Dogfooding du LLMO Score v0.1: nous avons passé le checker sur nos 6 sites

Le premier Public Experiment Log de l’Open LLMO Research Initiative.

Nous venons de publier llmo-checker, un CLI de style Lighthouse qui mesure à quel point une URL est récupérable par une IA (v0.1 Draft). La première chose que nous avons faite avec, c’est le pointer sur chaque site que nous exploitons.

Le titre du résultat, après correction: les six propriétés que nous possédons ont toutes obtenu 90 ou plus. L’artefact le plus utile de cette expérience est ce qui s’est passé pendant cette correction — raconté en détail plus bas.

Méthodologie

Outil: npx llmo-checker <url> v0.1.0
Date: 2026-05-24
Sites: 6 propriétés que nous possédons ou exploitons
Score: moyenne pondérée de 5 vérifications statiques — llms-txt (poids 20), robots-ai (15), canonical (15), jsonld (20), meta (15)
Bandes de score: 85+ bien ancré · 65–84 à retravailler · 40–64 faible · 0–39 critique

Toutes les vérifications sont des requêtes HTTP pures et du parsing HTML. En v0.1, il n’y a pas de simulation de citation par IA: le score mesure le substrate qu’un crawler IA peut réellement voir.

Résultats

Site	Rôle	Score	Bande	Check le plus faible
`llmoframework.com`	Site de cette initiative	96	bien ancré	`llms-txt` sans liste de liens (cosmétique)
`kenimoto.dev`	Site personnel de l’auteur	96	bien ancré	idem
`propel-lab.co.jp`	Site institutionnel du laboratoire	94	bien ancré	`<meta name="description">` de 47 caractères (zone idéale 80–200)
`legacydram.com`	Média whisky × ingénierie	93	bien ancré	JSON-LD partiel (pas de `Organization`/`Person`)
`mypcrig.com`	Curation de configs PC	90	bien ancré	Pas de `hreflang` (ok pour un site monolingue) + JSON-LD partiel
`kaoriq.com`	E-commerce de parfums	90	bien ancré	Pas de règles explicites pour les bots IA dans robots.txt

Médiane 93, minimum 90. Aucun site sous la bande « bien ancré ».

C’est un tableau nettement moins dramatique que celui que nous avons failli publier.

Ce dont cette expérience a failli parler

La première version de cette entrée avait un autre titre: « Notre propre site institutionnel a obtenu 29 / 100, le pire résultat du test. » Exactement le genre de rapport auto-critique qui donne de la crédibilité à un nouveau projet de mesure.

Voici l’histoire qu’elle racontait. Nous avions mesuré propel-lab.com et obtenu 29 / 100 — bande critique. Nous avions fait un curl sur la racine et trouvé une ligne de HTML:

$ curl -s https://propel-lab.com/
<!DOCTYPE html><html><head><script>window.onload=function(){window.location.href="/lander"}</script></head></html>

Une redirection via window.location.href vers /lander, invisible pour tout crawler IA que nous connaissons. Ensuite nous avons passé le checker sur /lander lui-même, et obtenu 31 / 100, également critique. Deux couches, les deux qui échouent. Nous avions une fable morale impeccable: un laboratoire orienté LLMO dont le .com institutionnel échoue au test de substrate qu’il prêche.

Nous avons failli publier.

Ce qui a arrêté la machine

Avant la mise en ligne, nous avons relancé un curl sur ce HTML de destination. Trois signatures ont sauté:

<script>window.LANDER_SYSTEM="PW"</script>
<script src="https://www.google.com/adsense/domains/caf.js"></script>
<script src="https://img1.wsimg.com/parking-lander/static/js/main.be9a3b28.js"></script>

C’est l’empreinte d’une page de domaine parqué — wsimg.com/parking-lander est un template de parking hébergé par un tiers, servi avec Google AdSense for Domains. La page tourne en mode parking, pas en site institutionnel.

Nous ne sommes pas propriétaires de propel-lab.com. Nous ne l’avons jamais été. Le site institutionnel, c’est propel-lab.co.jp, qui a obtenu 94 / 100 — bien ancré, troisième du tableau.

Notre fable morale parlait d’un domaine parqué par quelqu’un d’autre.

Pourquoi nous laissons cet épisode dans le log

La tentation, après avoir attrapé un quasi-accident comme celui-ci juste avant la publication, c’est de corriger discrètement le brouillon et d’envoyer la version honnête et sans relief, sans aucune trace de l’incident. Nous ne le faisons pas. Trois raisons:

Une initiative LLMO qui cache ses quasi-accidents revient au même qu’une qui cache ses mauvais scores. Si la falsifiabilité est érigée en principe, il faut laisser des traces des falsifications.
Le motif du domaine parqué est un cas réel d’échec de substrate. Quiconque enregistre un .com pour le branding mais n’y sert jamais de vrai site fournit aux crawlers IA un substrate de la même forme que propel-lab.com. Cet enseignement reste le même, quel que soit le propriétaire du domaine.
Le dogfooding nous a livré un dataset rempli uniquement de 90+. C’est trop propre pour être la preuve que nous espérions. Si on mesure son propre travail et que le pire score est 90, on a appris qu’on écrit ses sites en cohérence avec son propre standard — pas que le standard prédit quoi que ce soit d’utile.

La question de fond — « le LLMO Score prédit-il vraiment le comportement de citation par les IA ? » — n’est pas tranchée par un self-audit de six sites où tout passe. Il faut un panel externe de référence et un pilote de corrélation avec citation. Ce sont les deux prochains Experiment Logs.

Ce que nous changeons malgré tout sur nos propres sites

Même sans l’histoire du domaine parqué, le tableau pointe de petits ajustements à faire:

Description de propel-lab.co.jp — actuellement 47 caractères, idéal 80–200. À étendre à la même longueur que les autres descriptions institutionnelles du portefeuille
Améliorer la couverture JSON-LD de mypcrig.com et kaoriq.com — les deux sont à 82 / 100 sur jsonld parce qu’ils émettent certains, mais pas tous les types pertinents (Product, Person, Article)
Ajouter une politique explicite pour les bots IA dans le robots.txt de kaoriq.com — actuellement neutre; nous voulons un opt-in explicite pour GPTBot / ClaudeBot / Google-Extended
Ajouter une liste de liens au /llms.txt de llmoframework.com et kenimoto.dev — les fichiers actuels contiennent de la prose mais pas de section de liens; tous deux perdent une petite portion du poids llms-txt

Quand ce sera fait, nous publierons un Experiment Log de suivi avec les scores remesurés. Honnêtes sur le delta, qu’il y en ait un ou pas.

Ce que nous n’avions pas prévu d’apprendre

La leçon la plus nette ne porte pas sur le substrate. Elle porte sur la discipline narrative.

Au moment où le score 29 de propel-lab.com est revenu, le premier mouvement a été de bâtir un récit autour du chiffre. Le récit tenait, allait à contre-courant, aurait fait un post bien partagé. C’est le chiffre qui rendait le récit possible.

Le fait que nous possédions propel-lab.com a été présumé sans vérification. C’est le genre de présupposé qu’un bon récit renforce, parce qu’admettre la faille fait s’effondrer tout le post. Nous l’avons attrapé par accident — en lançant un curl supplémentaire sur une autre partie du HTML pour chercher d’autres trouvailles, pas pour remettre la prémisse en cause.

Pour un projet dont la proposition de valeur est mesurez votre substrate IA avant de présumer ce qu’il est, avoir failli publier un texte fondé sur ne pas mesurer la propriété d’un domaine avant de présumer de quoi il s’agissait, c’est le bon type d’embarras.

Limites de cette expérience

v0.1 ne mesure que le substrate. Un site peut atteindre 95 sur le substrate et obtenir tout de même zéro citation par les IA, parce que le contenu lui-même est sans intérêt, contredit des faits connus, ou duplique des sources d’autorité plus haute. Citation Visibility est réservé à v0.2.
Les poids du score (llms-txt 20, robots-ai 15, canonical 15, jsonld 20, meta 15) sont fixés par les auteurs et non validés. Ce sont des valeurs par défaut raisonnables, pas dérivées de données de résultat. Nous comptons les recalibrer au fur et à mesure que nous collecterons des données de résultat de citation en Phase 2.
Nous n’avons testé que les pages d’accueil. Les pages d’article sur chaque site peuvent avoir des scores différents.
Le dataset, ce sont six sites que nous avons rédigés nous-mêmes selon notre propre standard. Il ne dit rien sur le caractère généralisable du standard.

Reproduire l’expérience

npx llmo-checker@0.1.0 https://llmoframework.com/
npx llmo-checker@0.1.0 https://kenimoto.dev/
npx llmo-checker@0.1.0 https://propel-lab.co.jp/
npx llmo-checker@0.1.0 https://legacydram.com/
npx llmo-checker@0.1.0 https://mypcrig.com/
npx llmo-checker@0.1.0 https://kaoriq.com/

Ajoutez --json pour une sortie lisible par machine. Épinglez la version (@0.1.0); la forme du JSON peut changer en v0.2.

Pour reproduire la détection du domaine parqué, lancez aussi:

npx llmo-checker@0.1.0 https://propel-lab.com/
npx llmo-checker@0.1.0 https://propel-lab.com/lander
curl -s https://propel-lab.com/lander | head -1

Les deux premiers renverront des scores critiques. Le troisième fera ressortir les marqueurs LANDER_SYSTEM / parking-lander / adsense/domains dans le HTML.

La suite

C’est la première entrée d’une série de Public Experiment Logs. Les deux prochains que nous prévoyons de faire tourner:

Panel de référence externe — noter quelques dizaines de sites techniques à fort trafic (portails de documentation, blogs de devs, sites marketing de produit) et publier la distribution. Ça calibre à quoi « normal » ressemble — la comparaison que ce self-audit seul ne peut pas faire.
Pilote de corrélation citation — pour ~50 URLs, comparer le LLMO Score à la vraie fréquence de citation par les IA (sondage de ChatGPT, Claude et Perplexity). C’est le premier vrai test pour savoir si le score prédit bien le résultat qu’il prétend prédire.

La feuille de route complète se trouve dans Experimental Projects, et les poids du v0.1 sont définis dans la Spécification Draft du Score v0.1.

Mise à jour (24/05/2026, le même jour) : re-mesuré après livraison des quatre fixes

Les quatre fixes listés dans « Ce que nous changeons encore sur nos propres sites » ont été déployés le même jour que le post original, en deux vagues. Re-mesuré avec llmo-checker@0.1.0 :

Site	Avant	Après	Ce qui a aidé
`llmoframework.com`	96	99	Section `## Links` dans `/llms.txt` convertie en entrées `- [title](url)` conformes au spec (llms-txt 90 → 100)
`kenimoto.dev`	96	99	Même fix : `## Links`, `## Books`, `## Blog Articles` et `## Research Papers` réécrites comme entrées `[title](url)` (llms-txt 90 → 100)
`kaoriq.com`	93	96	Ajout d’un schema `Person` comme `@type` indépendant sur la home (auparavant imbriqué dans `Organization.founder`, le score ne le compte qu’une fois) — jsonld 82 → 94
`mypcrig.com`	90	93	Même fix : `Person` promu dans son propre bloc `@type` — jsonld 82 → 94
`propel-lab.co.jp`	96	96	`<meta name="description">` avait déjà été étendu de 47 à 129 caractères dans la vague v1.5.1

Les deltas sont exactement ce que la règle de scoring publiée prédit : llms-txt a un poids de 20 × le saut de 10 points (90 → 100) = +2 au total (arrondi à +3 par l’arrondi par check), et le bump de comptage @type dans jsonld (+12 par @type reconnu, poids 20 %) atterrit comme ~+2,4 sur le total. Ce type de prévisibilité explicite est exactement ce qu’un score transparent style Lighthouse gagne en sous-produit — et c’est la propriété que nous chercherons, en direction inverse, quand les données du panel de baseline externe arriveront.

Les fixes étaient petits en lignes (chacun a pris moins d’une heure, build et vérification de deploy inclus), ce qui est le takeaway plus honnête : le score n’a rien désigné de mystérieux ou de difficile à réparer. Il a désigné quatre choses mécaniques que nous n’avions pas encore nettoyées, et une fois mesurées, elles étaient suffisamment petites pour être livrées toutes ensemble en une seule vague de follow-up.

Ce que cela n’a pas prouvé : qu’aucun de ces deltas corrèle avec le comportement de citation par IA en aval. C’est toujours le travail de l’Experiment Log #3. Cette mise à jour confirme seulement que le score est cohérent en interne — les fixes produisent les deltas que le spec prédit. Le panel externe et le pilote de corrélation citation restent le vrai chemin de validation.