Citation (IA)
En IA, la citation désigne deux concepts liés : (1) la capacité d’un LLM à référencer les sources sur lesquelles il fonde ses réponses (inline citations), et (2) la pratique de citer un LLM comme source dans un travail académique ou professionnel. Le premier sens est un enjeu technique de fiabilité. Le second est un enjeu de transparence et d’intégrité.
- Catégorie
- Fiabilité et traçabilité des sorties LLM
- Sens 1
- Citations générées par le LLM : liens vers les sources utilisées pour construire la réponse
- Sens 2
- Citations du LLM : comment référencer un LLM dans un travail académique (APA, MLA, Chicago)
- Techniques (sens 1)
- Search grounding avec citations inline, RAG avec attribution, Self-RAG
- Problème clé
- 50 à 90 % des citations LLM ne supportent pas pleinement les affirmations auxquelles elles sont rattachées (Nature Communications, 2025)
- Concepts liés
- Grounding, source attribution, factualité, faithfulness
- Verdict
- La citation est le chaînon entre grounding et confiance utilisateur. Essentielle, mais loin d’être fiable sans vérification
Sens 1 : Les citations générées par les LLM
Pourquoi un LLM doit-il citer ses sources ?
Un LLM qui affirme « Le PIB de la France a augmenté de 1,3 % en 2025 » sans indiquer d’où vient ce chiffre pose un problème fondamental de confiance. L’utilisateur ne peut pas vérifier l’information, ne peut pas évaluer la fiabilité de la source, et ne peut pas distinguer un fait d’une hallucination.
La citation transforme une affirmation opaque en affirmation traçable. Elle permet trois choses essentielles : la vérification (l’utilisateur peut consulter la source), l’évaluation de la fiabilité (un rapport de l’INSEE est plus fiable qu’un post de blog), et la transparence (l’utilisateur comprend comment la réponse a été construite).
C’est pourquoi les systèmes de grounding modernes ne se contentent pas de récupérer des données externes : ils produisent des citations inline qui lient chaque affirmation à sa source.
Comment les LLM génèrent des citations
Il existe trois approches principales pour produire des citations dans les réponses LLM :
Search grounding avec citations automatiques : c’est l’approche de Google avec Grounding with Google Search. Quand Gemini recherche sur le web pour répondre, l’API retourne des métadonnées structurées (groundingMetadata) contenant les sources utilisées (groundingChunks avec URI et titre), les segments de texte liés à chaque source (groundingSupports avec index de début/fin et références aux chunks), et les requêtes de recherche exécutées. Le développeur peut alors construire des citations inline dans l’interface utilisateur.
RAG avec attribution : dans un pipeline RAG, les documents récupérés ont chacun une source identifiable (URL, titre, auteur). Le LLM est instructé de citer les sources qu’il utilise dans sa réponse, souvent via un format de balisage comme $REF: document_id$. Le système post-traite ces balises pour générer des citations cliquables.
# Pattern RAG avec citations inline
prompt = f"""
Voici des extraits de documents, chacun identifié par un ID unique.
{formatted_chunks}
Réponds à la question en utilisant ces extraits.
Pour chaque information tirée d'un extrait, ajoute une citation
au format $REF: ID_DU_CHUNK$.
Question : {user_question}
"""
response = llm.generate(prompt)
# Post-traitement : remplacer les $REF: xxx$ par des liens cliquables
cited_response = replace_refs_with_links(response, chunk_metadata)Self-RAG (auto-citation avec réflexion) : le modèle décide lui-même quand il a besoin de récupérer des informations, génère des tokens de réflexion pour évaluer la pertinence des sources récupérées, et produit des citations uniquement quand la source supporte effectivement l’affirmation. C’est une forme de self-critique appliquée à la citation.
Le problème de fiabilité des citations LLM
C’est le point critique que tout développeur doit connaître. Les citations générées par les LLM sont souvent fausses ou trompeuses :
Les problèmes les plus courants :
| Problème | Description | Fréquence |
|---|---|---|
| Citation inventée | Le LLM génère une référence qui n’existe pas (auteur, titre, URL fictifs) | Très fréquent sans grounding |
| Source existante, contenu non supporté | La source existe mais ne dit pas ce que le LLM lui attribue | Le plus courant avec grounding |
| Cherry-picking | Le LLM sélectionne une information hors contexte qui déforme le sens original | Courant |
| Misattribution | L’information est correcte mais attribuée à la mauvaise source | Modérément fréquent |
| Citation obsolète | La source citée existait mais n’est plus accessible ou a été mise à jour | Courant pour les données anciennes |
L’étude de Venkit et al. (octobre 2024) a identifié ces problèmes systématiques à travers les principaux systèmes de citation IA. Le constat est clair : les citations LLM ne sont pas des preuves. Ce sont des indications à vérifier.
Divergences entre plateformes
Les différentes plateformes IA citent des sources très différentes pour les mêmes questions. L’analyse de 2025 montre que seulement 11 % des domaines sont cités à la fois par ChatGPT et Perplexity, indiquant des différences significatives dans la façon dont ces plateformes récupèrent et sélectionnent leurs sources. Les citations dépendent fortement du pipeline de retrieval, du modèle utilisé, et des données d’entraînement.
Comment améliorer la qualité des citations
Utiliser le grounding avec métadonnées structurées : les systèmes comme Grounding with Google Search retournent des métadonnées riches (URI, titre, segments de texte, scores de confiance) qui permettent de construire des citations précises et vérifiables.
Implémenter la vérification post-génération : après que le LLM a généré sa réponse avec citations, un second passage vérifie que chaque citation supporte réellement l’affirmation associée. Le framework SourceCheckup automatise ce processus.
Utiliser Self-RAG : le modèle auto-évalue la pertinence des sources avant de les citer, réduisant les citations non supportées.
Afficher les scores de confiance : quand le grounding retourne des scores de confiance pour chaque citation, les afficher à l’utilisateur permet une évaluation plus nuancée.
Sens 2 : Citer un LLM comme source
Normes académiques pour citer les LLM
Les principaux styles de citation ont mis à jour leurs règles pour les contenus générés par IA :
| Style | Format | Exemple |
|---|---|---|
| APA (7e édition, maj. 2025) | Auteur (entreprise). (Date). Titre du chat [Generative AI chat]. Nom du modèle. URL | OpenAI. (2025, 21 août). High school grammar concepts [Generative AI chat]. ChatGPT. https://chatgpt.com/share/… |
| MLA (maj. août 2025) | Titre du modèle, version, éditeur, date d’accès, URL | « Description du prompt ». ChatGPT, GPT-4, OpenAI, 7 mars 2025, chat.openai.com |
| Chicago | Pas de format officiel. Note de bas de page avec modèle, version, date | Texte généré par ChatGPT, GPT-4, OpenAI, 7 mars 2025 |
| IEEE | Pas de guideline formelle. Format recommandé avec modèle, version, date, URL | [1] ChatGPT, GPT-4.1, OpenAI, response to prompt, Accessed Nov. 7, 2025 |
| CSE | Communication personnelle (in-text uniquement, pas dans la bibliographie) | (ChatGPT [OpenAI], response to question from author, 10 September 2025) |
Politiques des revues scientifiques
Nature : les outils IA ne peuvent pas être auteurs. L’utilisation doit être déclarée. Les auteurs humains restent responsables de tout le contenu.
Science : interdit le texte ou les images générés par IA sans approbation préalable. Tout le texte doit être écrit par des humains.
Elsevier : cadre unifié entre toutes les revues. Déclaration obligatoire de l’utilisation d’IA, description de l’objectif (amélioration du langage, analyse, structure).
Le consensus émergeant : l’IA peut assister l’écriture, mais ne peut pas être auteur. L’humain est responsable de la vérification et de l’exactitude du contenu.
Enjeux de propriété intellectuelle
Le U.S. Copyright Office (2025) a clarifié que le contenu généré par IA n’est pas éligible à la protection par le droit d’auteur. Seules les contributions humaines originales peuvent être protégées. Si un travail contient du contenu IA, l’auteur doit déclarer le rôle de l’IA et identifier ses propres contributions humaines.
Citations LLM et visibilité (LLM SEO)
Un nouveau domaine émerge : l’optimisation pour être cité par les LLM (parfois appelé AEO, Answer Engine Optimization). Les données de 2025 montrent que les sessions web provenant de LLM ont augmenté de 527 % par rapport à 2024. Être cité par ChatGPT, Perplexity ou Google AI Overviews devient un enjeu de visibilité majeur.
Les facteurs qui augmentent la probabilité d’être cité par un LLM :
| Facteur | Impact |
|---|---|
| Autorité de marque (brand search volume) | Corrélation 0,334 (le plus fort prédicteur) |
| Présence multi-plateforme (4+ plateformes) | 2,8x plus de chances d’être cité |
| Statistiques originales et données chiffrées | +22 % de visibilité IA |
| Citations et pull quotes structurées | +37 % de taux de citation |
| Contenu structuré en chunks de 50-150 mots | Facilite l’extraction par les systèmes RAG |
Un constat important : les signaux traditionnels du SEO (backlinks) sont moins prédictifs que l’autorité de marque pour les citations LLM. Le changement de paradigme est profond : ce n’est plus « comment je me classe ? » mais « est-ce que l’IA me cite ? »
Améliorer les citations par self-improvement
Le framework START utilise le self-improvement itératif pour améliorer la qualité des citations des LLM. Il génère des données QA synthétiques et applique un preference learning fine-grained focalisé sur trois dimensions : l’attributabilité (chaque affirmation est-elle traçable à une source ?), la robustesse (les citations résistent-elles à la paraphrase ?) et la complétude (toutes les sources pertinentes sont-elles citées ?). Résultat : +25,13 % de F1 en qualité de citation.
Bonnes pratiques pour les citations dans vos applications
Toujours afficher les sources : si votre système utilise du grounding, affichez systématiquement les sources dans l’interface. Les citations invisibles (données récupérées mais non montrées à l’utilisateur) ne construisent pas la confiance et empêchent la vérification.
Distinguer les niveaux de confiance : toutes les citations ne se valent pas. Un fait tiré directement d’un document officiel a un niveau de confiance différent d’une inférence basée sur plusieurs sources partielles. Si votre système de grounding retourne des scores de confiance, utilisez-les pour différencier visuellement les citations solides des citations incertaines.
Implémenter la vérification post-génération : ne faites pas confiance au LLM pour citer correctement. Après la génération, vérifiez programmatiquement que les sources citées existent, sont accessibles, et contiennent effectivement l’information attribuée. Le framework SourceCheckup (Nature Communications, 2025) automatise ce processus avec 88,7 % d’accord avec les experts.
Gérer les citations cassées : les URLs changent, les pages sont supprimées. Implémentez un système de vérification périodique des liens cités et un fallback quand une source n’est plus accessible (cache, version archivée, source alternative).
Respecter les obligations légales : si vous utilisez Grounding with Google Search, les résultats groundés sont soumis aux conditions d’utilisation spécifiques qui imposent l’affichage des Search Suggestions. Vérifiez les conditions de chaque fournisseur.
Verdict
La citation est le pont entre le grounding technique et la confiance utilisateur. Un système groundé qui ne cite pas ses sources est un système dont on ne peut pas vérifier la fiabilité. Un système qui cite mais dont les citations sont fausses est pire : il crée une illusion de fiabilité.
L’état de l’art est préoccupant : jusqu’à 90 % des citations LLM ne supportent pas pleinement les affirmations associées. Cela signifie que les citations LLM ne sont pas des preuves, ce sont des pistes à vérifier. Les développeurs doivent implémenter des mécanismes de vérification post-génération et afficher des indicateurs de confiance.
Pour les créateurs de contenu, le nouveau paradigme est clair : être cité par les LLM est devenu un enjeu de visibilité aussi important que le référencement classique. L’autorité de marque, le contenu structuré et les données originales sont les clés.
Questions fréquentes
Les citations générées par les LLM sont-elles fiables ?
Non, pas systématiquement. Les études montrent que 50 à 90 % des citations LLM ne supportent pas pleinement les affirmations associées (Nature Communications, 2025). Les problèmes vont de la citation inventée (source fictive) à la misattribution (bonne info, mauvaise source). Les citations des systèmes groundés (Perplexity, Google AI Overviews, Claude avec web search) sont plus fiables que celles des LLM non groundés, mais elles nécessitent toujours une vérification.
Comment citer ChatGPT dans un travail académique ?
Le format dépend du style de citation. En APA (mise à jour 2025) : « OpenAI. (Date). Titre [Generative AI chat]. ChatGPT. URL de partage ». En MLA : « ‘Description du prompt’. ChatGPT, version, OpenAI, date d’accès, URL ». Tous les styles exigent le nom du modèle, la version, l’éditeur et la date d’accès. Depuis 2025, les LLM permettent de partager des conversations via URL, rendant les citations plus précises et vérifiables.
Un LLM peut-il être auteur d’un article ?
Non. Nature, Science, Elsevier et les principales revues scientifiques sont unanimes : un LLM ne peut pas être auteur car il ne peut pas assumer la responsabilité intellectuelle du contenu. L’humain reste responsable. Le U.S. Copyright Office confirme que le contenu généré par IA n’est pas éligible au droit d’auteur. L’IA peut assister l’écriture, mais l’auteur humain doit vérifier, valider et assumer la responsabilité de tout le contenu.
Comment optimiser son contenu pour être cité par les LLM ?
L’autorité de marque est le facteur le plus prédictif (corrélation 0,334). Ensuite : structurer le contenu en blocs de 50-150 mots facilement extractibles par les systèmes RAG, inclure des statistiques originales (+22 % de visibilité IA), utiliser des pull quotes avec des données clés (+37 % de taux de citation), et être présent sur 4+ plateformes (2,8x plus de chances). Les signaux traditionnels du SEO (backlinks) sont moins influents que l’autorité de marque pour les citations LLM.
Quelle est la différence entre citation, source attribution et grounding ?
Le grounding connecte le LLM à des sources de données externes. La source attribution vérifie que chaque affirmation est traçable à une source spécifique. La citation est la manifestation visible de cette attribution : le lien, la référence, le numéro de source que l’utilisateur peut cliquer pour vérifier. Le grounding est le mécanisme technique. L’attribution est le processus de vérification. La citation est le résultat visible pour l’utilisateur.