Comment le LLM fusionne les résultats (reranking)

Après la première recherche, un système IA se retrouve typiquement avec bien plus de passages candidats qu'il ne peut en utiliser dans une réponse. Un mécanisme de tri, appelé reranking, évalue et hiérarchise ces passages pour ne retenir que les plus pertinents. C'est à cette étape, discrète mais décisive, que se joue une grande partie de la question "qui sera cité et qui ne le sera pas". Contrairement à un algorithme de classement SEO, qui reste globalement stable dans le temps pour une même requête, le résultat du reranking peut varier d'une question à l'autre même sur un sujet proche, ce qui rend son observation encore plus délicate.

Pourquoi un tri est nécessaire après la recherche

La première étape de récupération de documents, qu'elle passe par un moteur de recherche classique ou par une base de données vectorielle, produit généralement une liste assez large de résultats potentiellement pertinents, sans garantie de précision fine. Cette première liste est volontairement large pour ne pas rater de contenu utile, mais elle contient aussi du bruit : des passages à peine liés au sujet, redondants entre eux, ou de qualité inégale. Le reranking sert à affiner cette liste, en évaluant chaque passage de façon plus fine par rapport à la question précise posée par l'utilisateur. Cette étape reste largement invisible pour un site : contrairement à une position dans les résultats Google, il n'existe pas de "page 2" du reranking que l'on puisse consulter pour comprendre pourquoi un passage a été écarté. C'est ce qui rend le sujet difficile à diagnostiquer sans outil de mesure dédié.

Le principe général du reranking

Dans une architecture RAG typique, un modèle spécialisé, souvent plus petit et plus rapide qu'un LLM complet, réévalue chaque passage candidat en le comparant directement à la question posée, plutôt qu'à une simple correspondance de mots-clés. Ce modèle attribue un score de pertinence à chaque passage, et seuls les passages les mieux notés sont transmis au modèle de langage pour la rédaction de la réponse finale. Certains systèmes combinent aussi plusieurs sources de résultats, par exemple une recherche par mots-clés et une recherche par similarité sémantique, puis fusionnent les deux classements en un seul ; les chercheurs décrivent souvent ce type de fusion sous le nom de "reciprocal rank fusion", une méthode qui favorise les passages bien classés dans plusieurs listes à la fois plutôt que ceux qui dominent une seule liste. Ce choix illustre un principe assez général du reranking : la robustesse d'un passage, c'est-à-dire sa capacité à rester pertinent selon plusieurs méthodes d'évaluation différentes, compte souvent davantage qu'une correspondance parfaite mais isolée avec un seul critère.

Ce qui rend un passage plus susceptible d'être bien classé

Sans prétendre connaître les critères exacts et pondérés de chaque système propriétaire, on peut observer, de façon générale, certaines caractéristiques qui favorisent un passage lors du reranking : une correspondance claire et directe avec l'intention de la question, une formulation qui répond sans détour plutôt que de tourner autour du sujet, une autonomie de sens qui permet de comprendre le passage sans avoir lu le reste de la page. À l'inverse, un passage noyé dans un contenu générique, qui nécessite du contexte externe pour être compris, ou qui reformule vaguement une question sans y répondre précisément, a statistiquement moins de chances d'être retenu à cette étape. Prenons un exemple : pour la question "quel est le délai de rétractation légal pour un achat en ligne", un passage qui commence directement par "le délai de rétractation légal est de 14 jours à compter de la réception du produit" a plus de chances d'être bien classé qu'un paragraphe qui commence par "la question des délais est complexe et dépend de plusieurs facteurs" avant d'arriver, quelques phrases plus loin, à la même information.

Le lien avec le chunking et la structure du contenu

Le reranking opère sur des passages, pas sur des pages entières. C'est pourquoi la façon dont votre contenu est découpé en amont, un processus appelé chunking, a une influence directe sur ce qui arrive jusqu'à cette étape de tri. Un article dont chaque section forme une unité de sens autonome donne au système davantage de "bons candidats" à évaluer, plutôt qu'un seul long bloc de texte où l'information utile est diluée. Ce mécanisme de découpage est expliqué en détail dans la leçon Le chunking : comment le LLM découpe votre contenu. Autrement dit, un contenu de qualité qui reste mal segmenté peut se retrouver pénalisé non pas sur le fond, mais sur la forme : le reranking n'a tout simplement pas les bonnes unités à évaluer.

Ce que cela signifie pour la rédaction de vos contenus

Concrètement, cela encourage une écriture qui va droit au but : répondre à une question dès les premières phrases d'une section, structurer clairement chaque sous-partie avec un sous-titre explicite, éviter les paragraphes qui nécessitent d'avoir lu tout l'article pour être compris. Ces principes de structuration sont détaillés dans la leçon Structurer un article pour le GEO, qui propose un plan type conçu pour maximiser les chances qu'un maximum de vos passages survivent à l'étape de reranking.

Retenez que le reranking est un filtre invisible mais déterminant : votre contenu peut être parfaitement récupéré à la première étape et pourtant ne jamais apparaître dans la réponse finale, simplement parce qu'il n'a pas été jugé suffisamment pertinent, clair ou autonome au moment du tri. Ce constat plaide pour une revue régulière de son propre contenu, section par section, en se demandant honnêtement si chaque passage, pris isolément, apporterait une réponse claire à quelqu'un qui n'aurait rien lu d'autre.