L’information est bien présente dans le document.
Le moteur ne la retrouve pourtant pas.
Un contrat prévoit qu’un client peut résilier avec un préavis de trente jours, sauf durant sa première année d’engagement. Nous examinons les deux chunks produits par le système. Le premier contient la règle ; le second en contient l’exception. Interrogé sur les conditions de résiliation, le moteur ne récupère que le premier chunk et répond qu’un préavis de trente jours suffit, sans réserve. Le document était correct, mais son découpage ne l’était pas.
C’est tout le sujet de cet article.
Le chunking consiste à découper un document en segments plus petits appelés chunks. Chaque chunk doit pouvoir être recherché ou traité séparément, tout en conservant assez de contexte pour rester compréhensible. Un bon découpage cherche donc un équilibre : les segments trop grands peuvent mélanger plusieurs informations, les segments trop petits séparent des éléments qui devraient rester ensemble.
Précisons un point avant d’aller plus loin. Le mot chunking désigne aussi une technique de mémorisation en psychologie cognitive, qui consiste à regrouper des informations pour mieux les retenir. Ce sens n’est pas traité ici : cet article ne parle que du découpage technique de documents pour les systèmes de recherche et d’intelligence artificielle.
Qu’est-ce qu’un chunk ?
Un chunk est une unité issue du découpage d’un contenu plus grand. Il peut correspondre à quelques phrases, un paragraphe, une section, une clause contractuelle, un tableau, un bloc de code ou une fiche produit.
Un chunk n’est pas obligatoirement un paragraphe. Ce n’est pas non plus une taille fixe, une idée unique ou une réponse autonome. Sa forme dépend du type de document traité, de la tâche visée, du système de récupération utilisé et du modèle auquel il est destiné.
Le document d’origine et l’ensemble documentaire dans lequel il est indexé conditionnent directement ce à quoi ressemblera un bon chunk pour ce cas précis. Un découpage pertinent pour un contrat ne l’est pas forcément pour une documentation technique ou un catalogue produit.
Le terme anglais chunking reste la formulation la plus utilisée, y compris en français. Le mot chunk, lui, se traduit selon le contexte par morceau, segment, bloc ou unité documentaire. Dans un contexte d’intelligence artificielle, on parlera plus naturellement de découpage en segments ou de segmentation documentaire.
Le chunk est une unité de traitement. Sa taille et ses frontières sont des choix de conception, pas une convention automatique.
Pourquoi découper un document ?
Un document de cinquante pages peut traiter plusieurs dizaines de sujets différents. L’indexer comme une seule unité risque de produire une représentation trop globale, qui dilue l’information réellement recherchée : le système sait que le document parle du sujet, sans pouvoir isoler le passage précis qui y répond.
Découper permet aussi de limiter le contexte transmis à un modèle. Il est rarement utile d’envoyer une base documentaire entière pour répondre à une question portant sur une seule règle. Un contexte inutilement long augmente le coût, la latence et le bruit contextuel, tout en rendant plus difficile l’identification du passage réellement utile.
Un chunk bien construit doit aussi rester une unité exploitable : il doit contenir assez d’éléments pour que son information reste interprétable une fois extrait de son document. Et parce qu’il reste rattaché à son origine, un chunk permet une attribution précise vers le document, la section ou la page dont il provient, sans que cela garantisse pour autant que la réponse finale citera correctement cette source.
C’est dans ce contexte qu’intervient le plus souvent un système RAG : définition, fonctionnement et limites réelles. Un système RAG recherche les chunks les plus pertinents avant de transmettre les informations sélectionnées au modèle chargé de générer une réponse. Le chunking n’en est qu’une étape, mais il conditionne fortement ce que le système pourra, ou non, retrouver.
Où intervient le chunking (et pourquoi une mauvaise extraction donne de mauvais chunks)
Le découpage intervient généralement après l’extraction et le nettoyage d’un document, mais avant son indexation. Un pipeline simplifié ressemble à ceci :
- collecte du document ;
- extraction de son contenu ;
- nettoyage ;
- découpage en chunks ;
- ajout de métadonnées ;
- indexation ;
- recherche des segments pertinents au moment de la requête.
Cette séquence reste pédagogique. Certains systèmes découpent à la demande, conservent plusieurs niveaux de segmentation ou ajoutent du contexte avant l’indexation. Il ne s’agit donc pas d’une architecture universelle, mais d’un ordre logique utile pour situer le chunking dans la chaîne.
Un point compte davantage que l’ordre exact des étapes : le chunking ne corrige pas une mauvaise extraction. Un texte mal extrait, avec des en-têtes répétés à chaque page, des tableaux mal distingués du texte courant, ou un document scanné dont le texte a été mal reconnu par OCR, donnera de mauvais chunks.
La documentation d’Unstructured distingue d’ailleurs clairement ces deux opérations : le partitioning, qui extrait les éléments d’un document brut, et le chunking, qui combine ensuite ces éléments en segments exploitables, en les divisant uniquement lorsqu’un élément dépasse la taille maximale visée.
Source : Unstructured, vérifié le 20 août 2026 (documentation sur le chunking documentaire).
Message à retenir : un mauvais texte extrait donnera de mauvais chunks, quelle que soit la stratégie choisie.
Les principales stratégies de chunking
Aucune de ces méthodes n’est supérieure aux autres dans l’absolu. Chacune répond à un type de document et à un usage.
Chunking à taille fixe
Le contenu est découpé tous les X caractères, mots ou tokens, sans tenir compte du sens.
- Avantages : simple, rapide, prévisible, facile à reproduire. C’est souvent la méthode retenue pour un premier prototype.
- Limites : le découpage peut séparer une phrase, une règle de son exception, un tableau de son titre, une question de sa réponse.
La taille fixe maîtrise la longueur. Elle ne garantit pas la cohérence.
Chunking par phrases
Le document est découpé aux frontières des phrases.
- Avantages : aucune phrase n’est coupée en deux, le résultat convient bien à une prose continue et produit des unités grammaticalement complètes.
- Limites : une phrase dépend souvent de celle qui la précède, d’un titre, d’un pronom ou d’une définition posée plus haut.
Plusieurs phrases doivent alors être regroupées pour conserver le sens.
Chunking par paragraphes
Chaque paragraphe devient un segment, ou une unité documentaire logique avant un découpage plus fin.
- Avantages : la méthode respecte une structure éditoriale déjà présente, elle est simple à mettre en œuvre et souvent plus cohérente qu’une coupure arbitraire.
- Limites : tous les paragraphes n’ont pas la même densité. Certains sont trop courts, d’autres très longs, ou mélangent plusieurs idées sans le signaler.
Chunking récursif
Le système applique une hiérarchie de séparateurs. Il tente d’abord de découper par sections, puis par paragraphes, puis par phrases, et enfin par mots ou caractères si aucune de ces frontières ne suffit à respecter la taille visée.
Les text splitters de LangChain illustrent bien cette logique : leur découpeur récursif utilise par défaut une liste de séparateurs ordonnés (double saut de ligne, saut de ligne simple, espace, puis caractère), et cherche à conserver les unités les plus larges possibles avant de descendre vers des séparateurs plus fins.
Source : LangChain, vérifié le 20 août 2026 (text splitters de LangChain).
- Avantages : adaptable, facile à appliquer à des contenus hétérogènes, bon compromis entre longueur et structure.
- Limites : le résultat dépend fortement des séparateurs choisis, sans réelle compréhension du sens, et peut encore couper des relations importantes.
Chunking par structure
Le système respecte l’organisation propre au document : titres, sous-titres, sections HTML, chapitres, clauses, objets JSON, fonctions ou classes.
- Avantages : conserve la logique voulue par l’auteur, facilite l’ajout de métadonnées, préserve les relations hiérarchiques. Convient bien aux documents déjà bien structurés.
- Limites : encore faut-il que cette structure existe réellement. Elle peut être incohérente, purement visuelle, trop grossière, ou mal reconnue à l’extraction.
Un H2 ne prouve pas automatiquement que tout ce qui le suit forme un seul chunk pertinent, surtout s’il couvre plusieurs pages.
Chunking sémantique
Le découpage se déclenche lorsqu’un changement de sens est détecté, plutôt qu’à une position fixe. Une méthode possible consiste à représenter les phrases, à comparer leur proximité, puis créer une nouvelle frontière dès qu’une rupture sémantique apparaît.
- Avantages possibles : suit davantage les changements de sujet, peut produire des segments plus cohérents, ne dépend pas uniquement de la longueur.
- Limites : coûte plus cher à calculer, dépend fortement du modèle utilisé et du seuil de rupture choisi, détecte mal une transition progressive.
Une étude préliminaire menée en juillet 2026 sur des thèses universitaires longues n’a pas montré de supériorité du chunking sémantique par clusters sur les méthodes fixes et récursives, dans la configuration testée. Les auteurs notent que les résultats varient selon les questions posées, la mise en forme et le prétraitement du corpus. Il s’agit d’un préprint, pas d’une règle générale.
Source : Kreileder, Reisinger et Fischer, préprint arXiv 2026, vérifié le 20 août 2026 (étude sur le chunking sémantique par clusters (préprint 2026)).
Sur ce corpus et avec ces métriques, le chunking sémantique n’est pas automatiquement meilleur. La méthode doit être testée sur votre propre corpus avant d’être généralisée à d’autres configurations.
Chunking hiérarchique ou parent-enfant
Le système conserve plusieurs niveaux à la fois : document, chapitre, section, puis petit chunk. La recherche peut porter sur un segment précis, avant de récupérer l’unité parente plus large pour restaurer le contexte complet.
Exemple : le moteur retrouve une phrase isolée sur un délai contractuel, puis récupère la clause entière, avec la règle, l’exception et la date d’application.
- Avantages : précision de la recherche, contexte plus large au moment de répondre, meilleure traçabilité vers le document source.
- Limites : index plus complexe, relations parent-enfant à maintenir, risque de transmettre finalement trop de contexte après la récupération.
Chunking contextualisé
Le segment est enrichi avec des informations issues de son document d’origine avant d’être indexé : titre, entreprise concernée, période, chapitre, résumé ou contexte local.
Anthropic illustre bien le problème que cette méthode cherche à corriger : un chunk indiquant seulement que « le chiffre d’affaires a augmenté de 3 % » ne permet pas d’identifier de quelle entreprise ni de quelle période il s’agit. Sa méthode, nommée Contextual Retrieval, ajoute un court contexte spécifique à chaque chunk avant l’indexation. Dans ses tests internes, Anthropic rapporte une réduction de 49 % des échecs de récupération avec une recherche hybride, et de 67 % en ajoutant un reranking. Ces chiffres restent des résultats internes à l’entreprise, présentés sur son propre corpus de test, pas une garantie généralisable à tout projet.
Source : Anthropic, vérifié le 20 août 2026 (contextualisation des chunks).
Une expérimentation publiée par Etalab, au sein de la DINUM, aboutit à une conclusion voisine : sur sept configurations de RAG testées avec un modèle d’embedding E5 et une centaine de questions synthétiques, la référence, des chunks simples sans contexte ajouté, est surpassée par tous les types de chunks enrichis en contexte ou en mots-clés testés.
Source : numerique.gouv.fr, DINUM, vérifié le 20 août 2026 (aperçu des techniques de chunking augmenté).
Ajouter du contexte à un chunk et choisir ses frontières sont deux opérations différentes, mais complémentaires.
Chunking agentique
Un modèle ou un agent analyse ici le document pour choisir lui-même les frontières, regrouper les passages liés, générer un titre et un résumé, et ajouter des métadonnées.
Certains éditeurs spécialisés dans l’IA d’entreprise, notamment IBM, distinguent explicitement cette approche des découpages fixes, récursifs et sémantiques, tout en la présentant comme un domaine encore exploratoire, dont les méthodes font toujours l’objet de nombreux travaux et essais.
- Avantages potentiels : adaptation à des documents très hétérogènes, enrichissement automatique, meilleure prise en compte du contexte global.
- Limites : coût, latence, reproductibilité incertaine d’une exécution à l’autre, erreurs du modèle, difficulté à évaluer objectivement le résultat.
Le chunking agentique n’est pas l’étape finale obligatoire de toute architecture. C’est une option avancée, à réserver aux cas où les méthodes plus simples ont montré leurs limites.
Comment choisir une stratégie de chunking selon son corpus ?
Il n’existe pas de recette universelle. En revanche, une méthode de décision peut être réutilisée d’un projet à l’autre.
Examiner le corpus d’abord : s’agit-il de prose continue, de pages HTML, de contrats, de tableaux, de code, de documents scannés, ou d’un mélange de tout cela ? Chaque nature de contenu oriente vers une famille de stratégies différente.
Examiner ensuite les questions que les utilisateurs posent réellement. Une question demande-t-elle une phrase précise, une clause complète, une comparaison entre plusieurs passages, ou un résumé global du document ?
Identifier l’unité naturelle qui conserve le sens : une phrase, un paragraphe, une section, une fonction, un tableau, une fiche produit. C’est cette unité, et non une taille arbitraire, qui doit guider le découpage.
À partir de là, une méthode de départ se construit assez naturellement :
- prose continue : phrases ou récursif ;
- article structuré : sections ;
- données uniformes : taille fixe comme point de départ, à comparer avec une segmentation structurelle ;
- document complexe : structure et hiérarchie ;
- transitions de sujet difficiles à repérer : sémantique, à tester.
Notre conseil d’expert
Point de départ courant sur un corpus hétérogène : un chunking récursif. Il donne une base de comparaison rapide avant d’investir dans une méthode plus coûteuse.
Aucune stratégie n’est universellement meilleure. Le choix se construit à partir de la structure du corpus, puis se vérifie par la mesure, pas l’inverse.
Quelle taille pour un chunk ?
La taille d’un chunk peut se mesurer en caractères, en mots, en tokens, en phrases ou en éléments documentaires. La mesure retenue doit correspondre au système utilisé : une limite exprimée en caractères ne produit pas nécessairement le même nombre de tokens selon la langue, la ponctuation ou le tokenizer employé.
| Unité de mesure | Ce qu’elle capture | Point d’attention |
|---|---|---|
| Caractères | Longueur brute du texte | Ne tient pas compte des mots coupés |
| Mots | Proche de la lecture humaine | Varie selon la langue et la ponctuation |
| Tokens | Unité réellement traitée par le modèle | Dépend du tokenizer utilisé |
| Phrases / éléments | Respecte des unités de sens | Longueur très variable d’une phrase à l’autre |
Il n’existe pas de taille idéale. La taille pertinente dépend du type de document, de la longueur des réponses attendues, du modèle d’embedding utilisé, des questions posées, du moteur de recherche, du nombre de chunks récupérés à chaque requête et du coût acceptable pour le projet.
Embedding : représentation vectorielle d’un texte utilisée pour la recherche sémantique.
Une fourchette de 200 à 400 tokens est souvent citée dans les tutoriels et documentations comme point de départ possible. Elle peut convenir à certains projets. Elle ne doit surtout pas être copiée comme une règle générale : ce qui fonctionne sur une documentation technique courte peut échouer sur un contrat dense.
Un chunk trop grand traite plusieurs sujets à la fois, dilue l’information recherchée, contient davantage de bruit, augmente le coût et réduit la précision de l’attribution vers le passage exact.
Un chunk trop petit perd le sujet, sépare une règle de son exception, rend les pronoms incompréhensibles, fragmente un tableau et multiplie les résultats proches les uns des autres.
Trop grand, le chunk mélange plusieurs sujets. Trop petit, il oublie des éléments clés.
Une taille de départ permet de construire un premier prototype. La taille définitive, elle, se détermine à partir des résultats de récupération observés sur le corpus réel, pas d’un chiffre lu ailleurs.
Le chevauchement (chunk overlap) : utile, mais pas automatique
Le chevauchement consiste à répéter une partie d’un chunk dans le suivant, pour limiter la perte d’information à la frontière entre les deux.
Exemple : un premier chunk se termine par « la résiliation nécessite un préavis de trente jours. Cette règle ne s’applique pas… », le second commence par « cette règle ne s’applique pas pendant la première année d’engagement. » Le passage répété maintient la continuité entre les deux segments.
- Avantages possibles : préserver une phrase coupée en deux, maintenir une transition, conserver certains référents, améliorer les chances de récupérer un passage situé pile à la frontière.
- Inconvénients : duplication du contenu, augmentation du stockage et du coût d’indexation, résultats redondants, attribution moins nette.
Une plage de 10 à 20 % de chevauchement revient souvent dans les recommandations pratiques. Elle reste une hypothèse de départ à tester, pas un standard à appliquer sans réfléchir.
Idée reçue
Plus de chevauchement n’égale pas mieux : une étude 2026 n’a mesuré aucun gain, seulement un coût d’indexation plus élevé.
Un préprint publié en janvier 2026 a évalué l’effet du chevauchement de bout en bout, retrieval par SPLADE puis génération par un modèle Mistral, sur le jeu de données Natural Questions. Les auteurs n’ont constaté aucun bénéfice mesurable du chevauchement dans cette configuration, tout en observant une augmentation du coût d’indexation. Le résultat porte sur un pipeline, un corpus et des métriques précis ; il ne doit pas être généralisé à d’autres configurations sans tests complémentaires.
Source : Bennani et Moslonka, préprint arXiv 2026, vérifié le 20 août 2026 (étude sur le chevauchement des chunks (préprint 2026)).
Le chevauchement corrige certaines frontières mal placées. Il ne doit pas être ajouté automatiquement, sans mesure.
Les métadonnées : remettre le chunk dans son contexte
Un chunk isolé perd souvent une partie de son sens. Les métadonnées servent justement à le replacer dans son document d’origine : titre du document, titre de section, URL ou identifiant, numéro de page, auteur, date, version, langue, ou identifiant du parent dont il est issu.
Exemple simple. Un chunk isolé indique : « Elle est valable pendant trois ans. » Seul, il ne veut rien dire. Avec ses métadonnées, à savoir le document (« Politique de garantie 2026 »), la section (« Durée de la garantie professionnelle ») et le produit concerné (« Gamme Alpha »), la même phrase devient interprétable.
Les métadonnées ne remplacent jamais le texte du chunk. Elles permettent en revanche de filtrer les résultats, de désambiguïser un passage ambigu, de reconstruire le contexte d’origine, de citer correctement la source, et d’appliquer des permissions d’accès lorsque certains documents sont confidentiels.
Conserver, au minimum, le titre de la section avec le texte du chunk apporte souvent, à lui seul, une bonne partie du contexte manquant.
Votre structure de contenu est-elle vraiment récupérable ?
Une information peut être présente dans un contenu sans être correctement récupérée. Nous analysons la structure des pages et la manière dont leurs informations peuvent être isolées, interprétées et reprises.
Comment découper les formats difficiles (PDF, tableaux, listes, code) ?
Chaque format pose des difficultés différentes.
Articles et prose
Privilégier généralement les sections, puis les paragraphes, puis les phrases. Vérifier ensuite les transitions et les pronoms : un passage qui commence par « cela » ou « cette règle » perd tout son sens s’il est isolé de ce qui précède.
Pages HTML
Conserver, lorsque c’est pertinent, le titre de la page, les titres de section, les listes, les tableaux, les légendes et les relations hiérarchiques entre les blocs. Les balises HTML aident un parseur à repérer la structure. Elles ne garantissent pas que tous les moteurs publics produiront les mêmes chunks à partir d’une même page.
La difficulté principale se situe souvent avant le chunking, à l’extraction : ordre de lecture, colonnes, en-têtes répétés, tableaux, notes de bas de page, pages scannées. Un saut de page ne correspond pas nécessairement à une frontière sémantique : une clause peut très bien commencer en bas d’une page et se terminer en haut de la suivante.
Tableaux
Il faut éviter de séparer les en-têtes, les unités, les lignes, le titre et la note méthodologique d’un même tableau. Selon les cas, un tableau peut nécessiter une représentation dédiée, un résumé associé, une conservation intégrale, ou un découpage par groupe de lignes cohérent.
Listes
Conserver l’introduction d’une liste lorsque ses éléments en dépendent. Un mauvais chunk du type « 1. Vérifier l’identité. 2. Demander une signature. » ne permet pas de savoir à quelle procédure ces étapes appartiennent, une fois séparé de son titre.
Code
Pour le code, les fonctions, les classes, les modules, les déclarations et les blocs logiques semblent constituer des frontières naturelles. Une étude contrôlée publiée en mai 2026, portant sur la complétion de code assistée par RAG et testée sur 864 configurations expérimentales, nuance pourtant cette intuition : le découpage par fonction sous-performe les autres stratégies de 3,57 à 5,64 points de pourcentage sur le benchmark RepoEval. La longueur du contexte inter-fichiers y pèse davantage que la seule taille du chunk.
Source : Wu, Gong, Jahangirova et Zhang, préprint 2026, vérifié le 20 août 2026 (étude contrôlée sur le chunking en complétion de code (préprint 2026)).
Une frontière qui semble naturelle pour un humain n’est donc pas toujours la plus efficace pour un système de récupération.
Documents visuels
Un découpage purement textuel reste insuffisant pour des diagrammes, des plans, des graphiques ou des schémas techniques : l’information utile dépend souvent autant de la disposition visuelle que du texte qui l’accompagne. Ces formats demandent en général un traitement spécifique, distinct du texte courant, et les résultats obtenus avec les approches actuelles restent inégaux selon la complexité du schéma.
Comment évaluer la qualité d’un chunking ?
Lire quelques chunks au hasard ne suffit pas à juger d’un découpage. Une évaluation sérieuse repose sur une méthode.
Construire un jeu de vraies questions portant sur les documents du corpus : questions simples, informations situées à une frontière, règles accompagnées de leur exception (comme dans l’exemple introductif du contrat), questions portant sur un tableau, questions nécessitant plusieurs passages à la fois.
Mesurer la récupération ensuite : le bon chunk apparaît-il au premier rang, dans les trois premiers résultats, dans les cinq ou dix premiers ? Plusieurs indicateurs permettent de le chiffrer :
- recall@k : la proportion des éléments pertinents retrouvés parmi les k premiers résultats ;
- precision@k : la proportion de résultats pertinents parmi les k premiers résultats renvoyés ;
- MRR (mean reciprocal rank) : la moyenne de l’inverse du rang du premier résultat pertinent ;
- nDCG : une mesure qui pondère la position des résultats pertinents dans le classement.
Évaluer le contexte récupéré : contient-il la réponse complète, les bonnes unités, la date, l’entité concernée, les exceptions nécessaires ? Un chunk peut apparaître au bon rang tout en restant incomplet.
Mesurer les coûts : nombre de chunks produits, espace de stockage, temps d’indexation, latence de recherche, volume finalement transmis au modèle.
Enfin, évaluer la récupération et la génération séparément. Une bonne réponse finale ne prouve pas que le chunking est bon : le modèle a pu deviner ou reformuler correctement malgré un contexte imparfait. À l’inverse, une mauvaise réponse ne prouve pas que le chunking est en cause : l’erreur peut venir de la génération elle-même.
Une longue fenêtre de contexte rend-elle le chunking inutile ?
Les modèles capables d’accepter un contexte très long permettent, en théorie, d’envoyer un document entier plutôt que de le découper. Cela ne supprime pourtant ni le coût, ni la latence, ni le bruit ajouté par des informations non pertinentes, ni le besoin d’attribuer précisément une réponse à sa source.
Fenêtre de contexte : nombre maximal de tokens qu’un modèle peut recevoir en entrée pour générer une réponse.
Des recherches sur l’utilisation des longs contextes ont montré que certains modèles n’exploitent pas uniformément toute l’information disponible : la performance se dégrade en particulier lorsque l’information pertinente se trouve au milieu d’un contexte long, plutôt qu’à son début ou à sa fin. Ce résultat dépend des modèles et des tâches testés à l’époque de l’étude, et ne constitue pas une règle absolue pour tous les systèmes actuels.
Source : étude arXiv, vérifié le 20 août 2026 (étude sur l’utilisation des longs contextes).
Idée reçue
Une fenêtre de contexte plus longue change ce qu’on peut envoyer, pas ce qu’on doit retrouver, filtrer et attribuer.
Le chunking reste donc utile pour indexer, filtrer, récupérer, attribuer et contrôler les permissions d’accès, même lorsque la fenêtre de contexte s’allonge. Dans certains cas, un document court et déjà cohérent peut, lui, être traité intégralement, sans découpage préalable. Il n’existe pas de règle universelle dans un sens ou dans l’autre.
Le chunking d’un site web garantit-il une citation par une IA ?
Non.
Un éditeur peut faciliter le découpage de ses pages en produisant des sections cohérentes, correctement titrées, contextualisées, datées et sourcées. Il ne contrôle en revanche ni le crawler qui visite sa page, ni le parseur qui en extrait le contenu, ni les frontières que ce parseur choisit, ni le modèle d’embedding utilisé, ni le système de recherche final, ni la sélection qui aboutit, ou non, à une citation.
Une structure éditoriale claire facilite l’extraction et limite les segments privés de contexte. Elle ne garantit ni la récupération, ni la citation du contenu par un moteur d’IA générative.
Il faut aussi se méfier d’une généralisation trop rapide. Les architectures exactes de ChatGPT, de Gemini ou de tout autre moteur ne sont pas entièrement connues du public, et rien ne permet d’affirmer qu’elles fonctionnent toutes de la même façon. Pour aller plus loin sur ces sujets, notre Blog GEO & IA rassemble nos analyses sur la visibilité des contenus dans les moteurs génératifs.
Erreurs fréquentes et idées reçues sur le chunking
Quelques erreurs reviennent régulièrement, quel que soit le projet :
- choisir une taille universelle trouvée dans un tutoriel, sans la tester sur son propre corpus ;
- découper avant d’avoir compris le format du document (PDF, tableau, code traités comme du texte continu) ;
- supprimer les titres, ce qui fait perdre au chunk son sujet ;
- séparer une règle de son exception ;
- ajouter trop de chevauchement, au point de multiplier les doublons dans l’index ;
- ne laisser aucun contexte, ce qui rend les pronoms et les références incompréhensibles ;
- mélanger plusieurs documents dans un même chunk sans distinguer leur provenance ;
- oublier les métadonnées, ce qui complique le filtrage et la citation de la source ;
- évaluer uniquement la réponse générée, sans jamais vérifier la récupération elle-même.
Plusieurs idées reçues, déjà nuancées plus haut dans cet article, méritent d’être rappelées ensemble :
- un chunk n’est pas un paragraphe ;
- il n’existe pas de taille idéale universelle, ni à 500 tokens ni ailleurs ;
- le chevauchement n’améliore pas toujours la recherche ;
- le chunking sémantique n’est pas toujours supérieur aux méthodes plus simples ;
- un chunk plus petit n’est pas nécessairement plus précis ;
- les titres H2 ne définissent pas les frontières exactes utilisées par une IA générative.
Conclusion
Le chunking décide de ce qu’un système pourra retrouver, et de ce qu’il ne retrouvera pas. Ce n’est pas une question de taille seule : c’est une question de frontière, de contexte conservé, et de mesure. Une taille de départ, un pourcentage de chevauchement, une méthode réputée plus intelligente : rien de tout cela ne remplace un test mené sur son propre corpus, avec ses propres questions.
Chez SEO.fr, nous analysons régulièrement la structure des pages de nos clients et la manière dont leurs informations peuvent être isolées, interprétées et reprises, aussi bien par un moteur de recherche traditionnel que par un système génératif. Cette expérience nous a appris une chose : une bonne rédaction ne suffit jamais à elle seule. Il faut aussi vérifier, très concrètement, ce qu’un système retrouve réellement une fois le contenu découpé.
Prêt à structurer vos contenus pour les moteurs traditionnels et génératifs ?
Le chunking montre qu’un contenu ne doit pas seulement être exact. Ses informations doivent aussi conserver leur sens lorsqu’elles sont extraites de leur contexte. Nous vous accompagnons pour structurer vos contenus et suivre leur visibilité dans les moteurs traditionnels et génératifs.
Questions fréquentes
Quelle différence entre chunking et tokenisation ?
La tokenisation découpe un texte en unités de traitement pour le modèle, les tokens. Le chunking découpe un document en segments de contenu destinés à être indexés puis récupérés. Le token sert souvent d’unité de mesure pour fixer la taille d’un chunk, mais ce n’est pas la même opération.
Quelle différence entre parsing et chunking ?
Le parsing extrait et nettoie le contenu d’un document brut. Le chunking découpe ensuite ce contenu déjà propre en segments exploitables. Un mauvais parsing donnera un mauvais chunking, quelle que soit la stratégie retenue pour découper.
Existe-t-il une taille de chunk idéale ?
Non. La taille pertinente dépend du document, du modèle d’embedding utilisé et des questions posées par les utilisateurs. Une plage citée dans un tutoriel constitue tout au plus un point de départ à tester sur votre propre corpus, jamais une règle à appliquer telle quelle.
Le chunking réduit-il les hallucinations d’une IA générative ?
Pas automatiquement. Un mauvais chunk peut au contraire fournir à un modèle une information incomplète ou trompeuse, par exemple une règle sans son exception. Le modèle produira alors une réponse fausse, mais formulée avec assurance.
Quelle différence entre chunking technique et chunking cognitif ?
Le chunking cognitif est un phénomène étudié en psychologie, qui consiste à regrouper des informations pour mieux les mémoriser. Le chunking technique découpe un document pour un système de recherche ou d’intelligence artificielle. Cet article traite exclusivement le second.
Une page bien découpée sera-t-elle automatiquement citée par une IA ?
Non. Une structure claire facilite l’extraction du contenu, mais elle ne contrôle ni le crawler, ni le modèle d’embedding, ni la sélection finale opérée par le moteur au moment de générer sa réponse.

