Wikipedia, Wikidata et Knowledge Graph : le socle invisible de la visibilité dans l’IA

Quand une entreprise pense à sa visibilité sur internet, Wikipedia n’entre généralement pas dans la liste de ses priorités. C’est compréhensible : un article sur Wikipedia paraît secondaire par rapport au site propre, au blog, à la publicité ou au SEO. Mais, pour les systèmes d’IA, la hiérarchie est tout autre.

L’analyse de 680 millions de citations de ChatGPT sur la période allant d’août 2024 à juin 2025 a montré que, parmi les 10 sources les plus citées, Wikipedia en représente à elle seule près de la moitié — 47,9 % [1]. Ce n’est pas un hasard. Tous les grands modèles de langage — ChatGPT, Gemini, Claude, Llama — ont été entraînés sur des corpus dans lesquels Wikipedia recevait volontairement un poids accru. Le jeu de données Google C4, l’un des principaux ensembles d’entraînement, augmentait spécifiquement la part de Wikipedia par rapport aux autres sources web [2]. Et, en juin 2025, ChatGPT est devenu la première source de trafic de Wikipedia — faisant naître une boucle symbiotique dans laquelle l’IA cite l’encyclopédie, tandis que les utilisateurs reviennent vers elle par les liens [3].

Pour une marque, cela signifie quelque chose de très concret : si l’entreprise dispose d’une page de qualité sur Wikipedia, le système d’IA dispose d’une source fiable, neutre et vérifiée pour l’identification de l’entité. En l’absence d’une telle page, le modèle est contraint de reconstituer l’information à partir de sources moins structurées et moins crédibles — et le résultat sera moins précis.

Wikipedia est une encyclopédie textuelle pour les humains. Wikidata est une base de données structurée pour les machines. Chaque entrée dans Wikidata possède un identifiant unique (Q-ID), utilisé pour rattacher sans ambiguïté une entité. Google Knowledge Graph s’alimente directement à partir des données de Wikidata [4]. Lorsqu’un système d’IA rencontre le nom d’une marque, il vérifie d’abord s’il existe, pour elle, une entrée dans le graphe de connaissances — et c’est précisément là que Wikidata devient un maillon critique.

Contrairement à Wikipedia, Wikidata n’impose pas d’exigences strictes de « notoriété » (notability). Une entreprise qui ne peut pas obtenir d’article sur Wikipedia faute d’une couverture médiatique suffisante peut tout de même créer une entrée dans Wikidata : indiquer le type d’organisation, le secteur, le fondateur, les produits, le site officiel. Cela suffit pour donner à la machine un identifiant stable et un ensemble d’attributs de base.

Les marques sans entrée dans Wikidata subissent un désavantage structurel. Le système d’IA vérifie d’abord si l’entité existe dans le graphe de connaissances, puis décide s’il convient de citer le contenu du site. Si cette vérification échoue, le modèle sera plus prudent dans ses recommandations — voire contournera complètement la marque [5].

Google Knowledge Graph n’est pas un produit distinct, mais une couche d’infrastructure sur laquelle reposent Knowledge Panel, AI Overviews et AI Mode. Il contient des milliards d’entités et des milliers de milliards de relations entre elles. Lorsqu’un utilisateur pose une question, l’IA ne se contente pas de chercher des documents pertinents : elle identifie d’abord les entités via le graphe de connaissances, puis sélectionne les sources pour formuler la réponse.

Pour une marque, cela signifie qu’entrer dans Knowledge Graph n’est pas un bonus, mais un socle. Sans cela, le système d’IA doit consacrer des ressources de calcul supplémentaires à comprendre qui vous êtes. Des chercheurs appellent cela le « budget de compréhension » (comprehension budget) : plus il est peu coûteux, pour la machine, d’identifier votre entité, plus la probabilité de citation augmente [5].

Vérifier la présence de la marque dans Wikidata (wikidata.org). S’il n’existe pas d’entrée, en créer une en indiquant les propriétés de base : P31 (type d’entité), P452 (secteur), P856 (site officiel), P112 (fondateur). Cela prend 15–30 minutes et ne requiert pas de compétences techniques.

Si la marque répond aux critères de notoriété de Wikipedia, préparer ou améliorer l’article. Sinon, ne pas forcer : Wikidata offre déjà un niveau de base d’identification. Vérifier que le balisage Schema.org du site (Organization, sameAs) renvoie au Q-ID Wikidata et aux autres profils officiels. Cela crée une boucle fermée d’identification, que le graphe de connaissances peut vérifier le plus facilement.

Maintenir la cohérence : le nom, la description et la catégorie de la marque doivent être identiques dans Wikidata, sur le site, dans Google Business Profile et dans tous les catalogues externes.