Knowledge Graph (graphe de connaissances)
Un knowledge graph est une base de données structurée d'entités (personnes, entreprises, produits, lieux) et des relations qui les relient, que Google et d'autres systèmes utilisent pour reconnaître une chose comme une entité connue plutôt que comme une simple suite de mots sur une page.
Être reconnu comme une entité dans le graphe change la façon dont une marque est traitée. Dès qu'un système sait qu'un nom désigne une entreprise précise, avec un site, un fondateur et une gamme de produits précis, il peut rattacher les nouvelles mentions à cette entité avec certitude au lieu de deviner. Le graphe enregistre cela sous forme de noeuds et de liens : la marque est un noeud, son fondateur est un noeud, la ville d'où elle expédie est un noeud, et les verbes qui les relient (fondée par, située à, fabrique) sont les liens qui donnent du sens aux faits. C'est cette structure qui permet à votre marque d'apparaître dans un knowledge panel, d'être distinguée d'entreprises au nom similaire, et d'être citée proprement lorsqu'un moteur génératif répond à une question sur votre catégorie.
Vous alimentez le graphe surtout par les données structurées et la corroboration. Le schema Organization sur votre site déclare qui vous êtes ; la propriété sameAs relie cette déclaration à vos autres profils de référence (LinkedIn, Crunchbase, Wikidata, Wikipédia, comptes sociaux), ce qui donne au graphe des points de repère indépendants qui concordent entre eux. Plus ces sources confirment les mêmes faits, plus l'entité devient solide et digne de confiance. Le schema Product et le schema Review rattachent ensuite votre catalogue et les avis clients à cette même entité reconnue, si bien qu'une note en étoiles est lue comme appartenant à un vendeur connu plutôt que comme flottant sur une page non vérifiée.
Prenons une boutique Shopify qui vend du café de spécialité sous le nom Meridian. Il existe aussi un fabricant de mobilier Meridian et une marque audio Meridian, donc un moteur de recherche a trois candidats pour un seul mot. Si la boutique de café publie un schema Organization avec son fondateur, l'adresse de sa torréfaction à Lyon et des liens sameAs vers son Instagram vérifié, sa fiche Wikidata et ses retombées presse, le graphe peut séparer le Meridian du café des deux autres et lier ses avis produits au bon noeud. Sans cela, les mentions se répartissent entre les mauvaises entités, et les avis que vous avez gagnés n'aident personne à vous trouver.
Cela compte directement pour la recherche IA. Des moteurs comme ChatGPT, Perplexity et Google AI Overviews s'appuient sur la compréhension des entités pour décider de quelle marque parle réellement une question et quels faits ils peuvent répéter sans précaution. Une marque qui est une entité propre et corroborée se cite plus facilement avec assurance ; une marque qui n'est qu'une suite de texte se confond, s'omet ou s'attribue à tort plus facilement. La lisibilité en tant qu'entité devient une condition discrète pour être nommé dans une réponse, tout simplement.
La réserve honnête : vous ne contrôlez pas le graphe et vous ne pouvez pas forcer une entrée. Le schema et le sameAs sont des signaux, pas des ordres, et c'est Google qui décide ce qu'il ingère et ce à quoi il fait confiance. Des informations contradictoires entre vos profils peuvent affaiblir ou retarder la reconnaissance, donc la cohérence compte plus que le volume. Voyez cela comme un travail de fond pour rester lisible et corroboré, pas comme un interrupteur que l'on actionne.