Co-occurrence : le signal que lisent les moteurs génératifs

Co-occurrence

Quand une marque apparaît trente fois dans la même phrase que sa catégorie sur des médias différents, les modèles génératifs la classent dans cette catégorie sans qu’un seul lien ne soit nécessaire. La co-occurrence, c’est cette apparition simultanée de deux unités lexicales dans un même segment de texte, mesurée sur un corpus. En 2026, elle se pilote.

Benoit Demonchaux

Fondateur · Nautilinks

Mis à jour le 26 juillet 2026 · 10 min de lecture

À retenir L'essentiel en 30 secondes

→Une cooccurrence n’existe que relativement à trois paramètres : le corpus, la fenêtre de segmentation et la mesure d’association. Un graphe de co-occurrence présenté sans ces trois éléments n’est pas interprétable.
→Collocation et cooccurrence ne sont pas synonymes : la première est une association figée que le dictionnaire enregistre, la seconde un fait statistique. C’est la cooccurrence thématique non figée qui intéresse un SEO.
→L’information mutuelle (PMI) survalorise les paires rares : sur un corpus web bruité, le log-likelihood et un plancher d’effectif donnent un classement bien plus stable.
→Selon l’analyse Ahrefs du 27 avril 2026 sur 75 000 marques, les mentions web corrèlent le plus fortement avec la présence dans les AI Overviews (r = 0,664), devant les ancres riches en marque (0,527) et le volume de recherche de marque (0,392).
→Le levier opérationnel n’est plus l’ancre exacte mais le contexte textuel du lien : quel paragraphe, quelles entités nommées dans le même énoncé, quelle catégorie du média.
→La cooccurrence négative se mesure comme la positive. Une marque qui cooccurre avec un vocabulaire de litige hérite de cette association dans les représentations vectorielles, sans qu’aucun lien ne soit en cause.

3 questions pour tester vos connaissances Lisez d'abord, le quiz vous attend en bas de page.

Figure comparant deux colonnes : la collocation, association lexicale figée par l'usage, face à la cooccurrence, fait statistique mesuré sur un corpus. — La collocation est figée par l'usage, la cooccurrence est un fait mesuré sur un corpus donné.

Ce que mesure la cooccurrence, au-delà de la définition

Une occurrence est une unité qui apparaît dans un texte. Une cooccurrence, deux unités qui apparaissent ensemble à l’intérieur d’un segment délimité à l’avance : la phrase, l’énoncé, le paragraphe, ou une fenêtre glissante de n mots. Le délimiteur compte davantage que la notion elle-même. Passez d’une fenêtre de cinq mots à la phrase entière, la liste des cooccurrences change du tout au tout, et deux outils qui ne fixent pas la même fenêtre ne produiront jamais le même résultat sur le même corpus. C’est la première question à poser à qui vous présente un réseau de cooccurrences : quelle fenêtre, quel corpus, quelle mesure.

La définition de dictionnaire s’arrête là, et c’est ce qu’elle laisse de côté qui compte. La co-occurrence n’est pas une propriété de la langue, c’est une observation statistique sur un corpus donné. Elle n’a aucune valeur absolue. « Transparent » et « netlinking » cooccurrent fortement dans notre corpus de production et pas du tout dans un corpus journalistique généraliste. Un consultant qui parle de cooccurrences sans nommer son corpus parle dans le vide, et c’est pourtant la moitié des analyses sémantiques vendues aujourd’hui.

La confusion la plus tenace oppose cooccurrence et collocation. Une collocation est une association lexicale stabilisée, figée par l’usage, que les dictionnaires enregistrent et qu’un correcteur comme Antidote sait proposer : « pluie battante », « peur bleue », « poser une question ». Une cooccurrence est le fait brut, mesuré, que deux unités se retrouvent dans le même énoncé plus souvent que le hasard ne le prévoit. Toute collocation significative est une cooccurrence ; l’inverse est faux. « Backlink » et « pénalité » cooccurrent massivement sans former une collocation, parce que rien n’est figé dans leur association, seulement un thème partagé. En SEO, c’est exactement cette cooccurrence thématique non figée qui a de la valeur, pas la collocation lexicale.

Checklist de six contrôles méthodologiques à exiger avant d'accepter une analyse de cooccurrences : fenêtre, corpus, mesure, déduplication, plancher d'effectif et taille de corpus. — Six contrôles à exiger avant d'accorder la moindre valeur à une analyse de cooccurrences.

De la lexicométrie française au moteur de recherche

La notion vient de la linguistique de corpus, pas du marketing. L’école française de lexicométrie et d’analyse du discours en a fait un instrument central dès les années 1980, avec les travaux de Maurice Tournier sur le vocabulaire politique et syndical, puis ceux de Jean-Marie Viprey sur les réseaux lexicaux des textes littéraires. Le postulat est celui de la sémantique distributionnelle, formulé en linguistique dès 1957 : le sens d’une unité se lit dans son voisinage textuel plutôt que dans sa définition. Tout ce que font les moteurs aujourd’hui découle de cette hypothèse.

Les outils de ce champ existent toujours et sont plus rigoureux que la plupart des instruments SEO. TXM pour l’analyse lexicométrique d’un corpus annoté, AntConc pour les concordances et les listes de collocations sur un corpus textuel brut, VOSviewer pour visualiser les réseaux de cooccurrences sous forme de graphes, et côté Python les briques habituelles, le CountVectorizer de scikit-learn, NLTK, gensim. Un SEO qui veut mesurer sérieusement les cooccurrences de sa marque n’a pas besoin d’un outil SEO : un corpus aspiré proprement et AntConc suffisent, pour zéro euro de licence.

Ce qui change quand on passe du corpus journalistique au web, c’est la nature du corpus. Un corpus de recherche est clos, daté, documenté. Le web est hétérogène, non stationnaire, gonflé de duplication et de textes générés qui recopient les mêmes cooccurrences les uns aux autres. Conséquence directe : une association forte mesurée sur un échantillon web peut n’être que l’écho d’un même paragraphe repris par quarante sites. Dédupliquer avant de compter n’est pas une précaution méthodologique, c’est la condition pour que le chiffre veuille dire quelque chose.

Calculer : matrice, mesures d’association, seuils

La matrice de co-occurrence est l’objet de base : les unités du vocabulaire en lignes et en colonnes, et dans chaque cellule le nombre de fois où les deux unités apparaissent conjointement dans la fenêtre retenue. Symétrique, creuse, et vite immense puisqu’elle croît avec le carré du vocabulaire. Cette construction se comprend beaucoup mieux en la voyant se remplir pas à pas.

Mettre en pratique ?

Nautilinks opère un réseau de médias éditoriaux. Articles écrits en interne, mentions de transparence respectées, mix d'ancres calibré.

Voir les tarifs → Service achat backlinks

Benoit Demonchaux Fondateur · Nautilinks

Fondateur et opérateur de Nautilinks. Édite et rédige le glossaire éditorial du site, ainsi que les contenus publiés sur le réseau de médias éditoriaux Nautilinks.

Questions fréquentes

Quelle différence opérationnelle entre cooccurrence et collocation ?

La collocation est une association lexicale figée par l’usage, du type « pluie battante », que les dictionnaires enregistrent et que les correcteurs proposent. La cooccurrence est un fait statistique : deux unités se retrouvent dans le même énoncé plus souvent que le hasard ne le prévoit, sans que rien ne soit figé. Pour un SEO, seule la seconde compte, parce que c’est elle qui porte l’information thématique. Une collocation est une cooccurrence significative particulière, l’inverse n’est pas vrai.

À partir de quelle taille de corpus un classement de cooccurrences devient-il interprétable ?

Sous quelques centaines de milliers de mots, le classement bouge dès qu’on ajoute une dizaine de textes : il décrit l’échantillon, pas la langue ni le marché. Comptez un plancher d’au moins cinq à dix cooccurrences observées par paire retenue, une stop-list, une lemmatisation, et une déduplication préalable si le corpus vient du web. Un audit sémantique conduit sur les trente pages du top 10 ne mesure aucune tendance, il résume trente pages.

Peut-on travailler la cooccurrence de marque sans acheter de liens ?

Oui, et c’est même la partie la moins chère du travail. Une citation éditoriale non liée, un listing sectoriel, une interview, un jeu de données repris par des tiers créent la même association textuelle entre votre nom et votre catégorie. Semrush le note explicitement dans son bilan du 17 juillet 2026 : ces formats aident les systèmes de recherche et d’IA à catégoriser une marque même quand ils transmettent peu d’autorité. Le lien reste utile pour le classement classique, pas pour cette fonction précise.

PMI ou log-likelihood pour mesurer une association lexicale ?

Log-likelihood par défaut sur du corpus web. La PMI est plus simple à lire mais survalorise les paires rares : deux unités croisées une seule fois obtiennent un score énorme et vide, ce qui remplit le haut du classement de bruit. Si vous tenez à la PMI, imposez un plancher d’effectif ou passez à une variante amortie. Le t-score se réserve à la recherche de collocations fréquentes, le Dice donne un classement proche du log-likelihood.

Faut-il abandonner l’ancre optimisée au profit du contexte ?

Pas l’abandonner, la remettre à sa place. Après la mise à jour spam confirmée le 25 septembre 2025, l’ancre exacte issue de domaines faibles est un levier qui se déprécie, et Google précise qu’un gain obtenu par des liens neutralisés n’est pas récupérable. La synthèse Bluetree du 15 mars 2026, sur 85 domaines B2B SaaS, associe la résilience à une part d’ancres de marque d’au moins 38 %. Gardez quelques ancres descriptives, investissez le budget d’attention sur le paragraphe qui entoure le lien.

Un bon classement organique entraîne-t-il la citation dans les réponses génératives ?

Faiblement. L’analyse Surfer portant sur 36 millions d’AI Overviews et 46 millions de citations relève qu’environ 17 % seulement des sources citées figurent aussi dans le top 10 organique de la même requête. Les deux surfaces se recoupent peu, ce qui impose deux mesures distinctes : positions d’un côté, fréquence de citation et de mention de l’autre. Piloter les deux avec le même tableau de bord fait prendre de mauvaises décisions d’allocation.

Quiz

Testez vos connaissances

Quiz : Co-occurrence

1/3

Quelle mesure d’association survalorise systématiquement les paires de mots rares sur un corpus bruité ?

Ce que les moteurs génératifs en font

Un embedding n’est pas autre chose qu’une matrice de cooccurrences compressée. Un modèle de langue n’a jamais rien vu du monde que des cooccurrences d’unités dans des séquences. Quand Ahrefs écrit, dans son analyse du 27 avril 2026 sur la visibilité de marque, que les LLM tirent leur notion d’autorité de la prévalence de certains mots, de la cooccurrence de différents termes et thèmes, et du contexte dans lequel ces mots sont employés, ce n’est pas une image pédagogique, c’est la description du mécanisme. La vidéo suivante montre comment ces matrices s’insèrent dans une chaîne de traitement automatique des langues.

Les chiffres de cette même étude Ahrefs, menée sur 75 000 marques, donnent l’ordre des leviers : les mentions web de la marque présentent la corrélation la plus forte avec la présence dans les blocs de réponse générés en haut de SERP (r = 0,664), devant les ancres riches en marque (0,527) et le volume de recherche de marque (0,392). Trois signaux sur trois reposent sur de la cooccurrence textuelle entre le nom de la marque et son champ sémantique, pas sur un décompte de liens. Search Engine Land a nommé ce motif « brand co-occurrence » le 4 mai 2026, en soutenant qu’il pèse davantage que l’autorité thématique prise isolément. Je partage cette lecture, et elle a une conséquence budgétaire immédiate : dans un dispositif d’optimisation pour les moteurs génératifs, le suivi des mentions de marque dans les réponses génératives apprend plus vite que le suivi de positions.

L’autre donnée à garder en tête vient de l’analyse Surfer portant sur 36 millions d’AI Overviews et 46 millions de citations : environ 17 % seulement des sources citées dans un AI Overview figurent aussi dans le top 10 organique de la même requête. La cooccurrence entre citation générative et classement classique est donc faible. Autrement dit, un site peut être la référence que le modèle mobilise sans jamais gagner la SERP, et l’inverse est tout aussi vrai. Piloter les deux avec le même tableau de bord conduit à des arbitrages faux.

Piloter la cooccurrence dans une opération de netlinking

Semrush, dans son état des lieux du link building publié le 17 juillet 2026, sépare proprement deux objets voisins. La co-citation, c’est votre marque mentionnée ou liée aux côtés d’autres marques reconnues, typiquement dans la même liste comparative. La cooccurrence, c’est la présence régulière des termes de votre activité dans le voisinage immédiat de votre nom ou de votre lien. Semrush note qu’une citation éditoriale ou un listing peuvent créer ces associations et aider les systèmes de recherche et d’IA à catégoriser une marque, même quand ils transmettent peu de jus de lien. C’est une manière élégante de dire que la valeur d’un lien ne se résume plus à son autorité transmise.

Ce qui se pilote concrètement, c’est le texte autour du lien : quel paragraphe l’accueille, quelles entités sont nommées dans le même énoncé, dans quelle catégorie du média la page est classée, quel vocabulaire l’article emploie sur l’ensemble de son corps. Sur les médias éditoriaux que nous opérons en propre, c’est cette variable que nous calibrons avec la rédaction interne, pas seulement l’ancre. Un éditeur qui vend un lien sans regarder le contexte textuel vend une moitié de produit, et cela se voit quand on inspecte le catalogue de médias consultable sans inscription : les fiches qui documentent la thématique réelle du média valent mieux que celles qui n’affichent qu’un DR.

Le contexte historique renforce ce déplacement. La mise à jour spam de Google déployée du 26 août au 22 septembre 2025, dont la fin de déploiement a été confirmée le 25 septembre 2025, a durci le traitement des ancres manipulées, avec la précision de Google qu’un bénéfice de classement obtenu par des liens neutralisés ne peut pas être récupéré. Une synthèse publiée le 15 mars 2026 par Bluetree sur un échantillon de 85 domaines B2B SaaS observe que ceux qui ont maintenu ou amélioré leurs positions présentaient au moins 38 % d’ancres de marque parmi les ancres de leurs domaines référents. La lecture senior est simple : l’ancre exacte est un levier décroissant, le contexte de cooccurrence est un levier croissant, et un dispositif qui veut durer se construit sur le second. C’est le raisonnement qui structure la manière de calibrer une campagne sur plusieurs mois avec une équipe qui opère ses propres médias.

Ce qu’on voit rater en audit

L’erreur numéro un consiste à empiler des entités dans un même paragraphe en espérant fabriquer de la cooccurrence. Écrire son nom de marque à côté de quatre concurrents notoires sur sa propre page ne crée aucune association aux yeux d’un modèle : le signal se construit sur des sources tierces et sur la répétition du motif à travers des documents indépendants. Sur son propre site, le taux de cooccurrence est un artefact de rédaction, rien de plus.

Vient ensuite la confusion entre corrélation et causalité. Les coefficients de l’étude Ahrefs décrivent une association mesurée sur 75 000 marques, ils ne garantissent pas qu’ajouter des mentions produira mécaniquement des citations génératives. Les marques déjà installées cumulent naturellement mentions, recherches de marque et citations. Traiter r = 0,664 comme une recette est une faute d’interprétation, même quand la direction générale du signal est juste.

Trois autres travers reviennent régulièrement. Mesurer sur un corpus trop petit et présenter un classement instable comme un diagnostic. Utiliser la PMI sans plancher d’effectif, ce qui remonte du bruit lexical en tête de liste. Et ignorer la cooccurrence négative : une marque dont le nom voisine avec un vocabulaire de litige, de remboursement ou d’avis défavorables hérite de cette association dans l’espace vectoriel, exactement au même titre que des associations favorables. Cette dernière mesure, personne ne la fait, et c’est pourtant la moins coûteuse à instrumenter avec un simple corpus de mentions et une stop-list soignée.