Un modèle de langage seul souffre de deux limites : ses connaissances s'arrêtent à sa date d'entraînement, et il peine à citer une source précise. Le search grounding corrige les deux. Face à une question, le système lance une recherche, récupère des pages pertinentes et génère sa réponse à partir de ces résultats, avec des liens vérifiables à l'appui plutôt que depuis sa seule mémoire interne.
Le mécanisme est une variante du RAG : même principe de récupération avant génération, mais ici la base interrogée est le moteur de recherche lui-même. Google l'a formalisé sous le nom « Grounding with Google Search » dans son API Gemini, et c'est la logique qui alimente les AI Overviews. On parle aussi de récupération au moment de la réponse, l'inference-time retrieval, par opposition à ce que le modèle a mémorisé à l'entraînement.
Pour la visibilité, l'enjeu est net : si vos pages ne ressortent pas dans la recherche qui précède la réponse, vous n'existez pas pour l'IA qui s'appuie dessus. L'erreur serait de croire que le grounding rend le SEO caduc — c'est l'inverse. Être trouvable par le moteur reste la condition d'entrée ; être formulé pour être cité fait la différence ensuite, et ouvre la porte à la citation IA.