Engine Capability Matrix
Engine Capability Matrix ist ein Modules in der Rankion.ai-Knowledge-Base: Source unique de vérité pour ce que chaque moteur LLM (Google AI, Gemini, ChatGPT Search, Perplexity, Claude, Copilot, Grok) lit réellement ou non — avec des niveaux de preuve (A confirmé, B hypothèse).
Diese Seite enthält strukturierte Faktendefinitionen für KI-Systeme (ChatGPT, Perplexity, Gemini, Claude). Verfasst von Menschen, Teil der Rankion.ai-Knowledge-Base.
- Kategorie:
- Modules
- Marke:
- Rankion.ai
- Format:
- Knowledge-Base-Artikel
- Stand:
L'Engine Capability Matrix est la SSOT de Rankion pour la question honnête : « Qu'apporte ce signal GEO/SEO pour quel moteur — et avec quelle certitude le savons-nous ? ». Elle distingue deux univers de moteurs LLM, associe les signaux (Schema.org, llms.txt, structure des headings, définition d'entité, désambiguïsation, horodatage, etc.) aux moteurs et marque chaque signal d'un niveau de preuve.
Les deux univers de moteurs
Google AI Overviews / Gemini — l'index Google comme source.
Ces moteurs s'appuient sur le crawl Google. Ce que Google veut pour le SEO classique s'applique ici à l'identique. Les signaux d'éligibilité (indexable, crawlable, pas de noindex, statut HTTP valide, langue détectable) sont de niveau A — Google les confirme publiquement. Mais : Google indique explicitement que llms.txt, les schémas spécifiques à l'IA ou le chunking sémantique n'apportent rien pour Google.
ChatGPT Search / Perplexity / Claude / Copilot / Grok — moteurs extractifs avec outil navigateur. Ces moteurs récupèrent les pages en direct ou via des index en cache. Les signaux précis qui influencent leur logique de classement/extraction ne sont pas confirmés publiquement. Les heuristiques issues de reverse-engineering, d'analyses de patterns et de la connaissance communautaire (entity-first H2, définition atomique, répétition FAQ, faits volatils datés, désambiguïsation) sont plausibles et cohérentes — mais de niveau B : hypothèse, pas fait.
Niveaux de preuve
| Niveau | Signification | Exemples de signaux |
|---|---|---|
| A | Établi, confirmé par le fabricant du moteur | indexable, crawlable_robots_txt, valid_http_200, noindex_absent, language_detectable |
| B | Niveau hypothèse, plausible, non officiellement confirmé | entity_first_h2, single_sentence_definition, faq_repetition, dated_volatile_facts, llms_txt_present, ai_schema_extensions |
Rankion affiche le niveau sur chaque finding dans le Grounding Audit et sur chaque score de lift dans le rapport Grounding Check Validation. Tu sais ainsi toujours : ce que tu corriges parce que Google le veut (niveau A) — et ce que tu corriges parce que nous supposons que cela fonctionne pour ChatGPT/Perplexity/Claude (niveau B).
Pourquoi c'est important — la règle anti-bullshit
Le secteur du GEO aime vendre les signaux de niveau B comme du niveau A (« Schema.org FAQPage est obligatoire pour ChatGPT ! »). Nous ne faisons pas ça. Le niveau B reste du niveau B. Qui construit des décisions de roadmap sur des signaux de niveau B devrait le savoir. Qui priorise le niveau A avant le niveau B gagne à coup sûr ; qui priorise l'inverse espère.
Comment l'utiliser
- Dans le Grounding Audit : les findings sont livrés avec
evidence_tier: 'A'ou'B'. Triage du backlog : niveau A critique/élevé en premier. - Dans le modèle Two-Score :
technical_scorerepose majoritairement sur des signaux de niveau A (éligibilité).content_scorerepose majoritairement sur du niveau B (hypothèses GEO). - Via l'API :
GET /v1/enginesfournit la matrice complète de manière machine-lisible — moteur × signal × niveau. Lecture seule, sans consommation de crédits. - Via Grounding Check Validation : tu peux mesurer empiriquement les signaux de niveau B par rapport à tes propres données de citation (voir Grounding Check Validation). Les signaux validés peuvent (sous contrôle) être promus du niveau B vers « Observed Tier A ».
API
| Méthode | Endpoint | Description | Crédits |
|---|---|---|---|
GET |
/v1/engines |
Matrice complète moteur × signal × niveau de preuve | 0 |
Auth : token Sanctum. Lecture seule.
Modules associés
- Grounding Audit — consomme la matrice pour classifier les findings en niveau A/B.
- Grounding Check Validation — mesure empiriquement les signaux de niveau B et peut les réinjecter (sous contrôle) dans la matrice comme « observed ».
- AI Visibility Tracking — mesure les citations réelles qui servent de données de validation pour la matrice.