élevé, plus votre page est alignée sémantiquement avec un ensemble d’instructions (prompt) ou de questions. Les équipes le calculent généralement en intégrant (embedding) un ensemble de prompts cibles et le contenu des pages, puis en comparant les vecteurs dans Pinecone, Weaviate, pgvector ou une infrastructure similaire.
Cela le rend actionnable. Vous pouvez benchmarker des pages, comparer des concurrents et repérer une couverture faible que les outils de mots-clés ne voient pas. Ahrefs et Semrush aident encore pour la découverte de la demande. Ils ne calculent simplement pas la similarité d’embedding pour vous.
Le workflow logique est simple. Construisez un ensemble de prompts à partir des requêtes de la Google Search Console, de People Also Ask, de tickets d’assistance, de fils Reddit et de la recherche sur site. Intégrez (embed) ces prompts. Intégrez vos pages. Ensuite, suivez quelles URLs obtiennent les meilleurs scores pour les prompts à forte intention.
En pratique, les équipes observent souvent les variations relatives plutôt que des seuils absolus. Une progression de 0,62 à 0,74 face à un ensemble de prompts commerciaux est utile. Affirmer que 0,80 est la cible pour tous les modèles est du non-sens.
Une couverture claire des entités. Des introductions serrées. Une terminologie cohérente. Une pertinence forte au niveau des passages. Les liens internes aident un peu lorsqu’ils renforcent le contexte du sujet, mais ils ne corrigent pas magiquement un contenu source faible.
Le chunking compte aussi. Une page peut être globalement pertinente, mais perdre de la récupération si le passage utile est enfoui à 1 500 mots de profondeur dans une configuration de chunking médiocre. C’est là que de nombreuses approches GEO se fissurent : elles incriminent la qualité du contenu alors que le vrai problème se situe dans le pipeline de récupération.
Voici la partie honnête : le Vector Salience Score n’est pas standardisé. OpenAI, Anthropic, Google, Perplexity et les systèmes RAG d’entreprise sur mesure ne publient pas une métrique unique partagée. Votre score dépend du modèle d’embedding, de la taille des chunks, de la méthode de normalisation et de l’ensemble de prompts. Changez un seul de ces éléments et le nombre bouge.
John Mueller de Google a confirmé en 2025 que les équipes SEO doivent faire attention à inventer des métriques précises de visibilité IA qui ne sont pas exposées par les systèmes de Google. Il a raison. Utilisez-le comme un diagnostic interne, pas comme un KPI universel.
Traitez donc la saillance vectorielle comme la profondeur de crawl ou la DR : utile. Pédagogique et indicative. Facile à détourner quand les gens prétendent que c’est une vérité terrain.
Une métrique de stabilité des prompts pour tester si des …
Comment régler l’aléa (randomness) des LLM pour des contenus orientés …
Une approche GEO pour transformer un sujet important en un …
Optimisez les fichiers image, le contexte de page et les …
Un cadre de test pour mesurer la manière dont les …
Maintenez vos réponses IA ancrées à des sources actualisées en …
Get expert SEO insights and automated optimizations with our platform.
Get Started Free