Lorsqu’une machine lit un site web, elle ne lit pas le site web. Elle découpe chaque page en courts passages — quelques phrases, un intertitre et le paragraphe qui le suit, une liste, une ligne de tableau — et stocke chacun séparément. Plus tard, lorsque quelqu’un pose une question, la machine cherche parmi ces passages, non parmi ces pages. Ce qui revient est un fragment, jugé entièrement pour lui-même.
Ce n’est ni un raccourci ni un défaut. C’est ainsi que la recherche documentaire doit fonctionner : un système qui répond à une question a besoin du paragraphe précis qui y répond, pas de quarante pages à parcourir. Le passage extrait est celui qui semblait le plus pertinent pris isolément, et il arrive dans la réponse sans la page qui l’entourait — pas de titre au-dessus, pas de paragraphe avant lui, rien du contexte que l’auteur supposait que le lecteur emporterait en descendant la page.
C’est là que des pages ordinaires et bien écrites échouent sans bruit. Un paragraphe qui commence par « comme indiqué plus haut, ceci est compris dans le prix » ne dit plus rien une fois extrait — qu’est-ce qui est compris, et dans le prix de qui ? Un tableau de tarifs placé trois sections sous l’intertitre qui nomme le service a perdu le service. Une phrase qui commence par « nous faisons aussi cela pour les clients professionnels » a perdu son « cela ». Chaque pronom, chaque renvoi en arrière, chaque idée coupée par un saut de paragraphe est un endroit où le fragment arrive incomplet et se voit préférer un autre qui ne l’est pas.
L’écriture qui survit à l’extraction se répète surtout là où l’on a appris aux auteurs à ne pas le faire. Elle nomme de nouveau le sujet au lieu de dire « il ». Elle place la réponse directement sous l’intertitre qui pose la question, plutôt que trois paragraphes plus loin. Elle s’en tient à une idée par passage et laisse chaque passage tenir debout seul ; elle donne à un tableau une légende qui nomme ce qu’il contient. Rien de tout cela ne rend une page moins agréable à lire — le plus souvent, elle devient aussi plus claire pour les humains.
En clair : imaginez un seul paragraphe d’une page lu à voix haute par un inconnu, sans rien avant ni après. L’auditeur saurait-il ce qui est décrit, qui le décrit, et à qui cela appartient ? C’est le test que la machine applique à chaque passage du web, et elle l’applique des milliers de fois sans jamais voir une seule fois la page entière.
