Nous lançons aujourd'hui les conversations pour mesurer ce parcours complet.

La réponse courte

Une conversation Traaker est un parcours d'achat simulé en plusieurs tours, mené par l'un de vos personas face aux vrais moteurs IA, qui mesure tour après tour si votre marque est citée, recommandée ou remplacée par un concurrent.

Vous choisissez un persona, une intention de départ, un nombre de tours (jusqu'à 6), les moteurs, les lieux et les langues. Traaker rejoue la conversation à chaque lancement et vous montre :

• le taux de présence : la part des tours où votre marque est citée ;
• le tour où elle décroche, quand elle disparaît en cours de route ;
• qui est recommandé à sa place et quelles sources le moteur a utilisées ;
• un score par tour, calculé avec la même notation que vos prompts.

Les conversations se configurent dans l'onglet « Conversations » de la fenêtre « Prompts et conversations », à côté de vos prompts.

Pourquoi mesurer au-delà de la première réponse ?

Définition du taux de présence conversationnelle (Traaker) : la part des tours terminés d'une conversation où la marque suivie est citée dans la réponse du moteur. Une marque citée aux tours 1 et 2 d'une conversation de 4 tours a une présence de 50 %.

La première réponse d'un moteur sert souvent de panorama. Les tours suivants resserrent le choix : le moteur élimine des options, en ajoute d'autres, et finit par en recommander une ou deux. C'est dans ces tours que la décision se prend, et c'est là qu'une marque bien placée au départ peut perdre sa place.

Chaque run se résume en un résultat lisible :

La présence au tour 1 fait le lien avec vos prompts : c'est la même mesure, prolongée sur toute la durée de l'échange.

Une conversation se construit en quelques réglages

Le persona : qui pose les questions

Définition d'un persona (Traaker) : le profil de l'acheteur qui mène la conversation (son rôle, son contexte, sa façon d'écrire), réutilisable d'une conversation à l'autre.

Un persona se décrit avec des traits qui changent vraiment la façon dont il interroge le moteur :

Un « head of SEO » expert et challengeur ne pose pas les mêmes questions qu'un dirigeant pressé qui découvre le sujet. Les deux existent parmi vos clients, et les moteurs ne leur répondent pas de la même façon.

L'intention de départ et les tours

La conversation démarre sur l'une des quatre intentions : Apprentissage, Recherche de solution, Comparaison ou Avis. Vous fixez ensuite un plafond de 1 à 6 tours.

Par défaut, chaque tour est rédigé par le persona à partir de son profil et de votre Brand Knowledge, en réaction à ce que le moteur vient de répondre. Vous pouvez aussi scénariser un tour avec une question, une objection ou un texte libre :

• un seul contenu sur un tour : il est envoyé au moteur tel quel, mot pour mot ;
• plusieurs contenus : le plus adapté à la conversation en cours est choisi au moment du run.

Les tours scénarisés servent à poser exactement les questions qui comptent pour vous (vos prix, une objection fréquente, un concurrent précis), tandis que les autres tours restent naturels.

Moteurs, lieux, langues et runs

Une conversation se mesure sur cinq moteurs : ChatGPT, Perplexity, Gemini, Google AI Overview et Mistral (Le Chat). Elle peut être déclinée dans plusieurs lieux et langues de mesure, comme vos prompts.

Le nombre de runs (1 à 10) fixe combien de fois la même configuration est rejouée à chaque lancement. Un moteur ne répond jamais deux fois exactement de la même façon : plusieurs runs donnent une mesure plus stable qu'un échange unique (nous expliquons pourquoi dans la visibilité GEO est une distribution).

Le lieu atteint chaque moteur par son propre paramètre

Une question locale (« le meilleur outil de GEO dans ma ville ») n'a de sens que si le moteur sait où se trouve le client. Traaker transmet le lieu de la conversation dans le paramètre de localisation de chaque moteur quand il en propose un :

Dans l'exemple ci-dessous, le persona demande « le meilleur outil de GEO dans ma ville » depuis Paris, et Mistral répond pour Paris et l'Île-de-France.

Chaque tour, lu comme dans l'application du moteur

La page d'une conversation affiche chaque run tel qu'il se lit dans l'application du moteur : la page de résultats Google avec son Aperçu IA au premier tour puis le Mode IA, l'interface de Le Chat pour Mistral, les sources puis la réponse pour Perplexity. Vous lisez ce que votre client lit.

Autour de cet écran :

• une bande de dates liste les jours mesurés ; un jour sans mesure n'apparaît pas, ce qui évite de lire un faux 0 % ;
• le sélecteur de moteur affiche la présence du jour pour chaque moteur ;
• l'intention observée, tour par tour montre comment la conversation a évolué (une recherche de solution qui devient une comparaison, puis une demande d'avis) ;
• « Sources, cibles et concurrents » regroupe les domaines cités, vos Cibles reconnues (produits, établissements, experts) et les concurrents nommés, pour un run, un moteur, un lieu, un jour ou toute la conversation.

Un score par tour, avec la même notation que vos prompts

Chaque message du persona est classé comme un prompt, puis la réponse est notée avec la règle de l'axe correspondant :

Un tour de comparaison qui met en concurrence d'autres marques sans vous nommer est signalé comme tel, « Comparaison sans votre marque », plutôt que noté 0 : dans une conversation, le client peut légitimement comparer d'autres acteurs à un moment donné. La détection de votre marque s'appuie sur vos Cibles, donc une réponse qui cite l'une de vos gammes ou l'un de vos produits compte comme une citation de la marque.

Cadence et consommation

Les conversations suivent la cadence de la marque, comme vos prompts : un lancement mesure les prompts et les conversations ensemble. Leur consommation s'affiche dans le même pied de fenêtre, et chaque conversation peut aussi être relancée à la demande depuis sa page.

• Offres Elite et Enterprise : un volume de conversations simulées par mois est inclus dans l'offre (150 par mois sur Elite, sur mesure sur Enterprise), voir les tarifs.
• Agences : les conversations se paient en crédits, à raison de 2 crédits par tour terminé. Un tour qui échoue côté moteur n'est pas facturé.

Plan d'action : votre première conversation en cinq étapes

1. Cliquez sur « Configurer les prompts » depuis une page d'axe de votre marque, puis ouvrez l'onglet Conversations.
2. Choisissez un persona proche de votre acheteur réel, ou créez-le depuis « Gérer les personas ».
3. Partez de l'intention qui précède l'achat, le plus souvent Recherche de solution ou Comparaison, avec 4 à 6 tours.
4. Scénarisez le tour décisif : la question sur les prix, l'objection que vos commerciaux entendent le plus, ou le concurrent qui vous prend des affaires.
5. Lisez le tour où vous décrochez, puis ouvrez « Sources, cibles et concurrents » pour voir qui prend votre place et sur quelles sources le moteur s'appuie.

Les questions de départ d'une conversation sont souvent celles que vous suivez déjà en prompts : notre article sur le nouveau système de prompts explique comment les couvrir par thème et par lieu.

Questions fréquentes

Quelle est la différence entre un prompt et une conversation ? Un prompt mesure la réponse du moteur à une question unique. Une conversation enchaîne jusqu'à 6 questions et mesure si la marque reste présente à chaque tour, à quel moment elle disparaît et qui est recommandé à sa place.

Qui écrit les messages de la conversation ? Le persona, à partir de son profil, de votre Brand Knowledge et de la réponse précédente du moteur. Les tours que vous scénarisez sont envoyés au moteur mot pour mot, sans reformulation.

Sur quels moteurs les conversations sont-elles mesurées ? ChatGPT, Perplexity, Gemini, Google AI Overview et Mistral. Sur Google AI Overview, le premier tour est une recherche avec son Aperçu IA et les tours suivants se déroulent en Mode IA, comme pour un vrai utilisateur.

Pourquoi lancer plusieurs runs de la même conversation ? Parce qu'un moteur IA ne répond jamais deux fois exactement de la même façon. Plusieurs runs de la même configuration donnent un taux de présence plus fiable qu'un échange unique.

Comment Traaker sait-il que ma marque est citée ? Chaque réponse est comparée à vos Cibles (marque, produits, établissements, personnes). Une réponse qui nomme l'une de vos gammes ou l'un de vos établissements compte comme une citation de la marque.

Les conversations tiennent-elles compte du lieu du client ? Oui. Le lieu est transmis à chaque moteur dans son paramètre de localisation quand il en propose un (ville pour ChatGPT, coordonnées pour Perplexity et Google AI Overview, pays pour Mistral) et dans la consigne du persona pour Gemini.

Quelles offres incluent les conversations ? Les offres Elite et Enterprise incluent un volume de conversations simulées par mois. Les agences les utilisent avec leurs crédits, à 2 crédits par tour terminé.

Disponible aujourd'hui

Les conversations sont disponibles depuis le 5 novembre 2026 dans l'onglet « Conversations » de la fenêtre « Prompts et conversations ». Découvrez la plateforme Traaker ou consultez les offres.

Note de méthode. Les règles décrites ici (6 tours au plus, 1 à 10 runs, cinq moteurs, transmission du lieu par moteur, barème des scores par tour) sont celles en production au 5 novembre 2026. Les conversations sont simulées : le persona est un modèle de langage qui joue un acheteur, il ne remplace pas l'observation de vrais clients. Les réponses des moteurs varient d'un run à l'autre, c'est pourquoi les taux de présence se lisent sur plusieurs runs et plusieurs jours.

Nous lançons aujourd'hui un nouveau système de prompts pour répondre à ces quatre questions dans un seul écran.

La réponse courte

Le nouveau système de prompts de Traaker réunit dans une seule fenêtre, « Prompts et conversations », tout ce qui sert à mesurer votre marque dans les moteurs IA : la liste de vos prompts classés sur quatre axes (Image, Autorité, Recommandation, Comparaison), leurs variantes de langue et de lieu, la cadence de mesure de la marque, votre consommation du mois et une carte de couverture qui croise vos thèmes et vos lieux.

Trois changements de fond l'accompagnent :

• Un quatrième axe, la Comparaison, pour les questions où le client hésite entre plusieurs marques.
• Une seule cadence par marque, qui lance tous les axes ensemble et mesure chaque prompt une fois par période.
• Une classification automatique de chaque prompt (intention, critères, thème ou cas d'usage, cible), qui alimente la couverture et les scores.

Il est disponible pour tous les comptes depuis le 3 novembre 2026, depuis le bouton « Configurer les prompts » de chaque page d'axe.

Les quatre axes de mesure

Définition d'un axe de mesure (Traaker) : la famille de questions qu'un prompt représente, et donc la façon dont la réponse du moteur est notée. Chaque prompt appartient à un axe, que Traaker lui attribue à l'enregistrement et que vous pouvez changer.

La Comparaison : votre rang face aux marques citées

Quand un client hésite, il pose une question comparative. Le moteur répond le plus souvent par une liste ordonnée, avec une marque préférée. Le score de Comparaison suit ce rang : 100 si vous êtes classé premier, 50 deuxième, 33 troisième, 25 quatrième, et 0 si la réponse compare d'autres marques sans vous nommer. Les critères de votre Brand Knowledge (prix, délais, qualité…) sont jugés à part pour chaque réponse, ce qui vous dit sur quel point la comparaison se joue.

La Comparaison a sa propre page et sa propre carte sur le tableau de bord. Elle reste en dehors du score GEO global pour que l'historique de ce score reste comparable dans le temps.

L'Image : le ton fixe la tranche, la fidélité place la note

Le score Image repose maintenant sur une règle lisible. Le sentiment de la réponse fixe la tranche (positif de 70 à 100, neutre de 35 à 65, négatif de 0 à 30), et l'alignement avec votre Brand Knowledge place la note dans la tranche. Une réponse positive passe donc toujours devant une réponse neutre. Quand une réponse s'écarte de votre Brand Knowledge, le détail de la réponse explique l'écart en une phrase.

Créer des prompts sans partir d'une page blanche

Le bouton « + Ajouter des prompts » ouvre un compositeur avec plusieurs sources :

• Écrire : une question par ligne, telle que vous l'imaginez.
• Générer : Traaker propose des questions à partir de votre Brand Knowledge, pour un axe, un thème et une langue que vous choisissez. Sur la Comparaison, vous choisissez les concurrents à mettre face à vous.
• Persona : des questions écrites comme les poserait l'un de vos personas, quand la marque en a.
• Mots clés : jusqu'à 50 mots clés transformés en questions naturelles.
• CSV : un fichier d'une colonne, pour reprendre une liste existante.

Rien n'est enregistré avant la relecture. L'étape « Vérifier » classe chaque ligne, puis vous montre l'axe, l'intention, les critères ou le thème, et la cible détectée (votre marque, un établissement, une personne). Vous corrigez ce qui doit l'être, puis vous ajoutez.

Définition de la classification (Traaker) : l'étiquetage automatique d'un prompt au moment de son enregistrement, qui lui attribue un axe, une intention, des critères (Image et Comparaison) ou un thème et un cas d'usage (Autorité et Recommandation), et la cible dont il parle. C'est elle qui place un prompt dans la carte de couverture et qui choisit la règle de notation de ses réponses.

Une question, plusieurs langues et plusieurs lieux

Une même question peut se poser en français à Paris, en anglais à Genève et en espagnol à Barcelone. Le nouveau système gère ça comme une famille : une question d'origine et ses variantes.

• 34 langues de mesure, indépendantes de la langue de travail de la marque. Une traduction n'est créée qu'après votre approbation, avec un contrôle que les noms de marque et de concurrents ont bien été conservés.
• Jusqu'à 20 lieux par question : Mondial, vos localisations, ou n'importe quelle ville, région ou adresse recherchée. Le lieu est transmis à chaque moteur dans son paramètre de localisation quand il en a un, et dans la consigne sinon, pour se rapprocher de la réponse qu'obtient un client sur place.

La liste affiche chaque famille sur une ligne, avec ses drapeaux, son lieu principal et le nombre de prompts qu'elle représente. La colonne « Passage » indique quand chaque famille a été mesurée pour la dernière fois.

Une cadence par marque, une consommation visible

Définition de la cadence (Traaker) : la fréquence à laquelle la marque est mesurée, de tous les jours à une fois par semaine. Un lancement couvre tous les axes et tous les moteurs de la marque, et chaque prompt n'est mesuré qu'une fois par période.

Le pied de la fenêtre affiche en permanence ce que votre configuration consomme :

• Pour les offres à quota, une barre « Prompts » montre vos demandes du mois. Son détail fait le calcul à voix haute : nombre de prompts × nombre de moteurs × lancements dans le mois = demandes mensuelles, comparées à votre quota. Un changement qui dépasserait le quota est grisé avec sa raison (par exemple « Il faudrait 1 800 demandes par mois, votre quota en permet 1 500 »), avant même d'être envoyé.
• Les nouveaux prompts sont mesurés tout de suite quand le mois a encore de la place, sinon au prochain lancement, et un bandeau vous dit lequel des deux.
• Pour les agences, la cadence se règle par marque (de tous les jours à une fois par mois, ou « Manuel »), et le pied affiche les crédits par mois de la marque. Le bouton « Lancer » propose « Tous les prompts » ou « Pas encore mesurés aujourd'hui », avec le coût en crédits de chaque choix avant de confirmer.

Un prompt que vous ne voulez plus suivre se met dans « Désactivés » d'un clic, et se réactive aussi simplement. Ses résultats passés restent consultables.

La couverture : voir ce que vous mesurez, et ce qu'il manque

L'onglet Couverture croise, pour un axe, vos thèmes, cas d'usage ou critères avec vos lieux. Chaque case donne le nombre de prompts qui mesurent ce couple. Une case hachurée signale un couple que vous ne mesurez pas encore : un clic ouvre le générateur déjà réglé sur ce thème et ce lieu.

C'est la vue qui répond à la question « est-ce que je mesure mon offre de rénovation à Lyon ? » sans parcourir la liste. Elle compte aussi les conversations, pour les offres qui les incluent.

Les conversations, dans la même fenêtre

Pour les offres qui incluent les conversations (des parcours d'achat en plusieurs échanges menés par vos personas), l'onglet Conversations se trouve à côté des prompts. Vous y créez une conversation en choisissant un persona, une intention de départ, les moteurs, les langues et les lieux, et vous pouvez scénariser certains tours avec vos prompts, vos objections ou vos questions avant achat. Leur cadence et leur consommation s'affichent dans le même pied de fenêtre que les prompts.

Plan d'action : vos prompts en cinq étapes

1. Ouvrez « Configurer les prompts » depuis la page Image, Autorité, Recommandation ou Comparaison d'une marque.
2. Regardez la Couverture avant d'ajouter quoi que ce soit : les cases hachurées sont vos angles morts.
3. Générez depuis une case hachurée, relisez la classification, ajoutez.
4. Déclinez vos questions clés dans les langues et les lieux où vos clients achètent.
5. Réglez la cadence dans le pied de fenêtre, en lisant la consommation qu'elle implique.

Pour mesurer précisément ce que les moteurs citent (vos produits, vos boutiques, vos experts), associez ces prompts aux Cibles. Et pour comprendre pourquoi une liste de questions bien choisies vaut mieux qu'une liste de mots clés, lisez notre mesure des requêtes générées par l'IA.

Questions fréquentes

Mes prompts existants sont-ils conservés ? Oui. Vos prompts et leur historique de résultats sont repris tels quels. Ceux qui n'ont pas encore été classés apparaissent comme « non classés » et le deviennent dès que leur texte est modifié et validé.

Qu'est-ce qu'une demande ? Une demande correspond à un prompt mesuré sur un moteur lors d'un lancement. Une variante de langue ou de lieu compte comme un prompt, puisqu'elle est posée séparément au moteur.

Quelle est la différence entre l'Image et la Comparaison ? L'Image mesure ce que le moteur dit de votre marque quand on lui pose la question à son sujet. La Comparaison mesure votre rang quand le client met plusieurs marques en concurrence.

Pourquoi une seule cadence par marque ? Parce qu'un lancement mesure alors toute la marque d'un coup, tous axes confondus. Vos axes sont comparables entre eux à la même date, et votre consommation se lit en une seule ligne.

Que se passe-t-il si ma configuration dépasse mon quota ? Le changement est grisé avec sa raison avant d'être envoyé. Si un lancement ne tient plus dans le mois, il est refusé en entier et une notification vous l'indique, ce qui garde vos résultats cohérents.

Puis-je mesurer la même question dans plusieurs pays ? Oui, jusqu'à 20 lieux par question et dans 34 langues. Chaque lieu est transmis au moteur dans son paramètre de localisation quand il en a un, et dans la consigne sinon.

Les agences gardent-elles le lancement manuel ? Oui. Le bouton « Lancer » mesure toute la marque, avec le choix de tout relancer ou seulement ce qui n'a pas encore été mesuré aujourd'hui, et le coût en crédits s'affiche avant de confirmer.

Disponible aujourd'hui

Le nouveau système de prompts est actif sur tous les comptes depuis le 3 novembre 2026. Ouvrez une page d'axe de votre marque et cliquez sur « Configurer les prompts », ou découvrez la plateforme Traaker.

Note de méthode. Les chiffres de cet article (quatre axes, 34 langues, 20 lieux par question, barème de la Comparaison et tranches de l'Image) décrivent les règles en production au 3 novembre 2026. Les quotas de demandes et les moteurs disponibles dépendent de votre offre. Les scores restent des mesures d'échantillons de réponses : une variation d'un jour sur l'autre fait partie du comportement normal des moteurs.

Le mot-clé n'a pas disparu. Il a changé de main. Ce n'est plus l'utilisateur qui le tape, c'est le moteur qui l'écrit, parfois par dizaines, avant de rédiger sa réponse. Google appelle ce mécanisme le query fan-out. Plusieurs plateformes proposent aujourd'hui d'extraire ces requêtes machine et de vous les revendre comme une nouvelle liste de mots-clés à travailler.

Nous avons testé si cette liste veut dire quelque chose. 224 appels à l'API Gemini, 3 intentions commerciales, 8 paraphrases équivalentes de chacune, 2 modèles, et 4 hypothèses dont les critères de réfutation étaient fixés avant la collecte. Deux hypothèses sur quatre sont tombées. Nous les publions comme telles, c'est ce qui rend le reste opposable.

Trois résultats, tous mesurés :

• Deux exécutions du même prompt, mot pour mot identique, ne partagent que 3 à 9 % de leurs requêtes machine. Sur un modèle, 62 appels ont produit 237 requêtes distinctes.
• Sur le modèle que vous utilisez aujourd'hui, un appel sur deux n'émet aucune requête. La réponse sort des poids du modèle. Sur l'une de nos trois intentions, aucune recherche n'a eu lieu, sur 24 appels.
• Sur une intention locale, 94 % des requêtes nomment un établissement précis. Et quand on coupe l'outil de recherche, le modèle nomme déjà ces mêmes établissements.

Donc une liste de mots-clés extraite d'un moteur IA décrit une exécution et les croyances préalables du modèle. Pas l'intention de votre client. Le papier complet, les données brutes et le code sont en bas de cet article.

Une intention, deux formulations, aucun mot commun

Le 1er octobre 2026, deux recherches lancées à quelques secondes d'intervalle :

Zéro mot commun hors le radical « pizz- ». Deux résolutions géographiques différentes. La même adresse en tête.

Un moteur à appariement de chaînes, celui de 2010, aurait traité ces deux lignes comme deux marchés distincts, avec deux volumes de recherche, deux difficultés, deux pages à écrire. Un moteur qui encode la requête et l'index dans le même espace vectoriel les traite comme deux points voisins. L'unité de travail n'est plus la chaîne de caractères, c'est l'intention.

C'est là que le raisonnement par mots-clés commence à coûter cher, et il y a un chiffre pour le mesurer. Semrush a confronté les prompts observés dans son panel de clickstream, plus d'un milliard de lignes sur 200 millions d'utilisateurs américains, à sa propre base de 27 milliards de mots-clés : sur l'essentiel de la période octobre 2024 à février 2026, 65 à 85 % des prompts ne correspondent à aucun mot-clé existant (Semrush). Pas de volume, pas de CPC, pas de difficulté. Rien à acheter.

Au passage, la même étude corrige un chiffre qui circule beaucoup. Le « les prompts IA font 23 mots contre 4 sur Google » (et sa variante « 60 contre 3,4 ») compte tous les prompts, dont le code, la traduction, la rédaction et le brainstorming, qui ne déclenchent jamais de recherche web. Quand on sépare les deux populations, la lecture s'inverse :

La moyenne haute vient des prompts qui ne cherchent rien, et elle baisse. Ceux qui comptent pour la visibilité IA font 8,7 mots, et ils rallongent. Construire une stratégie sur « les prompts sont longs, pensez conversation » revient donc à répéter une erreur de lecture.

Ce que fait vraiment le moteur : le query fan-out

Définition du query fan-out : mécanisme par lequel un moteur génératif décompose la question de l'utilisateur en sous-sujets et émet lui-même plusieurs requêtes de recherche simultanées, dont les résultats alimentent ensuite sa réponse.

Ce ne sont pas nos mots, ce sont ceux de Google, qui décrit AI Mode comme « breaking down your question into subtopics and issuing a multitude of queries », et Deep Search comme capable d'émettre « hundreds of searches » (Google).

Côté ChatGPT, Nectiv a extrait ces requêtes machine sur plus de 8 500 prompts commerciaux dans neuf verticales : 31 % des prompts déclenchent une recherche, 2,17 recherches par prompt qui cherche, 5,48 mots par requête, et le local cherche le plus (59 %) (Nectiv). Un an plus tard, sur environ 4 000 prompts rejoués : 7,61 requêtes par prompt, maximum 29, et 64 % des requêtes utilisent un opérateur site: (Nectiv).

Retenez ce dernier chiffre, nous y revenons : une requête site: interroge un domaine déjà choisi. Le moteur ne cherche pas qui pourrait répondre, il vérifie quelqu'un qu'il a déjà en tête.

Le mot-clé est donc passé d'un input que vous choisissiez à un output du moteur que vous ne voyez jamais, et qui n'apparaît dans aucune Search Console. D'où l'offre qui se construit autour : des plateformes qui promettent de « transformer une requête IA en mots-clés ». La promesse suppose deux choses. Que ces requêtes soient stables pour une intention donnée, et qu'elles existent. Nous avons vérifié les deux.

Notre test : 3 intentions, 8 paraphrases, 224 appels

Pourquoi Gemini. C'est, à notre connaissance, le seul moteur grand public dont une API officielle renvoie ses propres requêtes de recherche : generateContent avec l'outil google_search expose groundingMetadata.webSearchQueries, la liste exacte des requêtes émises, et groundingChunks[], les sources retenues (documentation Gemini). Les requêtes de ChatGPT sont visibles dans le JSON de son interface web, mais aucune API officielle ne les expose. Tous les chiffres ci-dessous sont donc mesurés sur Gemini, et nous ne les généralisons pas aux autres moteurs.

Le matériel. Trois intentions commerciales en français, choisies pour couvrir trois surfaces de recherche différentes : un CRM pour une PME (B2B SaaS), la meilleure pizzeria napolitaine de Paris ouverte le dimanche soir (B2C local), un vélo électrique pour 15 km de trajet quotidien à environ 2 000 € (B2C achat réfléchi).

Chaque intention a huit paraphrases de 21 à 25 mots (moyenne 21,4) qui conservent toutes les contraintes : question directe, synonymes lexicaux, ordre des contraintes inversé, registre familier, forme impérative, contexte narratif d'abord, contrainte exprimée en négatif, et paraphrase du terme de tête lui-même. Cette dernière est reportée à part : c'est le test le plus dur, et un sceptique pourrait contester qu'il s'agisse d'une vraie paraphrase.

Le groupe de contrôle, qui est tout l'enjeu. Chaque prompt est rejoué 3 fois (5 fois dans un second run de puissance). Comparer deux paraphrases ne veut rien dire si l'on ne sait pas de combien deux exécutions du même prompt diffèrent déjà. Sans cette référence, on publie du bruit d'échantillonnage en le présentant comme un effet. C'est la même exigence que celle qui nous a fait démonter une étude de cas AEO populaire : un chiffre sans point de comparaison ne dit rien.

Les hypothèses, avec leur critère de réfutation, fixées avant la collecte :

Nous nous étions engagés à ne rien publier d'une hypothèse qui tombe. Deux sont tombées. La suite explique pourquoi elles tombent, et pourquoi la conclusion en sort plus solide.

Résultat 1 : les requêtes machine ne sont pas reproductibles

Nous voulions montrer que deux formulations équivalentes produisent des requêtes différentes. C'est vrai, trivialement : l'indice de Jaccard entre les requêtes de deux paraphrases vaut 0,011, soit à peu près aucun recouvrement.

Sauf que le contrôle raconte autre chose.

Relancez le prompt identique : 91 à 97 % des requêtes changent. Sur gemini-2.5-flash, 62 appels ayant cherché ont produit 237 requêtes distinctes, c'est-à-dire presque une requête neuve par appel. Avec 70 paires de contrôle sur l'intention pizzeria, l'écart tombe à 0,049, intervalle de confiance à 95 % de 0,018 à 0,073. Sur les deux modèles, l'intervalle entier est sous notre seuil de 0,10.

H1-bis est donc réfutée, et c'est un meilleur argument que celui que nous cherchions. Nous voulions dire « reformulez, et les mots-clés changent ». La réalité est plus dure : ne reformulez rien du tout, et les mots-clés changent quand même. Le « mot-clé IA » n'est pas une propriété de la requête, ni de l'intention. C'est un artefact de l'exécution.

Conséquence opérationnelle directe : il n'existe pas de « bonne formulation » dont on pourrait tirer des mots-clés plus justes, et une liste extraite d'un appel n'est pas reproductible par la personne à qui vous la présentez. Si vous achetez un rapport de fan-out, vous achetez un tirage.

À un autre niveau de mesure, la paraphrase fait quand même bouger quelque chose : au niveau des mots plutôt que des chaînes entières, l'écart monte à 0,115 sur l'intention locale. Ce que partagent ces requêtes, ce sont les contraintes du prompt (dimanche soir, horaires, prix, réservation), pas des requêtes communes.

Résultat 2 : dans la moitié des cas, il n'y a aucune requête à extraire

Sur gemini-3.8-flash, 49 % des appels n'ont émis aucune requête de recherche. Ventilation par intention, et elle est parlante :

Sur l'intention B2B, le modèle n'a jamais cherché. Il a répondu depuis ses poids, environ 4 000 caractères de recommandations, avec des noms de produits, sans qu'aucune page web ne soit consultée. Il n'y a là aucun mot-clé à extraire, aucune source à influencer sur le moment, et aucune trace à auditer. La visibilité s'y joue entièrement en amont, dans ce que le modèle a mémorisé à l'entraînement.

Le taux dépend du modèle : sur gemini-2.5-flash, seuls 1,6 % des appels se passent de recherche. On ne peut donc pas écrire « la moitié des prompts ne cherchent jamais » comme une loi générale. On peut écrire « sur le modèle que les utilisateurs ont aujourd'hui, un appel sur deux ». Et ce point précis converge avec ce que Nectiv observe sur ChatGPT, où 31 % des prompts commerciaux déclenchent une recherche, et où le local est la verticale qui cherche le plus.

C'est la première faille conceptuelle des offres de fan-out : elles mesurent le chemin de récupération, et sur une partie substantielle des prompts, ce chemin n'existe pas.

Résultat 3 : en local, le fan-out vérifie une short-list, il ne découvre rien

Voici les requêtes réellement émises sur l'intention pizzeria :

peppe pizzeria paris dimanche soir reservation
popine paris dimanche soir reservation
guillaume grasso pizzeria paris dimanche soir
agata pizzeria paris reservation dimanche soir
"da michele" bastille paris pizza prix dimanche

94 % des requêtes de cette intention (66 sur 70) nomment un restaurant précis ou un classement. Hors le nom, les mots qui restent sont les contraintes du prompt. Sur l'intention vélo, 57 % des requêtes nomment une marque ou un modèle.

Ces requêtes ne cherchent pas « où manger une pizza napolitaine à Paris ». Elles vérifient si Peppe est ouvert le dimanche soir. Reste à savoir d'où viennent les noms.

Nous avons rejoué le même prompt sans aucun outil de recherche, avec les résumés de raisonnement du modèle activés. Sans accès au web, le modèle nomme déjà douze établissements : Peppe, Popine, Guillaume Grasso, Dalmata, La Manifattura, Agata, Iovine's, Popolare, Bricktop, Da Michele et d'autres. On rallume la recherche : les cinq établissements interrogés appartiennent tous à cette liste, et sur l'ensemble du run de 72 appels, 9 des 12 établissements interrogés en font partie. Un résumé de raisonnement, pendant un appel avec recherche, dit ceci : « First, I need to consider my top candidates. »

La formule du fan-out sur une intention locale est donc :

requêtes machine = [la short-list que le modèle a déjà en tête] × [les contraintes du prompt]

Et là, l'argument devient structurel plutôt que statistique. Même si les requêtes machine étaient parfaitement stables, les extraire ne vous apprendrait rien sur la demande. Vous liriez la liste de candidats que le modèle avait déjà, filtrée par les contraintes de l'utilisateur. Un classement de n-grammes récurrents dans ces requêtes, « reviews », l'année courante, « comparison », décrit le comportement du modèle. Ce n'est pas un inventaire d'intentions.

Les 64 % de requêtes site: mesurées chez ChatGPT disent exactement la même chose, par un autre chemin : interroger un domaine nommé suppose de l'avoir déjà choisi.

Ce qui déplace la question de travail. Elle n'est plus « quels mots-clés viser », elle est « comment entrer dans la short-list », c'est-à-dire exister dans ce que le modèle a mémorisé et dans les sources qu'il consulte pour se vérifier.

Ce que nous voulions démontrer, et qui est faux

Notre hypothèse de départ était élégante : les requêtes divergent, mais les sources citées convergent, donc l'intention est l'objet stable et le chemin lexical n'est qu'un bruit. Elle est fausse, et la façon dont elle est tombée vaut la peine d'être racontée.

Le test naïf semblait la confirmer. Les domaines cités se recoupent effectivement bien plus que les requêtes : environ 0,23 à 0,34 contre 0,01. Mais ce test ne discrimine rien. Nous l'avons passé sur des données simulées où toutes les paraphrases tirent leurs requêtes au hasard dans un même réservoir, donc sans aucun effet à détecter : les domaines sortent à 0,47 contre 0,05 pour les requêtes, et le test déclare « confirmé ». La raison est mécanique : il y a beaucoup moins de domaines possibles que de chaînes de requête possibles, donc les domaines se recoupent davantage même sous bruit pur.

Nous avons donc remplacé le test, avant de lancer l'étude, par une différence de différences : l'effet de la paraphrase sur les requêtes, moins son effet sur les domaines, chacun mesuré par rapport au bruit du même prompt rejoué. Verdict : −0,018 sur un modèle, −0,068 sur le run de puissance, 0,010 sur l'autre modèle. La paraphrase déplace les sources au moins autant que les requêtes. H2 est réfutée.

Pire pour l'hypothèse élégante : sur l'intention locale, la paraphrase déplace la short-list elle-même. Le recouvrement des restaurants nommés par appel passe de 0,555 entre deux exécutions du même prompt à 0,395 entre paraphrases. Les sources suivent. Ce n'est pas « réponse stable, chemin instable », c'est l'inverse : les chaînes de requêtes sont du bruit, et là où la formulation agit, elle agit sur la réponse.

Nous n'écrirons donc jamais « les sources convergent alors que les requêtes divergent ». Nos propres données le réfutent. Et cette nuance a une conséquence commerciale qui n'est pas confortable : sur une intention locale, la façon dont votre client formule sa question change la liste où vous devez figurer.

Ce qui reste vrai du SEO

Rien de ce qui précède ne dit que le SEO est inutile. Le GEO (Generative Engine Optimization) n'est pas un remplacement, c'est une extension, et deux planchers restent entièrement techniques.

Le plancher de récupération. Sans crawl, pas de citation. Quand le moteur vérifie sa short-list, il lit des pages, et il faut que les vôtres soient accessibles et lisibles par les robots des moteurs IA, qui n'ont pas les mêmes capacités que Googlebot (comparatif des crawlers).

Le plancher d'extraction. Les requêtes que nous avons observées sont des vérifications de contraintes : horaires, prix, disponibilité, réservation, compatibilité. Si la réponse à une contrainte est dans une image, derrière un onglet JavaScript ou noyée dans un paragraphe, le moteur ne la trouve pas et le candidat sort de la liste.

Ce qui change, c'est l'objet du travail. Pas une liste de chaînes à viser, mais une présence à construire et une absence à mesurer.

Plan d'action

1. Arrêtez d'acheter des listes de mots-clés IA. Si un rapport vous présente les requêtes de fan-out comme des mots-clés à viser, demandez le contrôle : la même mesure rejouée deux fois sur le même prompt. Sans ce chiffre, le rapport décrit un tirage.
2. Travaillez par intentions, pas par chaînes. Une intention est un jeu de contraintes (qui, où, quand, combien, à la place de quoi). Listez les contraintes de vos clients, pas les formulations.
3. Échantillonnez au lieu de mesurer une fois. Puisque deux exécutions du même prompt divergent, une mesure ponctuelle de votre visibilité n'est pas fiable : la visibilité GEO est une distribution, pas un score.
4. Mesurez par modèle, pas en moyenne. Nos deux modèles ne se comportent pas pareil : 49 % d'appels sans recherche contre 1,6 %. Un chiffre de visibilité agrégé sur plusieurs moteurs cache l'essentiel.
5. Traitez l'entrée dans la short-list comme l'objectif. Donc : mentions sur des sources tierces que le moteur consulte, nommage de produit cohérent partout, présence dans les classements et comparatifs de votre catégorie.
6. Rendez chaque contrainte vérifiable en une ligne. Horaires, prix, périmètre, compatibilité, délais, en texte, dans une page crawlable. C'est ce que le moteur vient contrôler.
7. Surveillez les intentions qui ne cherchent pas. Sur vos sujets B2B, testez si le moteur consulte le web. Si non, votre levier est la mémoire du modèle, qui se construit sur des mois.

Traaker mesure cette présence par moteur, par intention et dans le temps, avec les sources réellement citées. Voir comment la plateforme fonctionne.

Questions fréquentes

Qu'est-ce que le query fan-out ? C'est le mécanisme par lequel un moteur génératif décompose la question de l'utilisateur en sous-sujets et émet lui-même plusieurs requêtes de recherche avant de répondre. Google le décrit pour AI Mode, et Nectiv en mesure 7,61 par prompt en moyenne sur ChatGPT, avec un maximum de 29.

Peut-on extraire les mots-clés qu'une IA utilise et les travailler comme en SEO ? Non, pour trois raisons mesurées. Ces requêtes ne sont pas reproductibles : deux exécutions du même prompt n'en partagent que 3 à 9 %. Une part substantielle des prompts n'émet aucune requête (49 % sur le modèle que nous avons testé). Et sur une intention locale, 94 % des requêtes nomment un candidat que le modèle avait déjà en tête, donc elles décrivent ses croyances plutôt que la demande.

Les mots-clés sont-ils morts pour autant ? Le mot-clé comme unité de ciblage achetable est mort : 65 à 85 % des prompts ne correspondent à aucun mot-clé de la base de 27 milliards de Semrush. Le vocabulaire, lui, reste utile pour une autre raison : le moteur vérifie des contraintes, et ces contraintes doivent être écrites en clair sur vos pages.

Pourquoi « meilleure pizza Paris » et « Pizzeria numéro 1 dans la capitale de la France » donnent-ils la même réponse ? Parce que l'appariement ne se fait plus entre chaînes de caractères mais entre vecteurs. Le moteur encode la requête et les contenus indexés dans le même espace sémantique et compare des positions, pas des mots. Deux formulations d'une même intention tombent donc dans la même zone. Attention toutefois : cela ne rend pas les formulations parfaitement interchangeables. Nos données montrent que sur une intention locale, paraphraser déplace la liste de candidats retenus (recouvrement 0,555 contre 0,395).

Faut-il encore faire du SEO technique pour être cité par les IA ? Oui. Sans crawl il n'y a pas de récupération, et donc pas de citation. Les requêtes que nous avons observées sont des vérifications de contraintes précises : si la réponse n'est pas lisible par un robot, le candidat sort de la liste. Le SEO technique est devenu un plancher, plus un levier de différenciation.

Ces résultats valent-ils pour ChatGPT et Perplexity ? Ils sont mesurés sur Gemini, le seul moteur dont une API officielle publie ses propres requêtes. Deux points seulement convergent avec les données publiées sur ChatGPT : l'absence fréquente de recherche, et le fait que le local soit la verticale qui cherche le plus. Les données ChatGPT existantes ne mesurent ni la reproductibilité ni l'effet de la paraphrase, donc nous ne transposons pas le reste.

Qu'est-ce qu'il faut suivre à la place d'un classement de mots-clés ? La présence : sur quelle part d'un échantillon d'intentions êtes-vous cité, par quel moteur, avec quelles sources, et où êtes-vous absent. C'est une distribution à échantillonner dans le temps, pas une position à relever.

Le papier, les données et le code

• Papier complet (anglais, 7 pages, méthode, verdicts, limites) : Paraphrase and Fan-Out: What Gemini's Queries Reveal (and Don't Reveal) About Intent
• Données brutes et scripts : archive ZIP contenant les 224 enregistrements d'appels (prompt, variante, exécution, requêtes, domaines, réponse, modèle, horodatage), la sonde sans outil, le protocole, le script de collecte et le script d'analyse.

Pour rejouer l'étude il faut une clé API Gemini, Node, et environ quatre minutes par run de 72 appels. Les verdicts peuvent différer des nôtres : le comportement des moteurs change dans le temps, et c'est précisément pour cela que nous publions les fichiers.

Note de méthode et limites. Démonstration de mécanisme reproductible, pas estimation de population : 3 intentions, 24 prompts en français, 224 appels, 2 modèles, une seule géographie et un seul instantané temporel (1er octobre 2026). Un seul moteur, Gemini, parce que c'est le seul dont une API officielle publie ses requêtes ; aucune transposition mécanique à ChatGPT ou Perplexity. webSearchQueries est une déclaration du moteur sur lui-même, pas une capture réseau, et l'API avec l'outil google_search n'est pas l'application Gemini grand public. Les résumés de raisonnement sont écrits par le modèle, et l'API ne les horodate pas par rapport aux recherches : l'ordre entre sélection des candidats et recherche est donc inféré, pas observé. L'équivalence sémantique des paraphrases est un jugement humain, rendu auditable par un jeu de contraintes imposé et une grille de transformations nommées, pas prouvée. Le lexique d'entités qui classe les requêtes a été construit à la main depuis les données brutes. L'intention CRM ne fournit aucune donnée pour H1 et H2 sur le modèle principal puisqu'elle n'a jamais cherché, et l'intention vélo a peu de paires de contrôle. Les intervalles sont des intervalles de confiance à 95 % obtenus par bootstrap sur les variantes. Mesure descriptive, aucune causalité revendiquée.

Nous lançons aujourd'hui les Cibles pour régler ça. Vous déclarez précisément ce que vous voulez détecter dans les réponses des moteurs IA, et Traaker vous dit lequel de ces éléments a été cité, dans quelle réponse, et dans quelle source.

La réponse courte

Une cible est un identifiant vérifiable de votre entreprise que Traaker cherche mot pour mot dans les réponses des moteurs IA : un nom de marque et ses alias, l'URL d'une page produit, l'adresse d'un point de vente, un domaine éditorial, le nom d'un porte-parole. Vous pouvez en déclarer jusqu'à 500 000 signaux par marque, répartis en six familles de cibles, et les organiser avec jusqu'à 20 tags par cible.

La détection est déterministe : ce sont des règles de correspondance de texte, pas un modèle de langage qui juge. Deux conséquences directes. Le même contenu donne le même verdict d'un run à l'autre, donc une variation de votre score est un vrai mouvement du marché et non le bruit d'un modèle. Et le temps d'analyse d'une réponse ne dépend pas du nombre de cibles : chercher 500 000 signaux coûte le même temps que d'en chercher un.

Le problème : « cité » ne veut rien dire

Tous les outils de mesure GEO posent la même question au moteur, puis cherchent votre nom de marque dans la réponse. C'est la mesure la plus facile à construire, et c'est celle qui vous apprend le moins.

Trois angles morts, et ils coûtent cher :

• Le nom de marque est le mauvais objet. Vous ne vendez pas un nom, vous vendez 310 produits, 40 boutiques, un magazine de marque et trois experts qui passent en télévision. Savoir que votre nom apparaît ne dit pas si c'est votre page produit qui a été recommandée ou une page de comparateur qui parle de vous.
• Les homonymes gonflent silencieusement les scores. Une marque qui s'appelle « Carré », « Atlas » ou « Pause » est citée partout, tout le temps, sans que ça ait le moindre rapport avec elle. Un outil qui cherche une sous-chaîne dans un texte ne peut pas faire la différence.
• Le faux positif géographique est le pire des trois. Une réponse qui dit « le salon DESSANGE est situé rue du Marché aux Herbes, et Toni&Guy vient d'ouvrir dans la même rue » contient votre marque et votre rue. Elle contient aussi un concurrent. Compter cette réponse comme une citation de votre établissement est une erreur de mesure qui vous fait croire que vous gagnez une zone que vous perdez.

Le SEO classique se contentait d'une position dans une page de résultats. Un moteur de réponse ne renvoie pas de position : il renvoie une phrase, avec un objet dedans. La mesure doit donc porter sur l'objet.

Qu'est-ce qu'une cible, exactement

Définition d'une cible (Traaker) : une entité que vous déclarez une fois, avec les valeurs exactes sous lesquelles elle peut apparaître dans une réponse d'IA. Traaker compile chaque valeur en signaux, les formes normalisées réellement recherchables (accents repliés, apostrophes canonisées, URL réduites à leur forme comparable, numéros de téléphone en E.164). Un signal est l'unité que la mesure consomme, et c'est elle que votre quota compte.

Une cible produit plusieurs signaux. Un établissement nommé « Jacy'z Hotel & Resort » en génère une poignée à lui seul, parce que ChatGPT écrira l'apostrophe courbe là où votre back-office a saisi l'apostrophe droite, et parce que le « & » disparaît de certaines reprises. C'est ce travail de compilation qui fait la différence entre une cible déclarée et une cible réellement détectable.

Les six familles de cibles

Les Produits et les Catégories sont regroupés sous un onglet « Catalogue », ce qui donne cinq onglets à l'écran pour six familles.

Le plafond de 500 000 signaux par marque est la valeur par défaut, sur tous les plans. Il est par marque et non par compte : une agence qui gère quinze marques disposera de quinze fois ce budget, sans qu'une marque volumineuse n'affame les autres.

Les personnes : 50 titres, 13 langues

La famille Personnes mérite un mot, parce que c'est celle que personne ne mesure. Un coiffeur, un avocat, un chirurgien ou un chef est cité sous son titre autant que sous son nom, et le titre change de langue avec le moteur. Traaker embarque 50 titres de civilité, de profession, de grade militaire, religieux, nobiliaire et politique, déclinés en 13 langues (français, anglais, allemand, espagnol, italien, portugais, néerlandais, arabe, persan, hébreu, japonais, chinois, malais). Vous choisissez le titre, Traaker propose les formes de nom, vous cochez celles qui vous concernent.

Un docteur français cité en anglais dans une réponse de Perplexity est détecté, parce que la forme anglaise a été générée au moment où vous avez créé la cible.

Comment remplir 500 000 cibles sans les saisir

Un plafond de 500 000 signaux n'a d'intérêt que si le remplissage n'est pas un projet. Trois chemins, du plus rapide au plus manuel :

1. Depuis votre sitemap. Vous donnez votre domaine, Traaker trouve le sitemap (sept paliers de détection, du robots.txt au llms.txt) et récolte jusqu'à 50 000 URL. Il sépare tout seul les pages produit des pages catégorie, puis affiche le décompte dans une étape « Analyser » avant que vous ne validiez quoi que ce soit. Vous voyez « 310 produits, 1 402 catégories » et vous décidez ensuite.

2. Par CSV. Un modèle téléchargeable par famille, jusqu'à 5 000 lignes par lot. Un second import fusionne avec l'existant au lieu de créer des doublons : vous pouvez rejouer le même fichier enrichi sans nettoyer derrière vous, et les coordonnées déjà géocodées de vos établissements sont conservées.

3. À la main, dans un dialogue par famille. C'est la voie normale pour vos marques, vos établissements et vos porte-paroles, qui se comptent en dizaines et pas en milliers.

Côté performance, la consolidation d'une partition tourne à environ 2,5 secondes pour 100 000 cibles sur notre infrastructure. Au-delà de 100 000 cibles, l'écriture passe en file d'attente et vous rend la main immédiatement au lieu de faire tourner un spinner.

Une détection déterministe, pas une IA qui devine

C'est le choix d'architecture le plus important, et c'est celui qui explique les deux propriétés annoncées plus haut.

Traaker ne demande pas à un modèle de langage « est-ce que cette marque est citée ? ». Il replie la réponse (accents, casse, apostrophes), la découpe en séquences de mots, et compare ces séquences à l'ensemble de vos signaux. Le résultat est un oui ou un non, reproductible, explicable, et dont le coût est proportionnel à la longueur de la réponse et pas au nombre de vos cibles.

La règle de co-occurrence, et pourquoi elle existe

Un établissement pose un problème que les autres familles n'ont pas : son nom seul ne l'identifie pas. Quarante salons portent le même nom d'enseigne, et une rue est partagée avec les concurrents installés dessus.

Traaker exige donc deux conditions cumulées pour créditer un établissement : la marque et la rue doivent apparaître à moins de 80 caractères l'une de l'autre, et dans la même phrase. La fenêtre seule ne suffisait pas : « DESSANGE est une enseigne bien connue. Toni&Guy vient d'ouvrir rue du Marché aux Herbes » place les deux moitiés à 47 caractères, franchit un point, et parle d'un concurrent. Une paire signifie « cette rue à côté de cette marque », et deux phrases ne sont pas ça, aussi proches soient-elles.

La conséquence est visible à l'écran : chaque fiche d'établissement affiche son niveau de précision et ce qui l'identifie réellement. Une ville partagée par deux de vos salons n'est pas retenue comme clé, parce qu'elle ne permet pas de savoir duquel l'IA parle.

Une seule recherche remplit le nom, l'adresse, le téléphone, le site et le Place ID depuis la fiche Google. Vous ne ressaisissez rien.

Les contenus : voir qui vous reprend comme source

La famille Contenus répond à une question différente des autres : quand un moteur cite une source à propos de vous, laquelle ?

Vous déclarez vos domaines et vos sections éditoriales, et Traaker les regroupe par domaine racine plutôt que par sous-domaine. blog.votremarque.com, pro.votremarque.com et votremarque.com tombent dans le même groupe, parce que trois lignes pour un seul média rend le tableau illisible sans rien apprendre.

Chaque contenu est rattaché à une marque, ce qui permet de colorer sa citation dans la réponse avec la couleur de cette marque. Sur un compte qui suit plusieurs enseignes, vous distinguez d'un coup d'œil votre média du média d'un concurrent.

Le tagging : découper la mesure selon votre organisation

Une cible accepte jusqu'à 20 tags, de 40 caractères chacun, dans n'importe quelle famille. Le vocabulaire est libre : vous n'avez aucune taxonomie à maintenir avant de commencer.

Ce que les tags servent à faire :

• Filtrer vos cibles côté serveur, sur l'ensemble de la base et pas seulement sur la page affichée.
• Découper une mesure par gamme, par région, par réseau (succursales contre franchises), par campagne.
• Renommer sans casser. Un tag renommé est rétroactif sur toutes les cibles qui le portent, sans réindexation et sans délai. Les tags ne sont jamais recherchés dans les réponses : ce sont des étiquettes d'analyse, pas des signaux.

Un tag est donc l'axe d'analyse que vous ajoutez après coup, quand la question arrive, sans avoir à refaire votre configuration.

Ce que ça change dans vos rapports

Les Cibles ne sont pas un écran de configuration de plus, elles changent la lecture de vos mesures de visibilité.

Dans les réponses des moteurs, chaque cible détectée est surlignée dans la couleur de sa marque, dans le texte comme dans la liste des sources citées. Le panneau de chaque moteur affiche les familles reconnues. Vous ne lisez plus un pourcentage, vous lisez la phrase qui l'a produit, avec le mot exact qui a déclenché la détection.

C'est aussi ce qui rend le résultat contestable, au bon sens du terme : quand un chiffre vous surprend, vous pouvez remonter à la citation et vérifier. Un score sans cette traçabilité est un acte de foi.

Pour qui

• Réseaux et enseignes à points de vente : la famille Établissements avec sa règle de co-occurrence est la seule façon honnête de mesurer une visibilité IA locale. Savoir que « votre marque » est citée dans une réponse sur Bruxelles ne dit pas si c'est votre salon de l'avenue Louise ou celui du Marché aux Herbes.
• E-commerce et marketplaces : 310 produits ou 100 000, le coût de la mesure ne bouge pas. Les Cibles complètent le module E-commerce en portant la détection au niveau de l'URL exacte de chaque fiche.
• Marques média et éditeurs : la famille Contenus mesure votre contenu en tant que source citée, ce qui est la conversion qui compte quand votre modèle est éditorial.
• Cabinets, cliniques, professions libérales : la famille Personnes mesure la notoriété de vos praticiens, titre et langue compris. C'est souvent la personne qui est recommandée, pas la structure.
• Agences : le quota de signaux est par marque, donc un gros client ne consomme pas le budget des autres.

Plan d'action : vos Cibles en cinq étapes

1. Déclarez votre marque : son nom, ses alias réellement utilisés (ancien nom, graphie sans accent, abréviation locale) et son domaine. Sans cible « Marques », rien n'est surligné dans les réponses.
2. Importez votre catalogue depuis votre sitemap. Regardez le décompte à l'étape « Analyser », corrigez le partage produits / catégories si besoin, puis validez.
3. Ajoutez vos établissements par une recherche Google, puis vérifiez le bandeau de précision de chacun. Complétez la rue partout où vous la connaissez : sans elle, deux boutiques d'une même ville ne peuvent pas être distinguées.
4. Posez trois tags maximum pour commencer. Une région, un réseau, une gamme. Vous en ajouterez d'autres quand une question précise arrivera.
5. Relancez une mesure de visibilité et lisez les réponses surlignées avant de lire les scores. C'est là que vous verrez si vos cibles sont assez précises.

Comptez une dizaine de minutes pour les étapes 1, 3 et 4, et une minute pour l'étape 2 si vous avez un sitemap.

Questions fréquentes

Une cible et un signal, quelle différence ? Une cible est l'entité que vous déclarez (une boutique, un produit, une personne). Un signal est une des formes textuelles sous lesquelles cette entité peut apparaître dans une réponse. Une cible produit toujours plusieurs signaux, et c'est le nombre de signaux que votre quota de 500 000 compte.

Le plafond de 500 000 est-il par compte ou par marque ? Par marque. C'est le seul quota de Traaker qui fonctionne ainsi. Une agence qui suit quinze marques dispose de quinze budgets indépendants, et une marque au catalogue volumineux ne pénalise pas les autres.

Combien d'établissements puis-je déclarer ? 100 par défaut, et cette limite se relève sur demande pour les réseaux qui en comptent davantage. Contrairement aux signaux, ce plafond est à l'échelle du compte.

Est-ce qu'une IA décide si je suis cité ? Non. La détection repose sur des règles de correspondance de texte appliquées à la réponse normalisée. C'est ce qui garantit qu'un même contenu donne toujours le même verdict, et que la mesure ne dérive pas quand un fournisseur de modèle met le sien à jour.

Que se passe-t-il si ma marque a un nom générique ? C'est exactement le cas que les Cibles traitent. Une valeur trop courte ou trop générique est signalée à la saisie, et pour les établissements la détection exige une co-occurrence avec la rue plutôt que le nom seul. Vous pouvez aussi vous appuyer sur vos domaines et vos URL, qui ne sont jamais ambigus.

Est-ce que je dois tout ressaisir si j'ai déjà un catalogue dans Traaker ? Non. L'import sitemap et l'import CSV fusionnent avec vos cibles existantes au lieu de créer des doublons, et les coordonnées déjà géocodées de vos établissements sont conservées d'un import à l'autre.

Les tags sont-ils cherchés dans les réponses des moteurs ? Jamais. Un tag est une étiquette d'analyse qui sert à filtrer et à segmenter vos rapports. C'est pour cette raison qu'un tag peut être renommé à tout moment, rétroactivement, sans aucun retraitement.

Combien de temps prend l'analyse d'une réponse ? Quelques dizaines de millisecondes, et ce temps ne dépend pas du nombre de cibles que vous avez déclarées. Une marque avec une cible et une marque avec 500 000 signaux paient le même coût d'analyse, parce que le travail est proportionnel à la longueur de la réponse.

Disponible aujourd'hui

Les Cibles sont actives dès maintenant sur tous les plans, dans la page Stratégie GEO de votre espace. Si vous voulez voir ce que ça donne sur votre propre marque avant de vous lancer, réservez une démo : nous importons votre catalogue et vos établissements en direct pendant l'échange.

Pour aller plus loin sur la méthode de mesure, lisez pourquoi la visibilité GEO est une distribution et pas un score et comment diagnostiquer un contenu qui n'est jamais cité. Le détail des fonctionnalités de la plateforme est sur la page Plateforme.

Méthodologie et limites. Les chiffres de cet article décrivent le comportement de la fonctionnalité telle qu'elle est livrée : 500 000 signaux par marque et 100 établissements par compte sont les valeurs par défaut, relevables au cas par cas ; 50 000 URL est le plafond de récolte d'un import sitemap ; 5 000 lignes est la taille d'un lot CSV ; les 2,5 secondes pour 100 000 cibles et les quelques dizaines de millisecondes par réponse sont mesurées sur notre infrastructure et varieront avec la longueur des réponses analysées. La détection déterministe garantit la reproductibilité du verdict, pas son exhaustivité : une reformulation qu'aucun de vos signaux ne couvre reste un manque, et c'est précisément pourquoi la liste d'alias est modifiable à tout moment. La règle de co-occurrence des établissements est volontairement stricte, ce qui la rend prudente plutôt que généreuse : elle préfère ne pas créditer une mention ambiguë.

Les quatre moteurs IA majeurs n'ont pas la même architecture de crawl, et cela change directement ce qui est visible sur votre site. OpenAI fait tourner quatre robots distincts (dont GPTBot pour l'entraînement et OAI-SearchBot pour la recherche) et construit peu à peu son propre index tout en s'appuyant encore sur Bing ([1]). Anthropic prend l'approche la plus légère : Claude délègue entièrement la récupération à l'API de Brave Search ([2]). Perplexity a construit l'infrastructure la plus indépendante, un index de plus de 200 milliards d'URL ([3]), mais fait aussi l'objet des soupçons les plus sérieux de contournement du robots.txt ([4]). Google n'a pas de robot IA séparé : Googlebot fait tout, avec un jeton dédié, Google-Extended, pour contrôler l'usage en entraînement ([5]). Et le point technique le plus lourd de conséquences : seul Googlebot exécute le JavaScript. GPTBot, ClaudeBot et PerplexityBot ne le font pas ([6]).

OpenAI : quatre robots, et un index maison encore en construction

OpenAI est l'écosystème le plus complexe, avec quatre robots séparés et contrôlables indépendamment via robots.txt ([7]) :

Fait notable : depuis le lancement de GPT-5 en août 2025, OAI-SearchBot génère environ 3,5 fois plus d'événements de log que GPTBot ([8]), signe que la recherche pèse désormais plus lourd que la collecte d'entraînement dans l'activité de crawl d'OpenAI. GPTBot avait généré environ 569 millions de requêtes sur le réseau de Vercel en décembre 2024 ([9]).

ChatGPT Search reste une architecture hybride : les requêtes des espaces Enterprise et Edu passent encore par Bing ([10]), mais OpenAI construit son propre index en parallèle, avec des verticales séparées pour l'actualité, le shopping, les PDF et les articles académiques repérées par Peec AI dans des noms d'expérimentation comme prefer-index-over-serp-v3 ([1]). Le pipeline de récupération fonctionnerait sur trois couches : un index de découverte, un cache de lecture qui conserve des copies de pages déjà récupérées, et un petit nombre de pages ouvertes en direct au moment de la requête ([11]).

Anthropic : l'approche la plus légère, la plus dépendante de Brave

Anthropic fait tourner trois robots : ClaudeBot pour l'entraînement, Claude-User pour la récupération en temps réel, et Claude-SearchBot pour l'optimisation de l'index de recherche, chacun contrôlable séparément via robots.txt ([12]).

La particularité de Claude, c'est qu'il n'a pas d'index de recherche propre. Quand la recherche web est activée, Claude s'appuie entièrement sur l'API de Brave Search, confirmé en mars 2025 quand Anthropic a ajouté « Brave Search » à sa liste de sous-traitants ([2]). L'outil de récupération de page de Claude va ensuite chercher le contenu complet à la demande, avec un prétraitement HTML qui retire scripts et styles ([13]).

C'est aussi le moteur qui a la meilleure précision de citation grâce à son API Citations, qui découpe les documents sources en phrases avant de les transmettre au modèle, permettant une attribution au niveau de la phrase exacte ([14]). Anthropic indique que cette fonctionnalité améliore le rappel de citation jusqu'à 15 % par rapport à une citation implémentée à la main dans le prompt ([14]).

ClaudeBot a aussi connu son incident de notoriété : en juillet 2024, iFixit a signalé environ un million de requêtes en 24 heures, un rythme de crawl suffisant pour déclencher des alertes internes ([15]).

Perplexity : l'infrastructure la plus indépendante, la plus contestée

Perplexity a investi le plus massivement dans une infrastructure de recherche propriétaire : un index de plus de 200 milliards d'URL uniques, qualifié d'« index à l'échelle de l'exaoctet », soutenu par des dizaines de milliers de CPU et des centaines de téraoctets de RAM ([3]). L'entreprise traite environ 200 millions de requêtes par jour ([3]) et affichait environ 30 millions de réponses citées par jour dès mai 2025 ([16]).

Deux robots sont déclarés : PerplexityBot pour l'indexation et Perplexity-User pour les récupérations initiées par un utilisateur ([17]). Le problème, c'est ce qui n'est pas déclaré. Cloudflare a documenté un comportement de « crawl furtif » : des user-agents modifiés en cours de crawl et un basculement vers des plages IP non annoncées, ce qui a conduit Cloudflare à retirer Perplexity de sa liste de robots vérifiés ([4]). Plusieurs éditeurs ont porté l'affaire devant la justice, dont le New York Times, Reddit, Dow Jones et la BBC ([18]).

Google : un seul robot pour tout, un jeton pour l'entraînement IA

Google fait le choix inverse des trois autres : pas de robot IA séparé. Googlebot récupère tout, et Google contrôle l'usage en entraînement via un jeton robots.txt dédié, Google-Extended, introduit en septembre 2023 ([5]). Bloquer Google-Extended empêche l'usage des pages pour l'entraînement de modèles, mais n'affecte pas l'indexation dans la recherche classique.

Un fetcher plus récent, Google-Agent, gère les requêtes en temps réel déclenchées par un utilisateur dans les produits Gemini, et se comporte davantage comme un navigateur web standard que comme un crawler de recherche ([19]). Gemini s'appuie sur un pipeline de grounding en six étapes qui réécrit la requête, reclasse les résultats et les injecte dans le contexte du modèle avant génération ([20]).

Le fossé JavaScript : le point technique qui décide de votre visibilité

C'est la limitation la plus lourde de conséquences de tout cet écosystème. GPTBot, ClaudeBot et PerplexityBot n'exécutent pas de JavaScript, un constat établi par l'analyse de Vercel sur plus d'un demi-milliard de requêtes de crawlers IA ([6]). ChatGPT-User et ClaudeBot récupèrent parfois des fichiers JavaScript (respectivement 11,5 % et 23,8 % des requêtes) mais ne les exécutent jamais ([6]). Googlebot est la seule exception : il rend le JavaScript via un pipeline basé sur Chrome headless, ce qui en fait le seul robot lié à l'IA capable de voir le contenu d'une application web monopage (SPA, une application où le contenu est construit dans le navigateur plutôt que livré en HTML déjà complet) totalement rendue ([21]).

Concrètement, cela veut dire que :

• Tout contenu injecté côté client, y compris les données structurées JSON-LD ajoutées via Google Tag Manager, est invisible pour GPTBot, ClaudeBot et PerplexityBot ([22]).
• Sur un site en SPA, ces robots ne voient que la coquille HTML initiale : squelette de navigation, balises meta, conteneurs vides ([6]).
• Le contenu chargé en AJAX, en défilement infini, ou tout ce qui dépend du rendu côté client, reste inaccessible ([22]).
• Le contenu payant est également invisible : les robots IA ne s'authentifient pas, ils ne voient que ce que renvoie la réponse HTML non authentifiée ([6]).

Le rendu côté serveur (SSR, la génération du HTML complet sur le serveur avant envoi au navigateur, plutôt que dans le navigateur) ou le HTML statique sont donc indispensables pour la visibilité auprès des moteurs IA ([23]).

Qui bloque quoi : les taux de blocage par robot

Près de 4 sites du top sur 10 bloquent désormais activement au moins un robot IA, selon l'analyse Zyte State of Web Access 2026 portant sur 11 100 pages d'atterrissage parmi les plus consultées ([24]) :

(Source : [25])

Le classement n'est pas un hasard. OAI-SearchBot est le moins bloqué, probablement parce qu'il renvoie du trafic de référencement vers les éditeurs, alors que GPTBot, purement dédié à l'entraînement sans aucune contrepartie de trafic, est le plus bloqué ([24]). Chez les éditeurs de presse spécifiquement, les taux grimpent bien plus haut : 79 % bloquent les robots d'entraînement IA et 71 % bloquent aussi les robots de récupération ([26]). Cloudflare rapporte que plus de 2,5 millions de sites ont choisi de bloquer entièrement l'entraînement IA via sa fonctionnalité de robots.txt géré ([27]).

Côté volume, les écarts sont massifs. D'après les données réseau de Vercel fin 2024, Googlebot générait 4,5 milliards de requêtes par mois, contre 569 millions pour GPTBot, 370 millions pour ClaudeBot et seulement 24,4 millions pour PerplexityBot ([9]). Début 2026, GPTBot et ClaudeBot représentaient respectivement 12 % et 9,2 % du trafic mondial de robots selon les données de Cloudflare Radar ([28]), et le volume de GPTBot a progressé de 305 % entre mai 2024 et mai 2025 ([29]).

Une comparaison à plat des quatre moteurs

(Synthèse des positionnements qualitatifs relevés dans les études citées ci-dessus, notamment [6] et [4].)

Gemini ressort en tête grâce à l'index de Google et au rendu JavaScript, l'un des deux avantages qu'aucun concurrent ne partage. Claude compense l'absence d'index propre par la meilleure précision de citation, portée par son API Citations au niveau de la phrase. Perplexity égale les autres en échelle d'index mais paie le prix de sa conformité robots.txt la plus faible.

Le problème de fiabilité des citations, partagé par tous

Malgré ces architectures différentes, aucun moteur n'a résolu le problème de la fiabilité des citations. Une étude 2025 du Tow Center for Digital Journalism de Columbia University, menée sur 1 600 requêtes test auprès de huit moteurs de recherche génératifs, a constaté que ces moteurs échouent à récupérer l'information correcte plus de 60 % du temps ([30]). Une étude arXiv distincte de 2025 a trouvé que seulement 26,5 % des références bibliographiques étaient entièrement correctes, contre 39,8 % erronées ou fabriquées ([31]). Et le recouvrement des sources entre moteurs IA citant le même sujet peut descendre jusqu'à 16 % ([32]) : pour une question identique, deux moteurs peuvent s'appuyer sur des preuves quasiment sans point commun.

Sur la même période, le volume de visites générées par la recherche IA a bondi de 15,6 à 27,4 milliards, une hausse de 42,8 % entre le premier trimestre 2025 et le premier trimestre 2026 ([33]). L'audience grossit plus vite que la fiabilité des réponses ne s'améliore.

Chronologie : les dates qui comptent

• Septembre 2023 : Google introduit le jeton Google-Extended dans robots.txt pour séparer entraînement et indexation ([5]).
• Juin 2024 : WIRED et le développeur Robb Knight documentent indépendamment que Perplexity ignore le robots.txt et utilise des user-agents falsifiés.
• Juillet 2024 : iFixit signale environ un million de requêtes ClaudeBot en 24 heures ([15]).
• Mars 2025 : Anthropic confirme officiellement s'appuyer sur l'API Brave Search pour la recherche web de Claude ([2]).
• Été 2025 : Cloudflare documente le crawl furtif de Perplexity et le retire de sa liste de robots vérifiés ([4]).
• Août 2025 : lancement de GPT-5 ; l'activité de crawl d'OpenAI triple dans les semaines suivantes ([8]).
• Octobre à décembre 2025 : Reddit puis le New York Times portent plainte contre Perplexity pour violation de copyright ([18]).
• Mars 2026 : Google déploie Google-Agent, un fetcher distinct de Googlebot pour les usages Gemini en temps réel ([19]).

FAQ

ChatGPT, Claude et Perplexity peuvent-ils exécuter du JavaScript ? Non. GPTBot, ClaudeBot et PerplexityBot ne rendent pas le JavaScript ; ils ne voient que le HTML brut renvoyé par le serveur. Seul Googlebot, via son pipeline de rendu Chrome headless, exécute le JavaScript ([6], [21]).

Pourquoi Claude n'a-t-il pas son propre index de recherche ? Anthropic a choisi de ne pas construire d'infrastructure de recherche propre et délègue entièrement la récupération de résultats à l'API de Brave Search, un choix confirmé publiquement en mars 2025 ([2]).

Le fichier robots.txt bloque-t-il vraiment tous les crawlers IA ? Non de façon uniforme. OpenAI, Anthropic et Google respectent les directives robots.txt par jeton de robot. Perplexity, en revanche, a été documenté en train de contourner ces directives via des user-agents falsifiés et des IP non déclarées ([4]).

Qu'est-ce que Google-Extended, et en quoi diffère-t-il de Googlebot ? Google-Extended est un jeton robots.txt distinct qui contrôle uniquement l'usage des pages pour l'entraînement des modèles IA de Google. Le bloquer n'affecte pas l'indexation dans la recherche classique, qui reste gérée par Googlebot ([5]).

Pourquoi les citations de ces moteurs sont-elles souvent incorrectes ? Les études montrent des taux d'échec de récupération supérieurs à 60 % sur des requêtes tests, avec des liens parfois fabriqués et un recouvrement des sources entre moteurs aussi bas que 16 % pour une même question ([30], [32]).

Perplexity respecte-t-il le robots.txt ? Les preuves documentées par Cloudflare et par des développeurs indépendants indiquent que non, du moins pas systématiquement : user-agents modifiés en cours de crawl, IP non annoncées, ce qui a conduit à son retrait de la liste des robots vérifiés de Cloudflare ([4]).

Quel robot génère le plus de trafic sur un site donné ? Cela varie selon le secteur, mais à l'échelle globale, Googlebot domine largement (4,5 milliards de requêtes mensuelles selon Vercel), suivi de GPTBot puis ClaudeBot, PerplexityBot restant le plus petit volume des quatre principaux robots IA ([9]).

Votre plan d'action

1. Servez du HTML rendu côté serveur ou statique pour tout contenu critique. GPTBot, ClaudeBot et PerplexityBot ne verront jamais ce qui n'existe que dans le DOM généré côté client.
2. N'injectez jamais vos données structurées JSON-LD via un gestionnaire de balises côté client. Elles doivent être présentes dans le HTML brut renvoyé par le serveur.
3. Vérifiez votre robots.txt jeton par jeton, pas seulement User-agent: *. GPTBot, ClaudeBot, PerplexityBot, Google-Extended, OAI-SearchBot et Claude-SearchBot se contrôlent chacun indépendamment.
4. Distinguez les robots d'entraînement des robots de recherche dans vos logs serveur. Bloquer un robot d'entraînement (GPTBot, ClaudeBot) n'a pas le même impact sur votre visibilité que bloquer un robot de recherche (OAI-SearchBot, Claude-SearchBot).
5. N'attendez pas de contenu payant ou authentifié qu'il soit vu. Aucun robot IA ne s'authentifie ; seul le contenu public en accès libre compte.
6. Suivez ce qui est effectivement cité, pas seulement ce qui est crawlé. Un site parfaitement accessible techniquement peut rester absent des réponses si le contenu n'a pas la densité de preuve que ces moteurs recherchent.

Si vous voulez savoir précisément quels moteurs voient réellement votre contenu et lesquels vous citent, découvrez la méthode Traaker pour mesurer et améliorer votre visibilité dans la recherche IA.

Pour aller plus loin

Ces architectures de crawl ne sont que la première étape. Une fois qu'un moteur peut voir votre contenu, encore faut-il qu'il choisisse de le citer, ce qui dépend de facteurs propres à chaque moteur : consultez nos guides sur comment être cité par ChatGPT, comment être cité par Claude et comment être cité par Perplexity.

Méthodologie et limites. Cet article synthétise des données publiques provenant de sources tierces (Vercel, Zyte, Cloudflare Radar, Perplexity Research, Anthropic, OpenAI) collectées à des dates et avec des méthodologies différentes ; les pourcentages et volumes doivent être lus comme des ordres de grandeur plutôt que des mesures strictement comparables entre elles. Le comportement des crawlers IA évolue rapidement et certaines sources se recoupent imparfaitement sur les dates exactes de certains événements (notamment la chronologie de la détection du crawl furtif de Perplexity par Cloudflare). Vérifiez toujours le comportement actuel de votre propre robots.txt et de vos logs serveur avant de prendre une décision de blocage.

Sources

1. SearchEngineWatch
2. TechCrunch
3. Perplexity Research
4. Cloudflare
5. ipregistry.co
6. Adobe Experience League
7. developers.openai.com
8. Search Engine Journal
9. Vercel
10. OpenAI Help Center
11. Search Engine Land
12. anthropic.com/crawl
13. Anthropic Docs
14. Anthropic
15. 404 Media
16. The AI Engineer
17. Perplexity Docs
18. The Verge
19. MarkTechPost
20. WebSearchAPI
21. NuxtSEO
22. Search Engine Journal
23. NuxtSEO
24. Zyte
25. Zyte, analyse 2026 sur 11 100 pages
26. BuzzStream
27. PCMag
28. Oncrawl
29. SEOptimer
30. CJR
31. arXiv
32. Frase
33. Contently

Ce scénario n'est plus prospectif : l'Instant Checkout a été lancé le 26 août 2026 aux États-Unis pour les utilisateurs Free, Plus et Pro (OpenAI). Avec 700 millions d'utilisateurs hebdomadaires, ChatGPT vient de devenir un canal d'acquisition et un canal de transaction. Voici comment y entrer, étape par étape.

La réponse courte

Rendre vos produits achetables via ChatGPT tient en cinq étapes : rendre vos fiches lisibles par la machine, activer l'Instant Checkout via Stripe et l'Agentic Commerce Protocol, vérifier ce que le protocole couvre (et ce qu'il ne couvre pas encore), décider si vous complétez avec de la publicité, et surtout mesurer si les moteurs IA vous recommandent avant même de parler de paiement.

Le point que la plupart des marques ratent : dans ChatGPT, les résultats produits sont organiques et non sponsorisés, classés uniquement par pertinence pour l'utilisateur (OpenAI). Vous ne pouvez pas acheter votre place dans une recommandation. Le paiement règle la dernière étape du parcours ; l'entrée dans la liste, elle, se gagne en amont, et c'est exactement le terrain du GEO.

Qu'est-ce que le commerce dans ChatGPT ? Deux couches à ne pas confondre

Le commerce conversationnel d'OpenAI repose sur deux systèmes distincts, et les confondre conduit à investir au mauvais endroit.

Définition de l'Agentic Commerce Protocol (ACP) : protocole co-développé par OpenAI et Stripe qui transmet les informations de commande au backend du marchand depuis la conversation. Le marchand reste le « merchant of record » : il gère les paiements, la livraison, les retours et le support via ses systèmes existants (OpenAI).

Étape 1 : rendez vos fiches produits lisibles par une IA

C'est l'étape que personne ne veut faire et celle qui décide de tout. L'Instant Checkout ne sert à rien si votre produit n'apparaît jamais dans les tuiles.

L'expérience shopping de ChatGPT présente les produits côte à côte avec prix, avis et caractéristiques clés dans des tableaux comparatifs (OpenAI Help). Pour figurer dans ce comparatif, votre fiche doit fournir des faits extractibles, pas de la prose marketing.

Ce qu'il faut faire concrètement :

• Chiffrez tout ce qui est chiffrable. Dimensions, poids, matières, compatibilités, durée de garantie. Une caractéristique chiffrée entre dans un tableau comparatif ; « conçu pour durer » n'y entre pas.
• Structurez vos données produit (Product, Offer, AggregateRating, availability, prix à jour). Le modèle qui compare cinq produits privilégie celui dont les attributs sont sans ambiguïté.
• Écrivez pour la requête réelle, pas pour le mot-clé. ChatGPT comprend des requêtes complexes et contextuelles et permet un raffinement itératif : budget, préférences, contraintes (OpenAI). Votre fiche doit contenir le vocabulaire de la contrainte (« pour pieds larges », « lavable en machine », « compatible USB-C »), pas seulement le nom du produit.
• Couvrez la comparaison vous-même. Un tableau « ce modèle vs l'autre » sur votre propre page donne au modèle la matière exacte qu'il cherche à produire.
• Ne négligez pas les images. La recherche par photo fait partie de l'expérience depuis mars 2026, étendue aux tiers Free, Go, Plus et Pro (the-decoder).

Pour le détail des critères qui font qu'une fiche produit est retenue ou ignorée, voir notre guide de terrain du GEO produit.

Étape 2 : activez l'Instant Checkout (Stripe + ACP)

C'est l'étape la plus simple, et de loin.

1. Si vous êtes déjà sur Stripe : l'activation des paiements agentiques peut se faire en une seule ligne de code (OpenAI).
2. Si vous êtes sur Shopify : plus d'un million de marchands Shopify sont en cours de déploiement, dont Glossier, SKIMS, Spanx et Vuori. Etsy est déjà actif.
3. Si vous utilisez un autre processeur : participez via la Shared Payment Token API de Stripe ou le Delegated Payments Spec.

Côté sécurité, les paiements passent par des tokens chiffrés, autorisés uniquement pour un montant et un marchand spécifiques, avec la permission de l'utilisateur. Vous ne recevez pas de données de carte brutes et vous ne changez pas de PSP.

Ce que le parcours donne côté acheteur : il tape « Buy », confirme commande, expédition et paiement, le tout sans quitter la conversation.

Étape 3 : vérifiez les limites actuelles avant de promettre quoi que ce soit à votre direction

Trois contraintes à connaître avant de câbler un business case.

Autrement dit : l'intégration technique est prête bien avant que le volume ne soit là. C'est précisément l'argument pour la faire maintenant : le coût d'entrée est d'une ligne de code, et l'inventaire d'attention se construit en amont, sur la découverte organique.

Étape 4 : décidez si vous complétez avec de la publicité

ChatGPT Ads est une couche séparée, et son économie a bougé très vite.

Le CPM a été divisé par plus de deux en neuf semaines, sous l'effet de l'ouverture de l'inventaire. Un Ads Manager self-service est disponible depuis le 5 mai 2026 sur ads.openai.com : inscription annonceur, budgets, enchères, créas, reporting (OpenAI).

Un format qui n'a rien à voir avec Google : l'analyse d'Adthena sur près de 850 000 requêtes de recherche IA montre que ChatGPT n'affiche qu'une seule publicité par réponse, contre le carrousel de Google, et bloque les secteurs réglementés (juridique, pharmacie) que Google continue de servir. Un seul annonceur capte l'attention : inventaire rare, donc premium, et donc sous pression concurrentielle croissante à mesure que les CPM baissent et que les acheteurs arrivent.

Le piège à éviter : croire que payer améliore votre position dans les recommandations. Voir l'étape suivante.

Étape 5 : comprenez « l'answer independence » (et ce qu'elle implique pour votre budget)

Le principe fondamental d'OpenAI s'appelle l'answer independence : les publicités n'influencent pas les réponses de ChatGPT (OpenAI).

Architecturalement, la publicité tourne sur des systèmes séparés du modèle de chat, et les annonceurs n'ont aucune capacité à façonner, classer ou altérer les réponses (OpenAI Help). Les encarts apparaissent sous la fin d'une réponse, étiquetés « sponsored », visuellement séparés, avec un lien « About this ad ». Les publicités sont exclues à proximité des sujets sensibles (santé personnelle, santé mentale, politique), ne sont pas montrées aux moins de 18 ans, et les conversations ne sont jamais partagées avec les annonceurs, qui ne reçoivent que des données de performance agrégées.

La conséquence stratégique est nette :

Le budget média achète de la visibilité à côté de la réponse. Seul le travail GEO achète une place dans la réponse. Ce sont deux lignes budgétaires différentes, et la seconde n'a pas de raccourci payant.

C'est pour cette raison que l'étape 1 n'est pas optionnelle. Sur la couche organique, celle qui produit les tuiles produits et les recommandations, les leviers sont ceux du GEO : densité factuelle, comparaisons structurées, autorité tierce. Voir notre guide dédié : comment être cité par ChatGPT.

Pourquoi ça vaut l'effort : le chiffre qui doit convaincre votre direction

Les acheteurs arrivant sur un site retail via un chatbot IA étaient 40 % plus susceptibles d'acheter que ceux venant de la recherche, de l'email ou des réseaux sociaux, selon les données Adobe du Prime Day 2026 : la première fois que le trafic référé par l'IA convertit le mieux (GeekWire).

Ce n'est pas un hasard de mesure, c'est une propriété du canal. Contrairement à Google Search, qui dépend de mots-clés commercialement valorisés tapés par l'utilisateur, ChatGPT peut inférer l'intention commerciale à partir d'échanges conversationnels étendus, même lorsque l'utilisateur ne recherche jamais explicitement un produit (Business Insider). L'acheteur qui clique a déjà exposé son budget, ses contraintes et son cas d'usage à l'assistant. Il arrive qualifié.

Signal de marché supplémentaire : le PDG d'Amazon, Andy Jassy, a publiquement identifié les agents IA horizontaux (ChatGPT, Gemini, Copilot) comme sa plus grande menace concurrentielle, et non un autre retailer (Forbes).

Le calendrier : à quelle vitesse ça se déploie

Le rythme de déploiement est l'argument le plus fort pour ne pas attendre.

• 9 février 2026 : pilote publicitaire aux États-Unis (tiers Free et Go, adultes connectés).
• 26 mars 2026 : extension au Canada, Australie, Nouvelle-Zélande, après constat d'une absence d'impact sur les métriques de confiance et de faibles taux de rejet publicitaire.
• 5 mai 2026 : ouverture de l'Ads Manager self-service.
• 11 août 2026 : Royaume-Uni, Mexique, Brésil, Japon, Corée du Sud actifs.
• 18 août 2026 : 31 pays européens (Allemagne, France, Espagne, Italie, Suède, Norvège, Danemark, Pays-Bas, Autriche…), portant le total à 40 pays (OpenAI).
• 26 août 2026 : lancement de l'Instant Checkout aux États-Unis.

De 1 à 40 pays en six mois. L'Instant Checkout suivra la même trajectoire : la question n'est pas si votre marché sera couvert, mais si vos fiches produits seront prêtes quand il le sera.

Questions fréquentes

Faut-il changer de prestataire de paiement pour vendre dans ChatGPT ? Non. Le marchand reste « merchant of record » et conserve ses systèmes de paiement, livraison, retours et support. Sur Stripe, l'activation tient en une ligne de code ; ailleurs, la Shared Payment Token API ou le Delegated Payments Spec permettent de participer.

Peut-on payer pour apparaître dans les recommandations produits ? Non. Les résultats produits sont organiques et non sponsorisés, classés uniquement par pertinence utilisateur. Les publicités sont un système séparé, affiché sous la réponse et étiqueté « sponsored ». C'est le principe d'answer independence.

Combien coûte l'Instant Checkout ? 4 % de commission sur les ventes réalisées par les marchands Shopify via la fonctionnalité. Aucun coût pour apparaître dans la découverte organique.

L'Instant Checkout est-il disponible en France ? Pas encore. Au 28 août 2026, l'Instant Checkout est limité aux États-Unis. ChatGPT Ads, lui, couvre la France depuis le 18 août 2026. La découverte produit organique, elle, n'attend pas : elle fonctionne partout où ChatGPT est utilisé.

Peut-on acheter plusieurs articles d'un coup ? Pas encore. Le système supporte les achats d'articles uniques ; les paniers multi-articles sont annoncés pour la suite.

Les annonceurs voient-ils les conversations ? Non. Les conversations ne sont jamais partagées avec les annonceurs, qui ne reçoivent que des données de performance agrégées et non identifiantes. Les utilisateurs peuvent désactiver la personnalisation publicitaire et effacer les données associées (supprimées sous 30 jours).

Le plan d'action en 5 points

1. Auditez la lisibilité machine de vos fiches : données structurées, attributs chiffrés, vocabulaire de contrainte, comparaisons explicites. C'est la seule étape sans raccourci payant.
2. Activez l'Instant Checkout via Stripe / ACP dès maintenant : le coût d'entrée est marginal et l'antériorité, elle, ne se rattrape pas.
3. Mesurez votre visibilité GEO avant d'acheter du média. Savoir sur quelles requêtes d'achat vous êtes recommandé, absent, ou dépassé par un concurrent conditionne tout le reste.
4. Testez la publicité sur un périmètre borné, en gardant en tête qu'un seul encart s'affiche par réponse et qu'il ne modifie pas la recommandation.
5. Rejouez la mesure tous les mois. CPM divisé par deux en neuf semaines, 40 pays en six mois : l'état du canal en août 2026 ne sera pas celui de janvier 2027.

Mesurer avant d'intégrer

L'intégration technique de l'Instant Checkout prend une journée. Devenir le produit que ChatGPT recommande prend des mois, et commence par savoir où vous en êtes.

C'est ce que fait Traaker : interroger les moteurs IA (ChatGPT, Gemini, Perplexity, Claude) sur les vraies requêtes d'achat de vos segments, mesurer si vous êtes recommandé, noter chaque fiche produit sur sept critères GEO, et générer la réécriture prête à publier pour les fiches trop faibles pour être citées. Voir l'annonce du module E-commerce ou la page dédiée.

La question n'est plus de savoir si le commerce conversationnel va se développer, mais à quelle vitesse vous saurez vous y adapter, dans un monde où l'IA devient le premier point de contact entre le consommateur et le produit.

Note méthodologique. Les chiffres et dates de cet article proviennent des annonces officielles d'OpenAI et de sources presse publiées entre février et août 2026 (liens dans le corps du texte). Les projections de revenus sont des communications aux investisseurs, à lire comme telles : eMarketer estime qu'OpenAI est significativement en dessous de son objectif 2026, la combinaison OpenAI, Microsoft, Google et Amazon étant projetée à moins d'un milliard de dollars de revenus publicitaires IA pour l'année (Futurism). Le comportement des moteurs évolue vite ; mesurez le vôtre en continu.

Jusqu'ici, Traaker mesurait très bien cette dynamique au niveau d'une marque et de son site vitrine. Mais un catalogue de dix mille références n'est pas un site vitrine de dix pages, et « êtes-vous cité » ne dit rien de « lequel de vos dix mille produits, sur quelle requête, face à quel concurrent ». Nous lançons aujourd'hui le module E-commerce pour répondre précisément à ça.

« Je n'ai jamais vu ça chez aucune autre plateforme. » Fabrice, Head of SEO/GEO chez une plateforme e-commerce

Le problème qu'on n'avait pas encore résolu

Les moteurs IA ont changé la façon dont on achète, et le rayon numérique a rétréci. Là où Google renvoyait une page de résultats que l'acheteur explorait lui-même, un assistant IA filtre à sa place et ne retient qu'une poignée de produits. Être présent ou absent de cette courte liste a un effet direct sur les ventes, mais jusqu'ici, aucun outil ne permettait à un e-commerçant de savoir :

• si ses produits sont recommandés par les moteurs IA sur les requêtes réelles de ses acheteurs,
• lesquelles de ses dix, cent ou cent mille fiches sont assez claires pour qu'une IA les comprenne et les cite,
• et surtout, quoi corriger : pas un diagnostic abstrait, mais une réécriture prête à publier.

Le SEO classique répond à « suis-je trouvable ». Le GEO (Generative Engine Optimization) répond à « suis-je compris, et choisi ». Pour un catalogue produit, c'est une question fondamentalement différente, à une échelle que les outils GEO généralistes n'adressent pas.

Ce que fait le module E-commerce

Import de catalogue, sans intégration technique

Donnez l'URL de votre site : Traaker détecte le sitemap et importe automatiquement vos produits et catégories, jusqu'à plus de 145 000 références, ou via un simple fichier CSV. Un périmètre pilotable (règles d'inclusion / exclusion par catégorie) et un rafraîchissement qui détecte les nouveautés et les retraits à chaque synchronisation.

Un score GEO pour chaque fiche produit

Chaque fiche est notée sur sept critères qui déterminent si une IA peut la comprendre et la recommander : données structurées, densité factuelle, spécificité, intention d'achat, extractibilité, preuves & autorité, couverture question/réponse. Le classement va du pire au meilleur pour attaquer d'abord les fiches critiques, et chaque fiche faible reçoit une réécriture prête à publier (arguments, spécifications chiffrées, FAQ), exportable en CSV vers votre PIM ou votre CMS.

Des segments d'acheteurs, pas des mots-clés

Décrivez un client en langage naturel : qui il est, ce qu'il cherche, comment il achète. Traaker en déduit ses vraies requêtes d'achat, dans les langues et sur les moteurs qui comptent pour vous. Chaque requête est ensuite rattachée au produit le plus proche de votre catalogue par recherche sémantique.

La mesure de visibilité GEO

Traaker interroge les moteurs IA (ChatGPT, Gemini, Perplexity, Claude selon votre offre) sur les requêtes de chaque segment et mesure si vous êtes recommandé, si un concurrent vous passe devant, ou si vous êtes tout simplement absent. Vous obtenez un score de visibilité par segment avec sa tendance dans le temps, les requêtes où vous perdez du terrain face à un concurrent, et les familles de produits qui manquent de présence.

Du contenu ancré sur vos vrais produits

Sur les requêtes où l'analyse vous trouve absent, Traaker génère le contenu qui vous y replace : guide d'achat, comparatif, éditorial, avec vos vrais produits placés dans le corps de l'article. Chaque lien pointe vers l'URL exacte de votre fiche, résolue par recherche sémantique dans votre propre catalogue. Le modèle n'invente jamais d'URL.

Pour qui

• E-commerce & DTC : votre catalogue est votre chiffre d'affaires. Savoir sur quelles requêtes vous êtes recommandé, et transformer vos fiches faibles en fiches citables.
• Marketplaces : des dizaines de milliers de références. Le score GEO passe à l'échelle et priorise les catégories où la visibilité IA pèse le plus sur les ventes.
• Fabricants & marques : même sans vendre en direct, s'assurer que les IA décrivent bien vos produits et nourrir les moteurs avec des fiches irréprochables.

Une boucle complète, pas un simple suivi

Un outil qui se contente de vous dire que vous perdez des citations ne résout rien. Le module E-commerce boucle la boucle : de la mesure à la fiche corrigée, jusqu'au contenu publié qui reconquiert les requêtes où vous étiez absent. C'est la même logique qui structure tout Traaker, appliquée à l'échelle d'un catalogue entier plutôt qu'à dix pages vitrines.

Le module est disponible dès aujourd'hui. Réservez une démo pour voir votre propre catalogue importé et vos premières fiches à corriger, ou consultez la page dédiée pour le détail des fonctionnalités.

Ce basculement a un nom : la Generative Engine Optimization, ou GEO. Elle est aux réponses des IA ce que le SEO était aux résultats de recherche. Et la bonne nouvelle, c'est qu'une vague de recherche académique récente a fait passer le GEO du folklore (« sonnez juste comme une autorité ») à quelque chose de mesurable. Voici ce qui fonctionne vraiment, ce qui se retourne contre vous, et comment cela varie selon le moteur et le secteur.

D'abord, comprenez ce que vous optimisez

Un moteur IA ne classe pas une liste. Il récupère une poignée de sources candidates, puis un LLM les relit et synthétise une recommandation. Cela signifie qu'il y a trois portes, pas une seule :

La plupart des gens s'obsèdent sur le classement et ignorent la récupération et l'absorption. C'est une erreur : dans les dispositifs augmentés par récupération (RAG), l'étape de récupération est une porte éliminatoire. Si votre fiche ne s'intègre pas au plus près de la façon dont les vrais acheteurs formulent leurs besoins, rien en aval ne pourra vous sauver. Le premier geste n'a donc rien de glamour : écrivez dans la manière désordonnée, en plusieurs phrases, dont les gens posent réellement leurs questions, pas pour des mots-clés.

La vérité qui dérange sur les marques

Les marques connues sont recommandées 100 % du temps quand rien d'autre ne distingue les options. Des chercheurs ont mené une expérience nette : dix produits, spécifications identiques, seul le nom de marque change. La marque célèbre a gagné à chaque fois. Les moteurs IA ont un « avantage au sortant » intégré.

Mais voici le retournement qui devrait redonner espoir à toute marque challenger : ce monopole est fragile, et il s'effondre dès qu'un produit présente le moindre signal distinctif. Les seuils sont étonnamment bas :

Toutes conditions confondues, les attributs produits expliquent environ 82 % du classement, tandis que la marque n'en explique qu'à peine 1 %.

La leçon : le vrai obstacle pour une petite marque n'est pas l'absence d'un nom célèbre. C'est l'absence d'information différenciante. Donnez au modèle quelque chose de concret à saisir, et le terrain se nivelle vite.

La preuve l'emporte sur la persuasion

Si vous ne retenez qu'une chose de cet article, retenez celle-ci : les moteurs IA récompensent la preuve et ignorent largement l'argumentaire commercial.

Quand les chercheurs ont testé les classiques du copywriting, les tactiques de persuasion qui marchent sur les humains sont tombées à plat sur les machines. L'ancrage (« qualité premium au tiers du prix »), la rareté (« plus que 500 unités, bientôt épuisé ») et l'aversion à la perte (« ne laissez pas votre peau se dégrader ») n'ont chacune déplacé les recommandations que d'environ 10 à 13 %. Le modèle s'en est détourné.

Ce qui a fonctionné, en revanche, c'est que chaque gagnant est vérifiable :

Remarquez le motif. Le moteur ne cherche pas à être séduit. Il cherche à justifier une recommandation.

La structure est un levier à elle seule

Vous pouvez augmenter votre taux de citation d'environ 17 % sans changer un seul fait : juste en restructurant le contenu. Les titres, la taille des blocs, le formatage en listes et la mise en emphase comptent, indépendamment de ce que vous dites.

Objectifs concrets issus de la recherche :

• Gardez les paragraphes entre 150 et 300 mots. Plus longs, l'attention du modèle se dégrade au milieu. Plus courts, l'information se fragmente.
• Consacrez environ un quart à un tiers de votre contenu à des éléments structurés (listes, tableaux). Listes et tableaux s'analysent bien mieux que la prose.
• Placez vos affirmations clés en début de phrase et de section, là où les modèles portent le plus d'attention.
• Implémentez le balisage Schema.org rigoureusement. Voyez votre fiche produit comme une API avec laquelle un agent IA doit « faire affaire ». Des données de prix, spécifications, disponibilité et avis propres vous rendent faciles à recommander et difficiles à ignorer.

Le même contenu ne gagne pas sur tous les moteurs

C'est là que le GEO devient intéressant. Les quatre grands moteurs se comportent différemment, et une stratégie qui domine sur l'un peut échouer sur l'autre.

Le fil conducteur des quatre : tous sont biaisés vers les médias gagnés (avis tiers et publications d'autorité) bien plus que Google. Les RP, les comparatifs d'experts et la couverture par les sites d'avis ne sont pas une tactique annexe en GEO. Ce sont l'événement principal.

Cela dépend aussi de votre secteur

La meilleure méthode d'écriture change selon le domaine. D'après la recherche :

Un mot sur la ligne à ne pas franchir

La recherche est franche sur un point important : la tactique la plus performante dans les expériences était l'autorité fabriquée, essais cliniques inventés, recommandations d'experts fictives, faux avis plantés. Ça marche, pour l'instant. Mais c'est activement détecté, les systèmes de défense repèrent désormais avec une grande précision les textes trop persuasifs et les faux avis, et c'est purement et simplement trompeur.

La stratégie durable est la version honnête du même instinct. Citez de vraies certifications. Citez de vrais experts. Publiez de vraies spécifications et de vraies données d'avis. Les caractéristiques qui rendent l'autorité fabriquée efficace sont exactement celles qui rendent l'autorité authentique efficace, et une seule des deux survit au contact d'un système de détection ou d'un régulateur.

Votre check-list de départ

1. Rédigez vos fiches pour coller à la façon dont les vrais acheteurs décrivent leurs besoins, en phrases complètes.
2. Chargez-vous de preuves vérifiables : spécifications, chiffres, vraies citations, vraies références.
3. Donnez au modèle quelque chose de distinctif : notes, nombre d'avis, avantages concrets.
4. Structurez pour les machines : tableaux comparatifs, paragraphes serrés, propositions de valeur en gras, schema propre.
5. Investissez dans les médias gagnés, par langue : pas seulement dans votre propre site.
6. Spécialisez-vous par moteur : présence vidéo et revendeur pour Perplexity, contenu propriétaire profond pour Gemini, couverture d'autorité de premier plan pour ChatGPT et Claude.
7. Mesurez sur des requêtes répétées et plusieurs moteurs : les réponses IA varient d'un tir à l'autre.
8. Restez factuel. C'est le seul avantage qui se cumule dans le temps.

L'ère du shopping génératif récompense les marques qui se rendent faciles à justifier, pas seulement faciles à trouver. Donnez à la machine une raison claire et étayée de vous choisir, et elle le fera.

Cet article synthétise des travaux de recherche GEO récents, dont Aggarwal et al. (KDD 2024), E-GEO, « How to Dominate AI Search », l'étude sur l'avantage au sortant (Incumbent Advantage), SCI-Defense et GEO-SFE. Les pourcentages cités reflètent des expériences de 2024 à 2026 et évolueront à mesure que les moteurs changent.

Voici ce que dit vraiment la recherche sur la façon dont Claude s'informe, et comment optimiser spécifiquement pour lui.

Claude cite moins, mais chaque citation pèse plus

Claude ne disperse pas les citations dans une réponse comme le fait Perplexity. Il s'appuie sur un petit ensemble de sources et laisse chacune peser davantage dans la réponse finale. Les études sur le comportement de citation montrent que les moteurs de type ChatGPT-et-Claude citent moins de pages, mais que les pages qu'ils citent exercent bien plus d'influence sur la réponse.

Conséquence pratique : avec Claude, vous ne cherchez pas à être l'une de vingt citations, vous vous battez pour l'une des quelques places d'un noyau réduit et de confiance. Et les pages qui gagnent ces places partagent un profil :

• Plus longues et bien structurées
• Denses en preuves extractibles : définitions, chiffres, comparaisons, détails pas à pas

Le contenu léger ne passe pas la barre.

L'earned media est tout, et voici le cadeau propre à Claude

Tous les moteurs IA privilégient les sources tierces et d'autorité sur les pages de marque. Claude pousse cela à l'extrême. Étude après étude, il figurait parmi les moteurs les plus « earned-heavy » :

Ce que Claude cite, c'est le site d'avis, le comparatif d'experts, la publication d'autorité qui parle de vous. Si vous voulez l'attention de Claude, investissez pour être couvert par les médias auxquels il fait déjà confiance dans votre secteur (les sources de niveau Que Choisir ou Les Numériques) pas seulement pour polir votre propre site.

Maintenant, le cadeau. Claude a une propriété qu'aucun autre grand moteur ne partage : il réutilise les mêmes domaines d'autorité de confiance d'une langue à l'autre. Là où ChatGPT bascule entièrement sur des sources dans la langue locale quand vous l'interrogez en français ou en japonais, Claude continue de s'appuyer sur ses autorités établies (souvent anglophones). Pour une marque au budget limité, c'est décisif ; une earned media anglophone solide voyage entre les marchés sur Claude. Vous n'avez pas à reconstruire votre empreinte d'autorité langue par langue comme il le faut pour ChatGPT.

Claude est le moteur le plus difficile à faire basculer : donnez-lui donc de vrais signaux

Si vous êtes un challenger qui tente de déloger un leader, Claude est votre salle la plus coriace. Quand les chercheurs ont testé la facilité avec laquelle un meilleur concurrent pouvait déloger une marque célèbre, le contraste était net :

Et sous une forte pression d'optimisation de tous les concurrents à la fois, Claude « revenait » à recommander la marque établie près de 99 % du temps. Les chercheurs l'ont littéralement qualifié de « gardien de marque » (brand guardian).

On ne bat pas ça avec de l'astuce. On le bat avec de la substance. Claude est sensible aux signaux de qualité authentiques et vérifiables : vraies notes, vrai volume d'avis, spécifications concrètes, validation tierce réelle. Plus vous distinguez votre produit de façon objective, plus Claude finira par se rallier, lui aussi.

Le point contre-intuitif : ne survendez pas

C'est la chose la plus importante à comprendre au sujet de Claude, et c'est ce qui le sépare de tous les autres moteurs.

• Avec ChatGPT, le langage d'autorité fonctionne en ligne droite : empilez les indices de crédibilité et vous gagnez plus de visibilité.
• Avec Gemini, l'autorité sature vite : un peu suffit largement.
• Avec Claude, l'autorité suit une courbe en U inversé. Des signaux modérés et crédibles aident. Poussez l'intensité, et cela se retourne contre vous.

La recherche est frappante sur ce point. Quand un produit empilait affirmations d'autorité et preuve sociale :

Claude a interprété l'accumulation comme « trop beau pour être vrai » et s'est rétracté. Il possède, en somme, un détecteur de survente intégré.

Le ton qui gagne sur Claude est donc assuré mais sobre. Énoncez vos qualifications une fois, clairement. Citez le seul vrai résultat clinique, pas cinq résultats emphatiques. Une page qui se lit comme une référence de confiance bat une page qui se lit comme un publireportage. Sur Claude, la sobriété est une stratégie.

Structurez pour la façon dont Claude lit vraiment

Claude récupère et génère de manière intégrée, en temps réel, en tirant le contenu à mesure qu'il compose. Cela a des conséquences directes sur le format :

• Écrivez des blocs autonomes. Comme les passages sont tirés individuellement, chaque section doit tenir debout seule sans dépendre du paragraphe précédent. Placez l'affirmation clé en tête de chaque bloc.
• Gardez une hiérarchie plate. Les structures de titres profondément imbriquées conviennent aux moteurs à récupération par lots comme Google ; pour Claude, une structure plus plate et plus nette fonctionne mieux.
• Privilégiez listes, tableaux et formatage clair. Les éléments structurés s'analysent plus fiablement que la prose dense, et la structure seule peut relever notablement le taux de citation sans changer un seul fait.
• Allez en profondeur, pas en surface. Rappelez-vous que Claude préfère des sources moins nombreuses mais plus riches. Une page complète et dense en preuves bat trois pages superficielles.

Ici, la factualité n'est pas qu'une question d'éthique, c'est de la tactique

Sur la plupart des moteurs, garder un contenu honnête est la bonne chose à faire et à peu près neutre pour la performance. Sur Claude, la sobriété et la factualité sont activement récompensées. Son scepticisme envers la surenchère, sa résistance à l'autorité qui sonne fabriquée et son réflexe « trop beau pour être vrai » font que la version honnête et précise de votre contenu performe réellement mieux que la version survendue. La conception du moteur s'aligne, par chance, avec les bonnes pratiques. Appuyez-vous dessus.

Votre check-list Claude

1. Gagnez de la couverture dans le petit ensemble de sources tierces d'autorité auxquelles Claude fait déjà confiance dans votre catégorie. C'est ce que mesure l'axe Médias acquis de Traaker.
2. Appuyez-vous sur votre autorité anglophone. Elle se transfère mieux entre marchés sur Claude que sur tout autre moteur.
3. Donnez-lui de vrais différenciateurs vérifiables : notes, nombre d'avis, spécifications concrètes. Claude ne bascule pas sur le charme.
4. Gardez des signaux d'autorité modérés et crédibles. La survente se retourne contre vous. N'empilez pas le battage.
5. Rédigez des sections profondes, denses en preuves et autonomes, à la structure nette et à la hiérarchie plate.
6. Restez scrupuleusement factuel. Sur Claude, c'est à la fois le bon choix et le choix gagnant.

Claude est le moteur qui vous fait mériter votre place. Mais c'est aussi le moteur qui, une fois convaincu, reste loyal. Construisez une autorité authentique et bien documentée, présentez-la avec sobriété, et vous verrez Claude vous recommander discrètement longtemps après que les tactiques fondées sur le battage aient cessé de fonctionner sur tous les autres.

Pour être cité par Perplexity, ne cherchez pas à être la meilleure page sur votre sujet. Cherchez à entrer dans le large vivier de sources que le moteur ratisse à chaque requête. La largeur de couverture et la fraîcheur priment sur la perfection d'une page unique.

La réponse courte

Perplexity cite large et superficiel. En moyenne, il référence 16,35 sources par requête (contre 6,88 pour ChatGPT), et chaque source pèse peu individuellement (score d'influence moyen de 0,065, soit environ quatre fois moins que ChatGPT). Sa barre de qualité est aussi la plus basse des moteurs mesurés : la qualité moyenne des pages qu'il cite est de 0,30 sur 1, contre 0,69 pour Google AI Overviews et 0,73 pour Brave.

La conséquence stratégique est directe : sur Perplexity, la sélection compte plus que la profondeur. Être l'une des nombreuses pages retenues dans le vivier de candidats vaut mieux que d'être la page parfaite que le moteur n'a jamais trouvée. C'est l'inverse exact de la stratégie qui gagne sur ChatGPT.

Qu'est-ce qui rend Perplexity différent des autres moteurs ?

Perplexity est un moteur de recherche génératif : il reformule votre question, récupère des pages web candidates, les résume une à une, puis synthétise une réponse avec des citations en ligne. Trois caractéristiques le distinguent nettement de ses concurrents.

Sources : étude breadth/depth 2026 (602 prompts, 21 143 citations) ; étude GEO-16 2025 (70 prompts B2B SaaS).

Trois lectures pratiques découlent de ce tableau :

1. Le vivier est grand. Avec 16 sources retenues par réponse en moyenne, vos chances d'y figurer sont mécaniquement plus élevées que sur un moteur qui n'en garde que 7. Mais il faut y entrer.
2. La barre de qualité est basse. Une page correctement structurée et pertinente a de bonnes chances, là où Brave ou Google exigeraient un niveau de qualité bien supérieur. Ce n'est pas une invitation à publier du contenu médiocre : c'est l'indication que votre énergie doit aller à la couverture et à la fraîcheur, pas au polissage infini d'une page unique.
3. La fraîcheur est le levier décisif. C'est là que Perplexity se démarque le plus radicalement.

Pourquoi la fraîcheur est le levier numéro un sur Perplexity

Sur Google, la fraîcheur est un critère de départage. Sur Perplexity, c'est un signal de classement primaire : l'un des facteurs les plus corrélés à la citation (r = 0,68 dans l'étude GEO-16, le coefficient le plus élevé de tous les piliers mesurés).

Les chiffres sont frappants. L'âge moyen des sources citées par Perplexity, selon la vélocité du sujet :

Et le contenu se périme vite dans l'index de Perplexity :

• Jour 0–30 : visibilité maximale
• Jour 30–45 : encore forte
• Jour 45–90 : la décroissance s'amorce
• Au-delà de 90 jours : largement invisible

Cela ouvre une fenêtre que les chercheurs appellent le « Lazy Gap de 76 jours » : un nouveau site, sans autorité de domaine établie, peut gagner des citations sur Perplexity uniquement par la fraîcheur, avant d'avoir à affronter les sources historiques. C'est l'une des rares portes d'entrée où David peut battre Goliath.

Ce qu'il faut faire concrètement :

• Publiez des dates lisibles par la machine : datePublished et dateModified en JSON-LD, article:published_time en meta, <time> dans le HTML.
• Mettez à jour vos pages à fort potentiel tous les 60 à 90 jours, mais avec des changements substantiels, pas cosmétiques. Une date modifiée sans nouveau contenu est un signal vide.
• Sur les sujets à haute vélocité, traitez la fraîcheur comme une discipline éditoriale continue, pas comme un projet ponctuel.

Attention à ne pas confondre deux choses : la fraîcheur fait citer une page, mais elle ne doit pas dicter quoi crawler en priorité. Un vieil article de fond peut rester une mine d'autorité. Fraîcheur et valeur GEO ne sont pas synonymes.

Entrer dans le vivier : la stratégie de couverture

Puisque Perplexity cite large, votre objectif est d'être présent sur le plus grand nombre de portes d'entrée possible pour une même requête. Trois leviers.

1. La largeur thématique plutôt que la page unique parfaite

Au lieu de concentrer tout votre effort sur une page pilier monumentale, multipliez les pages bien ciblées qui couvrent chacune une intention précise. Le moteur ratisse large ; donnez-lui plusieurs angles à attraper. Une grappe de cinq pages spécialisées et fraîches surpasse souvent une seule page massive et figée.

2. La présence en earned media

Comme tous les moteurs génératifs, Perplexity favorise massivement le contenu tiers (presse, Wikipedia, avis d'experts, plateformes verticales) au détriment du contenu de marque. Entre 79 % et 88 % des citations vont à des sources officielles, presse ou verticales. Les domaines les plus cités, tous moteurs confondus : YouTube, Wikipedia, Reddit, Reuters, LinkedIn.

Cela signifie qu'une page parfaite sur votre propre domaine peut ne jamais être citée si elle est votre seule présence. Pour exister dans le vivier de Perplexity, il faut être mentionné ailleurs : couverture presse, fiches sur des annuaires verticaux, discussions Reddit, articles invités. C'est exactement ce que mesure l'axe Médias acquis de Traaker.

3. La pertinence sémantique avant tout

Le facteur le plus corrélé à la citation, tous moteurs confondus, reste le score de pertinence entre votre page et la requête (r = 0,43). Avant la largeur, avant la fraîcheur, il y a l'alignement d'intention. Une page fraîche et bien diffusée mais hors-sujet n'entrera pas dans le vivier.

D'ailleurs, l'analyse des échecs de citation le confirme : 62 % des cas où une page pertinente n'est pas citée sont des problèmes d'alignement sémantique, pas de qualité de rédaction. La page existe, elle est correcte, mais elle ne répond pas précisément à ce que l'utilisateur demande. (Voir notre article sur le GEO diagnostique.)

Ce qui aide moins que vous ne le pensez

Deux croyances répandues méritent d'être nuancées par les données.

Emballer le contenu en FAQ n'aide pas en soi. Formater une page en questions-réponses est un signal neutre à négatif pour l'absorption (−5,74 % dans l'étude breadth/depth) quand il n'y a pas de densité de preuves réelle derrière. La FAQ a une vertu (elle est recrawlée environ deux fois plus souvent), mais ne comptez pas dessus pour faire citer un contenu vide. La forme FAQ sans substance ne déplace rien.

La perfection d'une page unique est un mauvais investissement sur Perplexity. Vu la faible influence par source (0,065) et la barre de qualité permissive, sur-polir une seule page rapporte peu. Le même effort réparti sur la couverture et la fraîcheur rapporte davantage. Réservez l'optimisation en profondeur à ChatGPT : voir notre guide ChatGPT.

Le plan d'action Perplexity en 6 points

1. Datez tout, en lisible-machine. JSON-LD datePublished + dateModified, meta article:published_time, <time> visible. Sans date parseable, vous partez avec un handicap.
2. Rafraîchissez tous les 60–90 jours avec des mises à jour substantielles sur vos pages à fort potentiel.
3. Multipliez les pages ciblées plutôt qu'une page pilier unique. Couvrez plusieurs intentions.
4. Construisez votre earned media. Presse, Wikipedia, annuaires verticaux, Reddit. C'est souvent le déblocage décisif quand votre domaine seul ne suffit pas.
5. Alignez chaque page sur une intention précise. La pertinence sémantique est le premier filtre : avant la fraîcheur, avant la largeur.
6. Mesurez par moteur. Perplexity, ChatGPT, Google et Gemini ne se comportent pas pareil. Un score agrégé masque les écarts qui comptent.

Mesurer avant d'optimiser

On ne peut pas optimiser ce qu'on ne mesure pas, et sur Perplexity, le piège est de croire qu'une seule belle page suffit. Traaker mesure votre visibilité moteur par moteur : sur quelles requêtes Perplexity vous cite, quelles sources il préfère, où votre earned media est trop mince, et comment votre fraîcheur se compare à celle de vos concurrents.

La stratégie Perplexity tient en une phrase : entrez dans le vivier, restez frais, soyez présent partout. La largeur d'abord, la profondeur ensuite.

Note méthodologique. Les chiffres cités proviennent d'études observationnelles (corrélations, pas relations causales prouvées). Ce sont les meilleures preuves publiques disponibles à ce jour, à lire comme des tendances solides, pas comme des garanties. Le comportement des moteurs évolue ; mesurez le vôtre en continu.

ChatGPT ne ratisse pas large : il choisit peu de sources et s'appuie fortement sur chacune. Pour être cité, vous devez réussir deux choses à la fois : être sélectionné parmi un petit nombre de pages, et être une source si dense en preuves que le modèle ne peut pas l'ignorer.

La réponse courte

ChatGPT cite peu et profond. Il référence en moyenne 6,88 sources par requête (moins de la moitié des 16,35 de Perplexity), mais chaque source pèse lourd : son score d'influence moyen est de 0,271, soit environ quatre à cinq fois celui de Perplexity ou Google. Autrement dit, quand ChatGPT vous cite, vous façonnez réellement la réponse.

La conséquence stratégique est double, et c'est ce qui rend ChatGPT exigeant : il faut à la fois être sélectionné ET être absorbé. Entrer dans le petit groupe de sources retenues ne suffit pas ; encore faut-il être assez dense en preuves pour que le modèle s'appuie sur vous plutôt que sur ses six autres candidats. C'est l'inverse de la stratégie Perplexity, où entrer dans le large vivier est l'essentiel.

Qu'est-ce qui rend ChatGPT différent des autres moteurs ?

ChatGPT se distingue par deux comportements mesurés.

Source : étude breadth/depth 2026 (602 prompts, 21 143 citations, 18 151 pages récupérées).

Deux particularités à retenir.

1. Il compresse sous la complexité. Face à une requête à contraintes multiples, ChatGPT réduit son nombre de sources : il tombe à 3,4 citations, là où Perplexity en ouvre 17,7. Il synthétise davantage en interne au lieu de récupérer largement. Plus la question est exigeante, plus le goulot d'étranglement se resserre, et plus il faut être une source incontournable pour y figurer.

2. Il réagit au cadrage expert, pas à la demande de sources. C'est un point contre-intuitif : alors que Google et Perplexity citent davantage quand l'utilisateur demande explicitement « cite tes sources », ChatGPT cite plus sous un cadrage de rôle d'expert. Le contenu qui se présente comme une référence d'autorité dans son domaine a un avantage spécifique sur ce moteur.

Levier nº 1 : être absorbé grâce aux genres de preuve

Une fois sélectionné, ce qui détermine votre influence sur la réponse, c'est le genre de preuve que contient votre page. C'est le facteur le plus puissant identifié dans la recherche, et il est en grande partie commun à tous les moteurs, mais il prend tout son sens sur ChatGPT, où chaque source absorbée pèse énormément.

Gain d'influence par genre de preuve présent dans la page :

Les rôles sémantiques les plus influents sont la définition (0,153) et la comparaison (0,152) ; les passages qui ne font que référencer une source sans rien affirmer sont les plus faibles (0,053).

Ce qu'il faut faire concrètement :

• Ouvrez vos pages par une définition claire du concept traité. C'est à la fois un genre à fort gain et le rôle sémantique le plus influent.
• Intégrez des comparaisons structurées : tableaux « X vs Y », critères côte à côte. Le présent article en contient plusieurs, ce n'est pas un hasard.
• Densifiez en chiffres sourcés. Une affirmation chiffrée et attribuée vaut bien plus qu'une généralité.
• Pour le contenu technique, montrez du code et des procédures. C'est le genre au plus fort rendement (+76,9 %).

Levier nº 2 : l'alignement sémantique

Après le genre de preuve, le deuxième signal le plus corrélé à l'influence est la similarité sémantique entre votre contenu et la réponse générée (r = 0,36), juste derrière le score de pertinence page-requête (r = 0,43). Les deux dépassent la simple longueur de la page.

La leçon : un texte plus long n'aide pas en soi. Ce qui aide, c'est de répondre précisément, dans les mots et les concepts que la réponse va mobiliser. Un contenu dense et aligné bat un contenu long et diffus.

C'est cohérent avec la taxonomie des échecs de citation : la majorité des pages pertinentes non citées échouent sur l'alignement sémantique, pas sur la qualité d'écriture. Le bon sujet ne suffit pas, il faut le bon angle, les bonnes entités, le bon niveau de précision. (Voir notre article sur le GEO diagnostique.)

Levier nº 3 : le cadrage d'autorité

Puisque ChatGPT cite davantage sous un cadrage de rôle d'expert, le positionnement de votre contenu compte.

• Signez et créditez. Auteurs identifiés, qualifications visibles, expertise affichée. Les signaux E-E-A-T (Expérience, Expertise, Autorité, Confiance) sont reconnus par le modèle.
• Adoptez un ton assertif. Réduisez le langage hésitant (« peut-être », « il semblerait que »). Les affirmations étayées battent les formulations prudentes.
• Appuyez-vous sur l'earned media. Comme tous les moteurs génératifs, ChatGPT favorise fortement le contenu tiers (presse, Wikipedia, avis d'experts) sur le contenu de marque. Une présence d'autorité en dehors de votre propre domaine renforce votre crédibilité aux yeux du modèle. C'est ce que mesure l'axe Médias acquis de Traaker.

Ce qui aide moins que vous ne le pensez

Emballer le contenu en FAQ ne suffit pas. Le format questions-réponses est un signal neutre à négatif pour l'absorption (−5,74 % dans l'étude breadth/depth) s'il n'y a pas de densité de preuves derrière. La forme ne remplace pas le fond : une FAQ creuse ne fait pas citer.

La longueur brute n'est pas un levier. Les corrélations le montrent clairement : l'alignement sémantique et le genre de preuve battent le nombre de mots. Rallonger une page sans densifier ses preuves est un effort gaspillé.

Sur-optimiser pour la largeur est un contresens sur ChatGPT. Vu son faible nombre de citations et sa forte influence par source, la stratégie « être présent partout » qui gagne sur Perplexity y est secondaire. Réservez la couverture large à Perplexity : voir notre guide Perplexity. Sur ChatGPT, c'est la profondeur qui décide.

Le plan d'action ChatGPT en 6 points

1. Ouvrez par une définition. Genre à fort gain (+57,3 %) et rôle sémantique le plus influent.
2. Densifiez en preuves : chiffres sourcés, comparaisons structurées, code et procédures pour le technique.
3. Alignez sémantiquement chaque page sur la réponse attendue : précision avant longueur.
4. Cadrez en autorité : auteurs crédités, ton assertif, signaux E-E-A-T visibles.
5. Construisez votre earned media pour renforcer la crédibilité hors de votre domaine.
6. Visez les requêtes complexes en étant incontournable : ChatGPT compresse à 3,4 sources sous contrainte, donc la sélection y est encore plus disputée.

Mesurer avant d'optimiser

Sur ChatGPT, le piège est l'inverse de celui de Perplexity : être trouvé ne sert à rien si vous n'êtes pas assez dense pour être absorbé. Traaker mesure votre visibilité moteur par moteur : sur quelles requêtes ChatGPT vous cite, à quel point vos pages façonnent réellement ses réponses, et où vos genres de preuve sont trop faibles pour peser.

La stratégie ChatGPT tient en une phrase : soyez sélectionné, soyez dense, soyez incontournable. La profondeur d'abord, la largeur ensuite.

Note méthodologique. Les chiffres cités proviennent d'études observationnelles (corrélations, pas relations causales prouvées). Ce sont les meilleures preuves publiques disponibles à ce jour, à lire comme des tendances solides, pas comme des garanties. Le comportement des moteurs évolue ; mesurez le vôtre en continu.

Une nouvelle expérience naturelle montre que l'essentiel de la hausse observée dans une étude de cas connue n'avait rien à voir avec l'optimisation.

Voici une possibilité dérangeante. Cette étude de cas AEO impressionnante que vous avez gardée, celle où les référents ChatGPT ont bondi de 5x après quelques ajustements, a probablement mesuré la mauvaise chose.

Un papier de 2026 signé Watanabe et Nakayashiki a refait les calculs sur un seul site à fort trafic et a constaté que l'essentiel du "gain" venait de la montée de la plateforme, pas de l'optimisation. L'AEO, pour Answer Engine Optimization, désigne le fait d'ajuster votre contenu pour que les assistants IA comme ChatGPT vous citent et vous recommandent. L'étude mérite d'être lue en entier (arXiv:2606.04362), mais la version courte est un bon test de réalité pour quiconque vend ou achète des prestations AEO.

Ce qu'ils ont vraiment fait

La plupart des affirmations AEO reposent sur des estimateurs de trafic tiers. Pas cette étude. Les auteurs ont utilisé l'analytics first-party et les logs serveur bruts d'un domaine réel, donc les référents sont mesurés, pas modélisés.

C'est le protocole qui rend tout cela intéressant. En janvier 2026, l'équipe a appliqué des changements AEO à une section du site et a laissé le reste intact. Cette partie non traitée est devenue le groupe de contrôle : même domaine, même marque, même fenêtre temporelle, juste aucune intervention.

C'est important à cause de ce que le papier appelle le vent porteur de la plateforme (platform tailwind), la croissance de fond du trafic IA qui profite à tout le monde, que vous optimisiez ou non. Si ChatGPT envoie plus de clics vers tout le web, votre trafic monte même sans rien faire. Un bon test doit séparer cette marée de vos propres coups de rame.

Le chiffre vedette, c'est surtout la marée

Voici la partie qui devrait vous rendre sceptique face aux études de cas à chiffres ronds.

Le total des référents ChatGPT vers le domaine étudié a grimpé de 5,7x sur la période. C'est le genre de chiffre qui finit dans un post LinkedIn. Mais les pages de contrôle, celles qui n'ont reçu aucun travail AEO, ont grimpé de 3,5x sur la même période.

Une grande partie de l'histoire "5,7x grâce à l'AEO" se produisait donc sur des pages que personne n'avait touchées. Si vous ne regardiez que les pages traitées en ignorant le contrôle, vous attribueriez la croissance de la plateforme à votre propre intervention. C'est exactement l'erreur que le papier est conçu pour exposer.

Alors, qu'a vraiment fait l'intervention ?

Pour isoler l'effet réel, les auteurs ont utilisé un modèle de série temporelle interrompue (interrupted time-series). En clair, cela veut dire ajuster la tendance du trafic avant le changement, la projeter dans le futur, et mesurer de combien les pages traitées s'écartent de cette trajectoire attendue après janvier.

L'effet réel estimé du travail AEO était d'environ 1,82x, avec un intervalle de confiance à 95 % de 1,31 à 2,54. Un intervalle de confiance, c'est la fourchette dans laquelle se situe probablement le vrai chiffre. La lecture honnête est donc "entre 1,3x et 2,5x de hausse", pas un net 1,82.

Cela reste un résultat positif. C'est juste bien plus modeste que 5,7x, et l'écart entre ces deux chiffres est précisément le sujet.

Pourquoi les auteurs refusent de parler de preuve

Le papier est prudent, et vous devriez l'être aussi. Les auteurs ont fait un test placebo dans le temps (placebo-in-time), c'est-à-dire faire comme si l'intervention avait eu lieu à une date où rien n'a changé, puis vérifier si le modèle "trouve" quand même un faux effet. Si c'est le cas, votre méthode est trop nerveuse pour être fiable.

Ce test a donné p=0,16. Sans se perdre dans les statistiques, cette valeur n'est pas assez basse pour écarter le hasard. La période avant l'intervention était courte et bruitée, ce qui fragilise toute comparaison avant/après.

Dans les termes mêmes du papier, l'effet est suggestif, pas concluant. À traiter comme un signal prometteur venu d'un seul site, pas comme une loi de la nature.

Une bonne nouvelle

Il y a un gain discret caché dans les résultats. Une peur fréquente avec l'AEO, c'est que restructurer le contenu pour les réponses IA abîme votre référencement Google classique.

Ce n'est pas arrivé ici. Les clics organiques Google vers les pages traitées sont restés stables, et les pages sont restées indexées. Optimiser pour le moteur de réponse n'a pas coûté le moteur de recherche, du moins dans ce cas.

Ce que ça change pour vous

• Mettez toujours en place un contrôle. Comparez vos pages optimisées à des pages non touchées du même site, sur la même fenêtre. Sans cette référence, impossible de distinguer votre travail de la croissance de la plateforme.
• Méfiez-vous des multiples bruts. Quand une étude de cas se vante d'un 5x, demandez ce qu'ont fait les pages non optimisées. Si elles ont grimpé de 3x toutes seules, la vraie histoire est bien plus petite.
• Mesurez avec des données first-party. Les logs serveur et votre propre analytics valent mieux que les estimateurs tiers, qui modélisent le trafic au lieu de le compter.
• Attendez-vous à des hausses modestes et incertaines. Un effet réel entre 1,3x et 2,5x est plausible et vaut la peine. Un chiffre net, confiant et énorme signale en général une mesure bâclée.
• Vous ne flinguerez probablement pas votre SEO. Optimiser pour les réponses IA n'a pas réduit les clics Google ni l'indexation dans cette étude, donc la peur "l'AEO va casser mon trafic search" n'est pas automatique.

À retenir

Rien de tout cela ne dit que l'AEO ne sert à rien. Cela dit que la façon dont on mesure l'AEO est souvent cassée, et qu'une mesure cassée gonfle les gains.

La rigueur que ce papier illustre, un groupe de contrôle, une vraie référence, et de l'honnêteté sur l'incertitude, fait la différence entre un marketing sur lequel on peut agir et un marketing qu'on se contente de partager. Avant de croire une étude de cas AEO, y compris la vôtre, posez d'abord une question : par rapport à quoi ?

Source : Watanabe & Nakayashiki (2026), "Disentangling Answer Engine Optimization from Platform Growth: A Log-Based Natural Experiment on ChatGPT Referral Traffic", arXiv:2606.04362.

Basé principalement sur le papier "Don't Measure Once: Measuring Visibility in AI Search (GEO)" de Schulte (avril 2026), et son papier compagnon "Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Search Measurement" (mars 2026).

Papers : arXiv:2604.07585 | arXiv:2603.08924 | arXiv:2604.25707

Le problème : votre mesure GEO ment, et vous ne le savez pas

Vous lancez une requête sur ChatGPT. Votre marque est citée : top 1, paragraphe 2. Vous notez le résultat dans un tableur, vous lancez la suivante. Vous compilez 30 requêtes. Vous tirez une conclusion sur votre "visibilité IA."

Le problème : si vous relancez exactement les mêmes 30 requêtes 24 heures plus tard, vous obtiendrez un résultat différent. Pas marginalement, significativement. Certaines marques disparaissent. D'autres apparaissent. Les sources citées changent. L'ordre change. Le ton change.

C'est le constat central d'une nouvelle vague de recherche académique sortie au printemps 2026 : la recherche IA n'est pas déterministe, et la mesurer comme si elle l'était produit des chiffres faux.

Cette mécanique heurte de plein fouet la pratique SEO traditionnelle. Pendant 25 ans, mesurer la visibilité voulait dire : ouvrir un classement, lire une position, l'archiver. La position 3 est la position 3. Elle ne devient pas la position 7 entre deux scrolls. La recherche générative casse cette propriété, et la plupart des outils GEO du marché ne l'ont pas encore intégré dans leur méthodologie de mesure.

La thèse en une phrase

La performance GEO doit être caractérisée comme une distribution, pas comme un point unique.

C'est la formulation qu'utilise le papier de référence d'avril 2026, et c'est l'idée que les autres travaux récents (académiques comme industriels) viennent corroborer chacun à sa manière.

Concrètement, si vous voulez répondre à la question "quelle est ma part de citation sur ChatGPT pour cette requête ?", la bonne réponse n'est pas un nombre. C'est une plage : "entre 18% et 34% avec un intervalle de confiance à 95%, mesuré sur N runs réalisés sur K jours." Tout ce qui est plus court que cela est, statistiquement, du bruit habillé en signal.

Trois sources de variabilité, et pourquoi elles s'additionnent

1. Variabilité par run (intra-jour)

Même requête, même moteur, deux exécutions à 30 minutes d'intervalle : les réponses diffèrent. Les LLMs derrière ChatGPT, Gemini, Perplexity ou Claude utilisent un échantillonnage stochastique (température > 0) au moment de la génération. Le pipeline de retrieval (quelles pages sont récupérées avant que le modèle ne réponde) introduit une seconde couche d'aléa.

Le papier statistique compagnon (mars 2026) quantifie cet effet via du bootstrap : sur des comparaisons de domaines, beaucoup de différences apparentes tombent à l'intérieur du plancher de bruit. Autrement dit : si vous voyez 22% pour la marque A et 19% pour la marque B sur un seul run, vous n'avez statistiquement pas montré que A est devant B. Vous avez peut-être juste tiré au hasard.

2. Variabilité inter-moteurs

L'industrie a quantifié cet effet avec des chiffres très clairs :

• ~11% de chevauchement de domaines cités entre ChatGPT et Perplexity sur les mêmes requêtes (Digital Bloom Report, repris par Geneo)
• ~14% de chevauchement d'URL entre les citations de Google AI Mode et le top 10 organique historique (SE Ranking, repris par Geneo)

Traduction : être bien cité sur Perplexity ne dit presque rien sur ChatGPT. Et bien classé en SEO traditionnel ne garantit pas d'apparaître dans AI Mode. Ce ne sont pas trois vues du même classement, ce sont trois classements différents, qu'il faut traiter et mesurer séparément.

3. Variabilité temporelle (drift)

Les modèles changent. Les corpus changent. Les pipelines de retrieval changent. Une marque dominante en mars peut avoir glissé en mai parce qu'OpenAI a mis à jour son routage entre modèles, parce qu'un domaine concurrent a publié un contenu massivement repris ailleurs, ou simplement parce que le ranker interne a été ré-entraîné.

Ces trois variances ne se neutralisent pas : elles se composent. Une mesure prise un mardi matin sur Perplexity n'est ni la mesure d'un jeudi soir, ni la mesure du même créneau sur ChatGPT, ni la mesure de la semaine suivante.

La structure cachée : tout suit une power-law

Le papier compagnon (arXiv:2603.08924) ajoute une découverte importante sur la forme de la distribution des citations : elles suivent une loi de puissance. Un petit nombre de domaines capte la grande majorité des citations ; la longue queue n'a presque rien.

L'industrie a confirmé cela à grande échelle. Une analyse réalisée par Trakkr.ai sur 1,3 million de citations IA réparties sur 60 209 domaines retrouve exactement ce pattern : la fréquence de citation suit une power-law.

Deux conséquences pratiques pour la mesure :

1. Les métriques moyennes mentent. La moyenne d'une distribution power-law est tirée par les outliers. Si vous reportez "domaine moyen cité 4,2 fois sur cette requête," vous décrivez un domaine qui n'existe pas. Préférez la médiane et les percentiles.
2. Les écarts entre marques sont énormes en absolu, et minuscules pour la longue queue. Passer de la position 80 à la position 60 dans la distribution n'augmente quasiment pas vos citations. Sortir du top 20, ou y entrer, change tout. La granularité de mesure utile n'est pas linéaire.

Citation ≠ absorption

Un troisième papier d'avril 2026 (arXiv:2604.25707) ajoute une couche que la mesure naïve oublie : être cité ne veut pas dire avoir été utilisé.

Les moteurs IA distinguent deux étapes :

• Sélection : votre URL apparaît dans la liste des sources que le moteur a consultées
• Absorption : votre contenu a effectivement nourri la réponse générée (les phrases produites s'appuient sur ce que vous avez écrit)

Une page peut être sélectionnée et citée en bas de réponse sans qu'aucune des phrases produites ne reflète son contenu. À l'inverse, une page peut être absorbée et reformulée sans citation explicite. Mesurer uniquement la présence d'URL dans la liste de citations rate la moitié de l'image.

C'est pour cela que la mesure GEO sérieuse doit comporter au moins deux couches :

1. Fréquence de sélection : taux d'apparition de votre domaine dans les citations sur N runs
2. Profondeur d'absorption : quelle proportion du texte généré reflète votre contenu (par chevauchement lexical, sémantique, ou par marquage explicite par citation en ligne)

L'opérationnalisation : combien d'échantillons faut-il ?

Côté pratique, le guide de mesure de Geneo transforme la thèse académique en règles applicables. Le standard qui se dégage :

• 3 à 5 runs same-day par requête par moteur, pour cadrer la variance intra-jour
• Tracking longitudinal sur plusieurs semaines, pour détecter le drift
• Couverture multi-moteurs explicite (au minimum ChatGPT, Perplexity, Gemini), parce que l'overlap est trop faible pour extrapoler depuis un seul

Et un set de métriques adaptées à la nature distributionnelle du signal :

Geneo propose même des seuils d'alerte concrets :

• Jaccard overlap < 0,35 sur deux jours consécutifs → instabilité élevée, ne pas tirer de conclusion business
• Drift Rate > 40% semaine sur semaine → quelque chose a bougé côté moteur ou côté écosystème, déclencher une investigation

C'est la traduction managériale du papier : ne pas juste mesurer, mais mesurer avec une politique d'alerte qui distingue le bruit du signal.

Le cadre à trois étages d'iPullRank

L'agence iPullRank a publié en parallèle un cadre conceptuel qui résume bien la nouvelle discipline. Leur formulation :

"Le share-of-voice n'est plus un pourcentage statique de positions occupées, mais une distribution statistique de présence sur de nombreux essais. Le mesurer demande un échantillonnage répété, une modélisation probabiliste, et l'acceptation que la visibilité n'est pas un instantané mais une plage de résultats probables."

Ils recommandent une stack de mesure en trois étages :

1. Input metrics : quels contenus sont produits, quelles sources externes vous mentionnent, quelle est votre couverture thématique (vous contrôlez tout)
2. Channel metrics : comment les moteurs IA traitent votre contenu : taux de citation, profondeur d'absorption, latence de propagation après publication (vous mesurez)
3. Performance metrics : l'impact business : trafic référé, qualité des leads attribués à des canaux IA, lifts de conversion sur audience exposée à votre marque dans les réponses (vous attribuez)

Le piège classique du GEO de première génération est de mesurer uniquement la couche 2 sans la connecter aux autres. Vous obtenez un score qui bouge sans que vous puissiez ni en expliquer la cause (couche 1) ni en mesurer les conséquences (couche 3).

Le contre-argument de Google : "GEO et AEO sont un mythe"

En mai 2026, Google a publiquement rétorqué que AI Overviews et AI Mode utilisent les mêmes systèmes de ranking que la recherche classique. Leur position : si vous êtes bien classé en SEO traditionnel, vous apparaîtrez dans les réponses IA. Le GEO serait du SEO rebadgé.

Cette affirmation est factuellement vraie pour le périmètre étroit de Google. Elle est néanmoins doublement insuffisante.

Premièrement, les ~14% de chevauchement d'URL mesurés entre AI Mode et le top 10 organique disent l'inverse : même chez Google, l'écart entre "bien rangé en SERP" et "cité par l'IA" est massif. Les deux systèmes partagent une infrastructure ; ils n'en font pas la même chose au moment de répondre.

Deuxièmement, et c'est le point central, Google parle uniquement de Google. L'argument ne touche pas ChatGPT, Perplexity, Claude, ni Gemini hors AI Mode. Or c'est précisément là que le problème de variabilité de mesure est le plus aigu : parce que ces moteurs n'utilisent pas le ranking de Google, parce que leur retrieval est différent, et parce que leur stochasticité de génération est exposée beaucoup plus directement à l'utilisateur.

Conclusion : la position de Google est cohérente pour son écosystème mais ne dispense personne de mesurer rigoureusement les autres moteurs. Si quoi que ce soit, elle confirme la thèse, chaque moteur a son propre régime statistique.

Synthèse pratique : que faire dès demain

Si vous gérez la visibilité IA d'une marque, voici la traduction opérationnelle des cinq sources :

1. Arrêtez de raisonner en "ma position sur ChatGPT pour cette requête." Cette phrase est mal posée. La bonne formulation est "ma part de citation moyenne sur ChatGPT pour cette requête sur 5 runs same-day, avec son intervalle de confiance."

2. Échantillonnez 3 à 5 fois la même requête dans la même fenêtre temporelle, sur chaque moteur que vous suivez. Une seule mesure est interdite pour conclure.

3. Multi-moteurs par défaut. Au minimum ChatGPT, Perplexity, Gemini. L'overlap inter-moteurs est trop faible pour qu'un seul soit représentatif.

4. Suivez la stabilité, pas seulement le score. Jaccard overlap, drift rate, survival rate. Une marque dont la position est stable à 18% est en meilleure posture stratégique qu'une marque qui oscille entre 10% et 30% avec une moyenne de 20% : même si la seconde a un meilleur "score" sur un run isolé.

5. Mesurez deux couches : sélection ET absorption. La citation est nécessaire mais pas suffisante. Sans absorption, votre marque apparaît dans une note de bas de page que personne ne lit.

6. Définissez vos seuils d'alerte avant de mesurer. Jaccard < 0,35 deux jours de suite, drift > 40% semaine sur semaine : ce ne sont pas des constantes universelles, mais ce sont des points de départ raisonnables que vous calibrerez sur votre historique.

7. Documentez vos protocoles. Un benchmark GEO sans description du protocole de mesure (nombre de runs, fenêtre temporelle, moteurs couverts, version de modèle si capturable) n'est pas comparable à un autre. La méthodologie est la moitié du résultat.

La vue d'ensemble

Le GEO est passé en deux ans d'une discipline naissante (le papier fondateur de Princeton/IIT Delhi à KDD 2024) à une discipline mesurable. La phase actuelle est celle où la mesure rattrape la pratique, et où l'on découvre que beaucoup de chiffres communiqués jusqu'ici sont de la fiction statistique : des moyennes calculées sans variance, des points uniques traités comme des tendances, des comparaisons inter-moteurs faites comme s'il s'agissait du même classement.

Le tournant est sain. Il oblige les outils, les agences et les équipes internes à publier des protocoles, à exposer des intervalles de confiance, et à arrêter de promettre des certitudes que la nature même des moteurs génératifs ne permet pas. C'est exactement le sens de l'investissement que nous mettons chez Traaker sur l'échantillonnage répété, le suivi multi-moteurs, et la séparation explicite entre sélection et absorption.

Le message tient en une ligne : en GEO, une seule mesure n'est pas une mesure.

Sources principales : Schulte, "Don't Measure Once: Measuring Visibility in AI Search (GEO)," arXiv:2604.07585, 8 avril 2026 ; "Quantifying Uncertainty in AI Visibility," arXiv:2603.08924, mars 2026 ; "From Citation Selection to Citation Absorption," arXiv:2604.25707, avril 2026.

Sources industrielles : iPullRank, "The Measurement Chasm: Tracking GEO Performance" ; Geneo, "Ultimate Guide to AI Search Volatility Tracking" ; Trakkr.ai, AI Citation Tracking (analyse de 1,3M de citations sur 60 209 domaines) ; Google, position publique sur AI Overviews / AI Mode (mai 2026).

En février 2026, Google a embarqué WebMCP dans une preview de Chrome. Derrière l'acronyme se cache un standard W3C, co-porté avec Microsoft, qui transforme chaque site web en API appelable par les agents IA. Après le GEO (être cité), voici l'ère où il faut aussi être actionnable.

De "répondre à l'humain" à "servir les agents"

Depuis 2024, le débat GEO (Generative Engine Optimization) s'est concentré sur une question : comment faire en sorte que ChatGPT, Perplexity ou Gemini citent votre site dans leurs réponses ? Statistiques, citations, structure claire, earned media, la boîte à outils est désormais bien documentée.

WebMCP déplace le problème d'un cran. Quand un utilisateur demande à un agent IA "réserve-moi un vol Paris–Lisbonne demain matin sur le site X" ou "achète-moi cette paire de chaussures", il ne s'agit plus d'être cité. Il s'agit d'être exécuté. Or, aujourd'hui, les agents qui tentent d'interagir avec un site "normal" doivent simuler un humain : parser le DOM, cliquer sur des éléments visuels, deviner à quoi servent les boutons. C'est lent, peu fiable, et ça casse au moindre changement d'UI.

WebMCP propose un autre chemin : laissez le site se déclarer lui-même aux agents, sous forme d'outils typés.

C'est quoi WebMCP, concrètement ?

WebMCP (Web Model Context Protocol) est un standard W3C en cours qui permet à une page web d'exposer ses fonctionnalités (remplir un formulaire, lancer une recherche, ajouter un produit au panier, soumettre un ticket de support) comme des outils appelables par un agent IA, directement depuis le navigateur.

Le projet est né à l'été 2025 sous le nom MCP-B ("MCP for the Browser"), porté par un ex-développeur d'Amazon. Il est désormais repris par Google (équipe Chrome) et Microsoft (équipe Edge), sous la bannière WebMCP, et piloté au W3C. Un premier draft de spec a été publié début 2026, et Chrome a ouvert un Early Preview Program pour les développeurs.

Le principe est hérité du Model Context Protocol d'Anthropic (2024), qui normalise la manière dont un LLM appelle des outils externes. WebMCP en est l'extension naturelle au navigateur : la page web devient elle-même un serveur MCP, et les outils s'exécutent côté client, dans l'onglet de l'utilisateur.

Deux APIs : déclarative et impérative

Le standard propose deux manières d'exposer des capacités.

1. L'API déclarative (pour les formulaires HTML)

Vous ajoutez simplement des attributs à un <form> existant. Pas de JavaScript à écrire.

<form action="/search" toolname="search_flights"
      tooldescription="Search available flights between two cities">
  <input name="from" toolparamtitle="Departure city"
         toolparamdescription="IATA code or city name" />
  <input name="to" toolparamtitle="Arrival city"
         toolparamdescription="IATA code or city name" />
  <input type="date" name="date" toolparamtitle="Departure date" />
  <button type="submit">Search</button>
</form>

Pour un agent, ce formulaire n'est plus une collection pixels à interpréter : c'est un outil search_flights avec trois paramètres documentés.

2. L'API impérative (pour tout le reste)

Pour les interactions plus dynamiques (actions déclenchées sur un SPA, filtrage, modification de panier…), les développeurs utilisent une nouvelle interface JavaScript :

navigator.modelContext.registerTool({
  name: "add_to_cart",
  description: "Add a product to the user's shopping cart",
  schema: {
    productId: { type: "string", description: "Product SKU" },
    quantity:  { type: "number", description: "Number of units" }
  },
  async execute({ productId, quantity }) {
    await cart.add(productId, quantity);
    return { ok: true, cartSize: cart.size };
  }
});

Le draft W3C définit trois méthodes principales sur window.navigator.modelContext :

• provideContext(...) : mise à jour complète (pratique pour les SPA)
• registerTool(...) : ajout d'un outil individuel
• unregisterTool(...) : retrait d'un outil

Les fonctions peuvent être asynchrones et déléguées à des web workers.

Les trois cas d'usage que Google met en avant

Dans son annonce de l'Early Preview Program, l'équipe Chrome identifie trois terrains prioritaires :

1. Support client : l'agent remplit un ticket avec le contexte technique (navigateur, URL courante, logs d'erreur) sans que l'utilisateur ait à tout retaper.
2. E-commerce : l'agent trouve un produit, configure les options (taille, couleur, personnalisation), ajoute au panier et va jusqu'au checkout.
3. Voyage : l'agent recherche des vols, filtre, réserve, le tout en dialoguant avec l'utilisateur au lieu de cliquer à sa place.

Ce ne sont pas les seuls usages : toute interface qui repose sur des formulaires ou des actions structurées est candidate.

Ce que WebMCP change pour le GEO

Jusqu'ici, la présence d'une marque dans l'écosystème IA se mesurait sur deux axes :

• Discoverability : est-ce que les moteurs IA mentionnent votre marque quand un utilisateur pose une question pertinente ?
• Accuracy : ce qu'ils disent de vous est-il juste, à jour, positif ?

WebMCP ouvre un troisième axe : l'actionnabilité. Quand un utilisateur dit à son agent "commande-moi une pizza", trois scénarios émergent :

1. Aucun site concerné n'implémente WebMCP → l'agent tente tant bien que mal de naviguer visuellement, échoue souvent, et recommande finalement un concurrent.
2. Un seul acteur du marché implémente WebMCP → l'agent choisit systématiquement ce site, parce que c'est le seul qu'il peut manipuler de façon fiable.
3. Plusieurs sites implémentent WebMCP → la concurrence reprend, mais sur la qualité des outils exposés (granularité, rapidité, descriptions claires).

C'est exactement la dynamique qu'on a connue avec le responsive design vers 2012–2014 : au début un bonus d'expérience, puis un signal Google, puis un prérequis absolu. Semrush, dans sa couverture récente, fait explicitement ce parallèle : les sites qui bougent tôt capteront le trafic agentique émergent, les retardataires perdront la main.

Pour les marques que nous accompagnons sur Hlight, l'implication est directe : une stratégie GEO complète en 2026 ne se limite plus au contenu éditorial. Elle doit intégrer un audit d'actionnabilité, vos parcours-clés sont-ils exposables en WebMCP ? Vos formulaires sont-ils assez propres pour qu'une annotation déclarative suffise ?

Ce que ça ne résout pas encore

Le standard est jeune, et plusieurs questions restent ouvertes :

• Sécurité et vie privée : la section correspondante du draft W3C est actuellement vide. Les risques de type CSRF, XSS ou abus combinés avec des features émergentes (Prompt API, Web AI) ne sont pas cadrés.
• Consentement utilisateur : à quel moment l'agent peut-il appeler un outil sans redemander confirmation ? Les garde-fous sont encore très dépendants du client MCP (Claude Desktop, Chrome, etc.), pas du protocole.
• Support multi-navigateurs : Chrome ouvre le bal en preview, Edge suit, Firefox et Safari ne se sont pas encore engagés. La généralisation est attendue mi- à fin 2026 dans le meilleur des cas.
• Découvrabilité des outils eux-mêmes : rien ne dit aujourd'hui quels sites exposent WebMCP, ni comment les agents les priorisent. Cela ressemble furieusement à un nouveau terrain de ranking.

Que faire maintenant ?

Trois actions concrètes pour les équipes qui construisent ou opèrent un site :

1. Auditer les parcours-clés. Quelles sont les 3 à 5 actions qu'un utilisateur vient réellement faire chez vous (acheter, réserver, s'inscrire, contacter) ? Ce sont les premières candidates à l'exposition WebMCP.
2. Nettoyer les formulaires HTML. L'API déclarative ne coûte quasi rien… à condition d'avoir des <form> propres, des name explicites et des labels sensés. C'est une hygiène HTML qui sert aussi l'accessibilité et le SEO.
3. S'inscrire à l'Early Preview Program Chrome. L'équipe Chrome publie la doc, les démos et les changements de spec au fil de l'eau. Y être tôt, c'est éviter de refaire le travail dans six mois.

Et côté GEO : continuer à investir dans la citation (statistiques, sources, earned media), parce qu'un agent qui ne vous connaît pas n'appellera jamais vos outils, aussi bien exposés soient-ils.

Sources

• webmcp.dev : WebMCP open source library
• Chrome Developers : WebMCP Early Preview Program
• Semrush : What is WebMCP?
• Silicon.fr, WebMCP : interface entre web et agents IA
• Le Monde Informatique : L'API WebMCP étend les applications web aux agents IA
• Codely : What is WebMCP and how to use it
• VentureBeat : Google Chrome ships WebMCP in early preview
• Forbes : Google ships WebMCP, the browser-based backbone for the agentic web

Le GEO a un problème de diagnostic

Imaginez que vous allez chez le médecin avec une douleur au genou. Au lieu de vous examiner, il vous prescrit un traitement générique : "Prenez du paracétamol, faites du sport, mangez mieux." Ça pourrait aider, en moyenne. Mais si votre problème est un ligament croisé, ces conseils sont inutiles. Pire, le sport pourrait aggraver les choses.

C'est exactement ce que fait le GEO de première génération.

Le papier fondateur du GEO (2024) et ses successeurs ont identifié des stratégies qui fonctionnent en moyenne : ajouter des statistiques, citer des sources, améliorer la fluidité, adopter un ton d'autorité. Certains frameworks comme AgenticGEO ont même automatisé la sélection de ces stratégies avec des agents IA évolutifs.

Mais aucune de ces approches ne pose la question fondamentale : pourquoi, précisément, votre contenu n'est-il pas cité ?

C'est le virage que prend la recherche GEO en 2026, et c'est exactement l'approche que nous adoptons chez Hlight.

Le constat de départ : 43% des pages pertinentes ne sont jamais citées

Des travaux récents en recherche GEO ont fait une observation frappante en analysant les benchmarks existants : 43% des pages web thématiquement pertinentes ne reçoivent aucune citation de la part des moteurs génératifs.

Pour ces pages, la question n'est pas "comment augmenter ma part de citation de 15% à 20%." C'est "pourquoi est-ce que je suis complètement invisible ?"

Et quand les chercheurs ont appliqué les stratégies GEO classiques à ces pages invisibles, ils ont découvert quelque chose de troublant : les optimisations génériques peuvent activement nuire au contenu de niche. Sur certains sujets spécialisés, appliquer les "bonnes pratiques" GEO faisait baisser le taux de citation.

Le problème est structurel. Les stratégies génériques sont dérivées de patterns agrégés, ce qui fonctionne en moyenne sur des milliers de pages. Mais les contenus spécialisés, les sujets de niche, les domaines sous-représentés dévient systématiquement de ces patterns. Leur appliquer la même recette, c'est comme prescrire le même médicament à tout le monde.

La première taxonomie des échecs de citation

La contribution la plus importante de cette nouvelle vague de recherche est peut-être la plus simple : une classification systématique de pourquoi les pages ne sont pas citées.

En analysant 949 paires contrastives (des cas où deux pages étaient récupérées pour la même requête, mais une seule était citée), les chercheurs ont identifié quatre catégories de défaillance, réparties sur l'ensemble du pipeline des moteurs génératifs.

1. Intégrité technique (10,1% des cas)

Le contenu ne parvient même pas au modèle de langage. Les causes :

• Blocage d'accès : pare-feu, erreur 403, mur de connexion
• Échec JavaScript : contenu généré côté client que le crawler ne peut pas rendre
• Contenu non parseable : texte corrompu, données binaires, chaînes vides
• Bruit excessif : le contenu utile est noyé dans les publicités, la navigation, le boilerplate

C'est l'équivalent d'un patient qui n'arrive même pas à la salle de consultation. Aucune optimisation de contenu ne peut résoudre un problème de crawling.

2. Alignement sémantique (62,2% des cas)

C'est la catégorie dominante, et la plus nuancée. Le contenu arrive bien au modèle, mais il ne correspond pas à ce que la requête demande :

• Divergence d'intention : contenu informationnel pour une requête transactionnelle (ou l'inverse)
• Lacune contextuelle : le bon sujet, mais il manque les entités ou le jargon spécifiques attendus
• Information obsolète : données périmées ou temporellement décalées
• Décalage de localisation : réglementation britannique pour une requête américaine

62% des échecs. Autrement dit, dans la majorité des cas, le problème n'est pas que votre contenu est mal écrit : c'est qu'il ne répond pas précisément à ce que l'utilisateur cherche.

3. Qualité du contenu (27,1% des cas)

Le contenu traite du bon sujet, mais le présente mal :

• Pauvreté informationnelle : trop superficiel pour être citable
• Fragmentation : des bribes déconnectées qui résistent à la synthèse
• Verbosité excessive : les faits clés sont dilués dans du remplissage
• Mise en page non structurée : de la prose dense là où des tableaux ou des listes aideraient

C'est ici que les stratégies GEO classiques sont les plus pertinentes, mais seulement si le diagnostic est correct.

4. Exclusion systémique (0,6% des cas)

Le contenu est bon, pertinent, bien présenté, mais il fait face à des désavantages structurels :

• Redondance compétitive : une source de plus haute autorité (Wikipedia, par exemple) couvre les mêmes faits
• Troncature de fenêtre : le contenu pertinent est enfoui trop profondément pour tenir dans la fenêtre de contexte du modèle

Ce dernier cas est le plus frustrant : aucune optimisation de contenu ne peut le résoudre. Si Wikipedia dit la même chose que vous, le moteur IA citera Wikipedia.

L'approche diagnostique : examiner avant de prescrire

Fort de cette taxonomie, la nouvelle génération d'outils GEO (dont Hlight) adopte une approche radicalement différente : diagnostiquer d'abord, puis réparer de manière ciblée.

Le principe : diagnostiquer, puis réparer

Pour chaque page non citée, un système diagnostique suit un cycle itératif :

1. Diagnostic : Comparer la page avec le concurrent cité le mieux classé. Identifier précisément pourquoi le concurrent a été préféré, en classifiant la vulnérabilité selon la taxonomie.
2. Sélection d'outil : Choisir l'intervention appropriée dans une bibliothèque d'outils spécialisés, en tenant compte des tentatives précédentes (mémoire).
3. Réparation : Appliquer l'outil sur une copie de la page.
4. Vérification : Tester si la citation est obtenue. Si non, re-diagnostiquer et itérer.

C'est fondamentalement différent de l'approche "appliquer la stratégie X à tout le monde." Chaque page reçoit un traitement personnalisé basé sur son problème spécifique.

Les catégories d'outils de réparation

Une bibliothèque d'outils diagnostiques couvre quatre catégories fonctionnelles :

Augmentation d'information :

• Injection d'entités : insérer chirurgicalement les faits ou entités manquants aux points optimaux du texte
• Sérialisation de données : convertir les descriptions narratives en tableaux HTML structurés

Amélioration structurelle :

• Optimisation de structure : transformer les "murs de texte" en contenu hiérarchisé avec des titres, listes et emphases
• Isolation du bruit : séparer le contenu utile du boilerplate (navigation, pubs, footers) via des balises sémantiques

Positionnement du contenu :

• Optimisation BLUF (Bottom Line Up Front) : extraire les points clés et les placer en résumé en tête de page
• Relocalisation de contenu : remonter le contenu enfoui via des sections "TL;DR" ou "Points clés"
• Réalignement d'intention : réécrire le paragraphe d'ouverture pour répondre directement à l'intention de la requête

Raffinement persuasif :

• Réécriture persuasive : adopter un ton d'autorité, ajouter de la preuve sociale, des contre-arguments
• Red-team historique : contextualiser le contenu daté en créant des liens entre passé et présent

La mémoire évite les boucles

Détail crucial : un système diagnostique efficace maintient une mémoire par requête qui enregistre les tentatives précédentes. Si un outil a déjà échoué pour le même type de vulnérabilité, il est exclu des options. Si un outil échoue deux fois consécutivement, il est globalement exclu du chemin courant.

Le système a aussi des protocoles d'escalade : si l'augmentation factuelle ne fonctionne pas, il passe à la réécriture persuasive. Si la réorganisation structurelle échoue, il force un résumé BLUF en tête de page.

Les résultats : +40% de citations en touchant 5% du contenu

Les résultats de la recherche sur l'approche diagnostique sont parlants :

Trois observations majeures :

1. L'efficacité chirurgicale. L'approche diagnostique modifie seulement 5% du contenu original, contre 25% pour les méthodes génériques. Et elle obtient de meilleurs résultats. Cela confirme que les échecs de citation sont rarement un problème de qualité globale : la plupart des pages ont besoin de corrections ciblées, pas d'une réécriture massive.

2. La préservation du contenu. Avec un score Jaccard de 82,4% (contre 18% pour les règles génériques), l'approche diagnostique préserve l'essentiel du contenu original. Les méthodes génériques, en réécrivant 25% du texte, dénaturent le contenu, ce qui est problématique pour les créateurs qui tiennent à leur voix et leur message.

3. La robustesse cross-méthode. Optimisé avec une méthode de citation (Attribute-First), le diagnostic améliore aussi les résultats avec une autre méthode (In-Context) : +14,3% de taux de citation. Les réparations sont fondamentales, pas spécifiques à un moteur.

Les optimisations génériques peuvent nuire

Un des résultats les plus importants concerne l'analyse par sujet. Sur certaines catégories thématiques, les règles génériques font pire que ne rien faire du tout.

C'est particulièrement visible sur les sujets où le taux de citation de base est déjà élevé (comme la santé, autour de 80%). Les règles génériques, en réécrivant massivement le contenu, suppriment parfois des informations spécifiques au domaine qui étaient justement la raison pour laquelle le contenu était cité.

L'approche diagnostique, en revanche, montre des gains consistants sur tous les sujets : précisément parce qu'elle diagnostique avant d'agir et ne touche que ce qui doit être touché.

La leçon est claire : en GEO, ne pas optimiser peut être mieux qu'optimiser aveuglément.

Ce que le diagnostic ne peut pas résoudre

La recherche a aussi l'honnêteté de documenter ses limites. Même après optimisation diagnostique, certaines requêtes restent non citées.

L'analyse de ces échecs révèle un pattern récurrent : la domination compétitive. Une page universitaire sur le machine learning, même parfaitement optimisée, ne sera pas citée face à Coursera ou edX pour la requête "meilleurs cours de machine learning en ligne." Le moteur IA a un biais interne vers les sources à haute autorité de domaine, un facteur externe au contenu lui-même.

C'est une conclusion importante pour l'écosystème : si certains contenus sont systématiquement désavantagés indépendamment de l'effort d'optimisation, les mécanismes de citation des moteurs IA amplifient certaines voix au détriment d'autres. L'optimisation côté créateur, seule, ne peut pas garantir une visibilité équitable.

Le contexte plus large : la structure compte aussi

Ce virage diagnostique ne se limite pas à un seul outil. D'autres travaux récents convergent vers la même conclusion : l'optimisation GEO doit être ciblée et multidimensionnelle.

Des recherches récentes sur le feature engineering structurel démontrent que la structure du document influence la citation autant que son contenu sémantique. En décomposant la structure en trois niveaux :

• Macro-structure : l'architecture globale du document (sections, hiérarchie)
• Méso-structure : le découpage de l'information (paragraphes, chunks)
• Micro-structure : l'emphase visuelle (gras, listes, tableaux)

...les chercheurs obtiennent +17,3% de taux de citation et +18,5% de qualité subjective sur 6 moteurs génératifs, sans modifier le sens du contenu. Juste en restructurant.

D'autres travaux vont encore plus loin en argumentant que tout le paradigme RAG est fondamentalement limité pour le GEO. Le concept de Semantic Entropy Drift modélise mathématiquement la décroissance inévitable de la confiance des LLMs dans le temps, ce qui signifie que toute optimisation textuelle est par nature transitoire.

Implications pratiques : que faire maintenant ?

Pour les créateurs de contenu

1. Arrêtez d'appliquer des recettes génériques aveuglément. "Ajoutez des statistiques partout" peut nuire à votre contenu de niche. Identifiez d'abord pourquoi vous n'êtes pas cité.

2. Vérifiez l'intégrité technique. 10% des échecs viennent du fait que le moteur IA ne peut même pas lire votre page. Testez le rendu sans JavaScript, vérifiez que votre contenu principal n'est pas noyé dans le boilerplate.

3. Alignez-vous sur l'intention. 62% des échecs sont des problèmes d'alignement sémantique. Votre page répond-elle vraiment à la question que l'utilisateur pose ? Avec les bonnes entités, le bon contexte géographique, des données à jour ?

4. Structurez pour la machine. La recherche confirme que la structure (titres, listes, tableaux) aide les moteurs IA à extraire et citer votre contenu. Un "mur de texte" est votre ennemi.

5. Mettez l'essentiel en premier. Le principe BLUF (Bottom Line Up Front) est l'un des outils les plus efficaces de l'approche diagnostique. Si votre réponse clé est au paragraphe 15, le moteur IA ne la trouvera peut-être jamais.

Pour les utilisateurs de Hlight

C'est exactement cette philosophie diagnostique que nous intégrons dans Hlight. Plutôt que d'appliquer des transformations uniformes, notre approche analyse d'abord pourquoi votre contenu n'est pas cité, puis applique les corrections ciblées adaptées à votre situation spécifique. Le résultat : plus de visibilité, moins de modifications, et un contenu qui reste fidèle à votre message.

Pour la recherche

La taxonomie des échecs de citation est un cadre réutilisable. Les futurs travaux pourront l'étendre, la raffiner, et surtout la valider sur des moteurs commerciaux en production (Google AI Overviews, Perplexity, ChatGPT Search).

Le benchmark MIMIQ : évaluer la généralisation

Un apport méthodologique important de cette recherche est MIMIQ (Multi-Intent Multi-Query), un benchmark centré sur le document plutôt que sur la requête.

Les benchmarks GEO existants associent chaque document à une seule requête. En pratique, un créateur de contenu ne peut pas anticiper les requêtes exactes des utilisateurs. MIMIQ associe chaque page à 60 requêtes couvrant des intentions, des personas et des formulations diverses, avec un split entraînement/test.

Cela permet de tester si une optimisation produit un contenu véritablement plus citable, ou si elle suroptimise pour une formulation spécifique. L'approche diagnostique, grâce à son agrégation par lots, résiste bien à ce test de généralisation.

La vue d'ensemble : du SEO au diagnostic

Le GEO traverse une transition qui rappelle l'évolution de la médecine. On passe de la médecine généraliste ("prenez ces vitamines, ça aide en moyenne") à la médecine de précision ("voici votre diagnostic spécifique, voici le traitement ciblé").

Les stratégies GEO de première génération (ajouter des stats, citer des sources, améliorer la fluidité) restent utiles comme hygiène de base. Mais pour les 43% de pages qui sont complètement invisibles, elles ne suffisent pas. Il faut comprendre pourquoi le moteur IA ignore votre contenu, et intervenir au bon endroit.

La recherche montre que cette approche diagnostique est non seulement plus efficace (+40% de citations), mais aussi plus respectueuse du contenu original (5% de modifications vs 25%). C'est un meilleur résultat avec moins d'intervention : la marque d'un diagnostic correct.

Le message pour les créateurs de contenu est clair : avant d'optimiser, diagnostiquez. La réponse à "comment être mieux cité par l'IA ?" commence par "pourquoi ne suis-je pas cité aujourd'hui ?"

Basé sur le papier "AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization" par Yuan, Wang, Wang, Sun, Wang & Li (Beihang University). Publié en mars 2026.

Paper : arXiv:2603.20213 | Code : github.com/AIcling/agentic_geo

Rappel rapide : c'est quoi le GEO ?

Si vous n'avez pas lu notre article précédent sur le papier fondateur du GEO, voici la version courte :

Les moteurs de recherche IA (ChatGPT, Perplexity, Google AI Overviews) ne vous montrent plus une liste de liens : ils lisent les sites web et vous donnent une réponse synthétisée. Le Generative Engine Optimization (GEO) consiste à modifier votre contenu web pour que ces moteurs IA soient plus susceptibles de l'inclure et de le citer dans leurs réponses. C'est du SEO, mais pour l'ère de l'IA.

Le papier GEO original (2024) a montré que des stratégies comme l'ajout de statistiques, de citations et de références pouvaient augmenter la visibilité jusqu'à 40%. Mais c'étaient des stratégies fixes, identiques pour tous : la même astuce appliquée à chaque contenu.

AgenticGEO pose la question : et si un agent IA pouvait trouver la meilleure stratégie pour chaque contenu spécifique, et s'améliorer continuellement ?

Le problème du GEO de première génération

Le papier fondateur du GEO a testé 9 stratégies (ajouter des citations, des stats, améliorer la fluidité, etc.) et a montré qu'elles fonctionnent, en moyenne. Mais quand les chercheurs d'AgenticGEO ont regardé de plus près, ils ont trouvé un problème critique :

Près de la moitié de tous les contenus ne pouvaient être améliorés par aucune des stratégies fixes existantes.

Réfléchissez-y : dire à un article juridique d'"ajouter des statistiques" peut aider, mais dire à un essai personnel d'"ajouter des statistiques" peut le rendre pire. L'approche GEO originale, c'était comme un médecin qui prescrit le même médicament à chaque patient, peu importe ses symptômes.

Trois problèmes spécifiques :

1. Diversité du contenu : Différents articles nécessitent différentes approches d'optimisation. Un blog de recettes et un article scientifique n'ont rien en commun.
2. Imprévisibilité des moteurs : Les moteurs de recherche IA sont des boîtes noires qui changent constamment. Une stratégie qui marche aujourd'hui sur Perplexity pourrait ne plus marcher demain, ou sur Google AI Overviews.
3. Le feedback coûte cher : Pour savoir si votre optimisation a fonctionné, vous devez soumettre le contenu au moteur IA et vérifier le résultat. Impossible de faire ça des milliers de fois pour chaque contenu.

L'idée centrale : un agent IA qui fait évoluer ses propres stratégies

AgenticGEO repose sur un concept étonnamment élégant : au lieu que des humains conçoivent des stratégies fixes, laisser un agent IA découvrir, faire évoluer et sélectionner des stratégies automatiquement, et continuer à s'améliorer dans le temps.

Le système a trois étapes : Apprendre → Évoluer → Appliquer.

Étape 1 : Apprendre (Alignement offline du Critic)

Avant toute action en ligne, AgenticGEO entraîne un petit modèle IA léger appelé le Critic. Pensez au Critic comme un stagiaire qui étudie des exemples passés pour développer son jugement.

Voici ce qui se passe :

• Prendre un ensemble de paires contenu + requête
• Appliquer diverses stratégies de réécriture à chacune
• Les passer dans un moteur génératif et mesurer les résultats
• Entraîner le Critic à prédire : "Étant donné ce contenu et cette stratégie, de combien la visibilité va-t-elle s'améliorer ?"

Le Critic est construit sur un petit modèle de langage (Qwen2.5-1.5B, minuscule selon les standards actuels) avec une tête de scoring par-dessus. Il apprend à prédire les gains de visibilité sans avoir besoin d'interroger le coûteux moteur génératif à chaque fois.

Pourquoi c'est important : Une fois entraîné, le Critic peut évaluer des milliers de combinaisons stratégie-contenu en quelques secondes, au lieu d'attendre les réponses lentes et coûteuses du moteur IA.

Étape 2 : Évoluer (Co-évolution en ligne)

C'est là que ça devient intéressant. AgenticGEO utilise une approche empruntée à la biologie évolutive appelée MAP-Elites : une technique pour maintenir une population diverse de solutions de haute qualité.

L'archive de stratégies

Imaginez une bibliothèque de stratégies d'optimisation. Chaque stratégie est un ensemble d'instructions pour réécrire du contenu (ex : "ajouter des citations faisant autorité et restructurer en sections claires" ou "simplifier le langage et ajouter des preuves statistiques"). Mais contrairement aux 9 stratégies fixes du GEO original, cette bibliothèque :

• Commence avec des stratégies de base (similaires à celles du GEO original)
• Fait évoluer de nouvelles stratégies en mutant et combinant les existantes
• Ne garde que les meilleures ET les plus diverses : pas juste la meilleure unique

La diversité est cruciale. MAP-Elites ne garde pas seulement le meilleur performeur. Il maintient une grille de stratégies qui sont chacune la meilleure dans leur niche. Une stratégie peut être la meilleure pour le contenu scientifique, une autre pour les articles d'opinion, une autre pour les fiches e-commerce. L'archive les préserve toutes.

La boucle de co-évolution

Voici le cycle :

1. Sélectionner une stratégie parente dans l'archive
2. La muter en utilisant un LLM "Evolver" (Qwen2.5-7B) qui génère des variations
3. Le Critic note la nouvelle stratégie à moindre coût (pas d'appel au moteur nécessaire)
4. Vérifier occasionnellement avec le vrai moteur génératif (coûteux mais nécessaire)
5. Mettre à jour l'archive : si la nouvelle stratégie est bonne ET suffisamment différente, elle obtient une place
6. Mettre à jour le Critic : utiliser le feedback réel du moteur pour garder le Critic calibré

Le Critic et l'archive évoluent ensemble : d'où la "co-évolution." Le Critic devient meilleur pour juger les stratégies, et les stratégies deviennent meilleures pour optimiser le contenu. C'est un cercle vertueux.

Réduire les appels au moteur

Innovation clé : le Critic agit comme un gardien. Au lieu de tester chaque nouvelle stratégie contre le vrai moteur IA (coûteux), le Critic pré-filtre les candidats. Seuls les plus prometteurs sont vérifiés avec de vrais appels au moteur.

Le résultat : AgenticGEO conserve 98,1% de sa performance en n'utilisant que 41,2% du feedback moteur qui serait autrement nécessaire. C'est une réduction massive des coûts.

Étape 3 : Appliquer (Réécriture agentique multi-tours)

Au moment de l'inférence (quand vous voulez réellement optimiser un contenu), AgenticGEO n'applique pas qu'une seule stratégie. Il lance un processus de planification en plusieurs étapes :

1. Le Critic analyse votre contenu et la requête cible
2. Il sélectionne les 25 stratégies les plus prometteuses de l'archive évoluée
3. Il choisit la meilleure et l'applique (réécriture via Qwen2.5-32B)
4. Il évalue le résultat et décide : "C'est assez bien, ou je dois appliquer une autre stratégie ?"
5. Il peut enchaîner jusqu'à 3 étapes de réécriture, chacune construisant sur la précédente

C'est la partie "agentique" : le système prend des décisions autonomes sur quoi faire, évalue son propre travail, et itère. Il ne se contente pas d'exécuter un template ; il planifie et s'adapte.

Les résultats : état de l'art sur toute la ligne

AgenticGEO a été testé contre 14 baselines (incluant les stratégies GEO originales, AutoGEO, et d'autres méthodes) sur 3 datasets et 2 moteurs génératifs différents (Qwen2.5-32B et Llama-3.3-70B comme modèles GE sous-jacents).

Chiffres clés :

• 46,4% de gain moyen de visibilité par rapport au contenu non optimisé
• Surpasse les 14 baselines sur chaque combinaison dataset/moteur
• Le transfert cross-domaine fonctionne : les stratégies évoluées sur un domaine (ex : science) se transfèrent bien vers des domaines inconnus (ex : droit, santé)
• Le transfert cross-moteur fonctionne : les stratégies optimisées pour un moteur IA améliorent aussi la visibilité sur un autre

Ce dernier point est particulièrement important. Cela signifie que le système ne "game" pas un moteur spécifique : il apprend à rendre le contenu véritablement meilleur d'une manière que plusieurs systèmes IA reconnaissent.

Pourquoi "auto-évolutif" compte

La plupart des systèmes d'optimisation IA sont statiques : on les entraîne une fois, on les déploie, et ils deviennent progressivement obsolètes. AgenticGEO est conçu pour continuer à évoluer :

• Nouveaux types de contenu ? L'archive fait évoluer de nouvelles stratégies.
• Le comportement du moteur change ? Le Critic se recalibre avec du feedback frais.
• Nouveaux domaines ? Le transfert cross-domaine fournit un point de départ, et l'évolution comble les lacunes.

Les chercheurs fournissent un argument théorique montrant que le processus de co-évolution atteint un regret sous-linéaire : les erreurs du système diminuent dans le temps à un rythme mathématiquement garanti.

Comparaison avec les autres approches

Implications pratiques

Pour les créateurs de contenu

La leçon immédiate est que l'optimisation personnalisée bat les conseils génériques. "Ajoutez des statistiques partout" est un conseil correct en moyenne, mais la bonne stratégie dépend de votre contenu spécifique, de votre domaine, et du moteur IA que vous ciblez. Des outils construits sur des approches de type AgenticGEO pourraient à terme offrir des recommandations spécifiques au contenu.

Pour la communauté de recherche GEO

AgenticGEO fait passer le domaine de "quelle stratégie fixe est la meilleure ?" à "comment construire des systèmes qui découvrent et adaptent des stratégies automatiquement ?" C'est une direction de recherche fondamentalement différente, et plus scalable.

Pour les développeurs de moteurs IA

Le papier soulève une question importante : à mesure que les outils GEO deviennent plus sophistiqués, les moteurs IA devront-ils faire évoluer leurs défenses ? Il y a une course aux armements émergente entre les optimiseurs de contenu et les moteurs qui consomment ce contenu. L'approche évolutive d'AgenticGEO est particulièrement difficile à contrer car elle ne repose sur aucun exploit unique, elle en découvre continuellement de nouveaux.

Sous le capot : stack technique

Pour les curieux de l'implémentation :

• Modèle Critic : Qwen2.5-1.5B avec fine-tuning LoRA (2 époques) + tête de valeur MLP
• Evolver de stratégies : Qwen2.5-7B-Instruct
• Réécrivain de contenu : Qwen2.5-32B-Instruct
• Moteurs génératifs testés : Qwen2.5-32B-Instruct et Llama-3.3-70B-Instruct
• Archive : MAP-Elites quality-diversity
• Inférence : Sélection top-25 stratégies, jusqu'à 3 étapes de réécriture
• Entraînement : Loss hybride (régression Huber + alignement pairwise rank-aware)
• Licence : MIT (entièrement open source)

La vue d'ensemble

AgenticGEO représente un changement dans notre façon de penser l'optimisation de contenu pour la recherche IA. Le papier GEO original disait "voici 9 astuces qui aident." AgenticGEO dit "construisons un système qui découvre ses propres astuces, choisit la bonne pour chaque situation, et continue de s'améliorer."

C'est la différence entre un livre de recettes et un chef cuisinier. Le livre vous donne des recettes. Le chef comprend les ingrédients, les techniques et les préférences des convives, et invente de nouveaux plats selon les besoins.

À mesure que les moteurs de recherche IA deviennent le moyen dominant de trouver de l'information, la capacité à rester visible dans leurs réponses devient existentielle pour les créateurs de contenu. AgenticGEO suggère que l'avenir de cette optimisation ne sera pas une checklist de conseils : ce sera des agents IA qui optimisent du contenu pour d'autres agents IA.

Bienvenue dans le méta-jeu.

Paper : Yuan, J., Wang, J., Wang, Z., Sun, Q., Wang, R., & Li, J. (2026). AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization. arXiv:2603.20213

Basé sur les recherches académiques (Princeton, Beihang University) et les retours terrain de Semrush, HubSpot et Microsoft.

1. Incluez des statistiques et des données chiffrées

Le papier fondateur du GEO (Princeton, 2024) a analysé 10 000 requêtes réelles. Résultat : les pages contenant des statistiques et des citations ont une visibilité 30 à 40% supérieure dans les réponses IA par rapport aux contenus sans données.

Les modèles de langage adorent les chiffres concrets. Ils les utilisent pour construire des réponses crédibles.

Action : ajoutez des données sourcées dans chaque article. Privilégiez vos propres recherches et données exclusives.

2. Structurez votre contenu pour l'extraction

Les moteurs IA ne lisent pas comme un humain. Ils extraient des blocs d'information. Chris Long (VP Marketing, Go Fish Digital) a testé et confirmé : les IA tirent des snippets clairs depuis des contenus très structurés.

Action :

• Utilisez des listes à puces et des listes numérotées
• Créez des sous-titres sous forme de questions
• Ajoutez des tableaux comparatifs
• Incluez des sections FAQ

3. Gagnez des mentions sur des sources tierces (earned media)

Les recherches montrent que les moteurs IA ont un biais systématique vers le earned media (les sources tierces et autoritaires) plutôt que le contenu de marque. C'est l'un des plus grands changements par rapport au SEO classique.

Action : visez des mentions dans la presse spécialisée, des citations dans des articles tiers, des apparitions sur des podcasts et des contributions invitées.

4. Les mentions non-liées comptent

En SEO classique, un backlink (lien) est roi. En GEO, les mentions de marque sans lien semblent avoir un poids significatif. Les IA détectent les mentions textuelles même sans hyperlien.

Action : ne négligez pas les mentions de marque sur Reddit, YouTube, forums et réseaux sociaux. Même sans lien, elles alimentent votre visibilité IA.

5. Ajoutez des citations d'experts et des quotes

Les contenus qui incluent des citations directes d'experts sont mieux référencés par les IA. Cela renforce les signaux E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness).

Action : intégrez des quotes d'experts reconnus dans votre domaine. Citez vos sources avec des liens vers les études originales.

6. Gardez votre contenu à jour

Les moteurs IA privilégient les informations récentes. Un article de 2022 non mis à jour perd en pertinence face à un concurrent actualisé en 2026.

Action : révisez régulièrement vos articles clés. Ajoutez les dernières données et tendances. Indiquez la date de mise à jour.

7. Pensez au rendu côté serveur (SSR)

Les crawlers IA ont du mal à exécuter le JavaScript. Si votre contenu repose sur du rendu côté client (React SPA, par exemple), il peut être invisible pour les moteurs génératifs.

Action : utilisez le server-side rendering (SSR) ou le static site generation (SSG). Vérifiez que votre contenu est accessible sans JavaScript.

8. Soignez votre présence Wikipedia et UGC

Wikipedia représente une part significative des données d'entraînement des LLMs. Les plateformes UGC (Reddit, YouTube, forums) ont aussi une forte exposition dans les moteurs génératifs.

Action :

• Si votre marque est éligible, assurez-vous d'avoir une page Wikipedia exacte et à jour
• Soyez actif sur Reddit et YouTube dans votre niche

9. Rendez votre contenu machine-readable

Les guidelines officielles de Microsoft pour la recherche générative insistent : rendez vos catalogues et contenus lisibles par les machines.

Action :

• Utilisez le balisage Schema.org (structured data)
• Proposez des formats structurés (JSON-LD, tableaux)
• Évitez le contenu enfermé dans des images ou des PDFs non indexables

10. Mesurez votre visibilité IA

On ne peut pas optimiser ce qu'on ne mesure pas. De nouveaux outils permettent de suivre votre présence dans les réponses IA.

Outils disponibles :

• Semrush AI Visibility Toolkit : mentions, citations, share of voice par plateforme IA
• HubSpot AI Search Grader : benchmark gratuit de votre visibilité IA
• Semrush Enterprise AIO : suivi avancé du sentiment et des citations

Récapitulatif

Sources

• GEO: Generative Engine Optimization (arXiv:2311.09735)
• Semrush : Guide GEO
• HubSpot : Generative Engine Optimization
• Microsoft : Guide AEO et GEO (PDF)
• Chris Long sur LinkedIn : Tests GEO

Le SEO est votre ticket d'entrée à la soirée. Le GEO est votre invitation à la table des hôtes. (Neil Patel)

Le faux débat : SEO vs GEO

Chaque fois qu'une nouvelle technologie émerge, on entend la même chose : "le SEO est mort". C'était déjà le cas avec les réseaux sociaux, avec la recherche vocale, avec les featured snippets. Et maintenant avec l'IA générative.

La réalité est plus nuancée. Le GEO ne remplace pas le SEO, il l'étend.

Pourquoi le SEO reste indispensable

Les moteurs de recherche classiques ne vont pas disparaître. Google traite toujours des milliards de requêtes par jour. Beaucoup d'utilisateurs préfèrent encore cliquer sur des liens, comparer les sources et naviguer entre les sites.

De plus, les moteurs de recherche IA s'appuient sur les mêmes contenus que ceux indexés par Google. Si votre contenu n'est pas bien référencé en SEO, il a peu de chances d'être trouvé et cité par une IA.

Le SEO reste la base :

• Crawlabilité et indexation
• Structure des titres et des balises
• Vitesse de chargement et mobile-first
• Backlinks et autorité de domaine

Ce que le GEO ajoute

Le GEO introduit de nouvelles dimensions que le SEO classique ne couvre pas :

La preuve par l'exemple : HubSpot

HubSpot se positionne #3 sur Google pour le mot-clé "CRM". Et quand on demande à ChatGPT quel est le meilleur CRM, HubSpot apparaît comme première recommandation.

Ce n'est pas un hasard. Les signaux E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) se transfèrent d'une plateforme à l'autre. Un bon SEO alimente naturellement le GEO.

La leçon de Lorelight

Lorelight était une startup spécialisée GEO qui proposait de monitorer où votre marque apparaît dans les réponses IA. Elle a fermé. L'experte SEO Aleyda Solís a commenté : les outils qui se contentent de montrer votre visibilité IA ne suffisent pas. Il faut intégrer le GEO dans une stratégie de recherche globale qui inclut le SEO.

Séparer SEO et GEO en deux stratégies distinctes n'a pas de sens. Les deux partagent les mêmes fondamentaux.

L'approche intégrée

La bonne stratégie en 2026 :

1. Continuez votre SEO : c'est la fondation sur laquelle tout repose
2. Ajoutez une couche GEO : structurez votre contenu pour qu'il soit extractible par les IA, incluez des données et citations, gagnez des mentions sur des sources tierces
3. Mesurez les deux : suivez vos rankings classiques ET votre visibilité dans les réponses IA (Semrush AI Visibility, HubSpot AI Search Grader)

En résumé

Le GEO n'est pas un remplacement du SEO. C'est une extension naturelle pour un monde où les utilisateurs obtiennent leurs réponses directement depuis l'IA. Les marques qui investissent dans les deux seront présentes partout : dans les liens, dans les réponses IA, et dans l'esprit des utilisateurs.

Sources

• HubSpot : GEO vs SEO
• Semrush : Guide GEO
• Neil Patel : GEO
• Aleyda Solís sur LinkedIn : Fermeture de Lorelight

En 2023, le GEO était un papier de recherche de Princeton. En 2026, c'est un sujet couvert par The Verge, Semrush, HubSpot et Neil Patel. Retour sur une adoption fulgurante.

De la recherche académique aux guides pratiques

En novembre 2023, des chercheurs de Princeton et de l'IIT Delhi publient le papier fondateur "GEO: Generative Engine Optimization". L'idée : optimiser son contenu non plus pour les résultats classiques de Google, mais pour être cité dans les réponses générées par l'IA, ChatGPT, Perplexity, Google AI Overviews, Claude.

Deux ans plus tard, le concept a quitté les labos. Voici ce qui s'est passé.

Les signaux d'une adoption massive

The Verge en parle

Dès août 2025, The Verge couvre le phénomène avec un message clair des experts interrogés : "Say hello to GEO". En janvier 2026, lors du NRF Retail Expo, le média note que le SEO a "branché vers de nouveaux acronymes : AEO, GEO", signe que le concept est entré dans le vocabulaire du commerce et du marketing.

Les géants du marketing digital s'y mettent

• Semrush a publié un guide complet et lancé un toolkit dédié (AI Visibility Toolkit) pour mesurer sa visibilité dans les moteurs génératifs
• HubSpot a sorti un guide détaillé et un outil gratuit (l'AI Search Grader) pour benchmarker sa présence dans les réponses IA
• Neil Patel a publié un guide GEO (en français !), affirmant que "le GEO n'est pas le futur, c'est déjà le présent"
• Microsoft a publié des guidelines officielles pour l'optimisation dans la recherche générative

La recherche académique explose

Sur ArXiv, le nombre de papiers mentionnant "Generative Engine Optimization" a explosé en 2026 :

• AgenticGEO (mars 2026) : des agents IA qui optimisent automatiquement le contenu
• AgentGEO (mars 2026) : diagnostic et réparation des échecs de citation
• SAGEO Arena (février 2026) : premier benchmark réaliste end-to-end
• Pinterest GEO (février 2026) : déploiement en production à l'échelle de milliards d'images, +20% de trafic organique
• E-GEO (novembre 2025) : premier benchmark e-commerce avec 7 000+ requêtes

Des cas concrets en production

Pinterest a déployé le GEO à grande échelle : en fine-tunant des VLMs pour prédire ce que les utilisateurs chercheraient (plutôt que simplement décrire les images), ils ont obtenu +20% de trafic organique et une croissance de plusieurs millions d'utilisateurs actifs mensuels.

Pourquoi maintenant ?

Trois facteurs expliquent cette accélération :

1. L'adoption massive des moteurs IA : ChatGPT dépasse les 200 millions d'utilisateurs, Google AI Overviews touche des milliards de personnes chaque mois
2. L'impact mesurable sur le trafic : les sites qui n'apparaissent pas dans les réponses IA perdent en visibilité, même s'ils sont bien positionnés en SEO classique
3. L'outillage arrive : Semrush, HubSpot et d'autres proposent désormais des outils pour mesurer et optimiser sa présence dans les réponses IA

Ce que ça change pour vous

Si vous créez du contenu (que vous soyez une entreprise, un média, un blog ou un indépendant), le GEO n'est plus optionnel. Les requêtes IA utilisent en moyenne 23 mots (contre 4 sur Google classique). Les utilisateurs posent des questions complexes et attendent des réponses synthétisées.

La question n'est plus "faut-il s'intéresser au GEO ?" mais "comment l'intégrer dans ma stratégie existante ?".

Sources

• The Verge : ChatGPT Search et GEO (août 2025, janvier 2026)
• Semrush : Guide GEO
• HubSpot : Generative Engine Optimization
• Neil Patel : Generative Engine Optimization
• Pinterest GEO (arXiv:2602.02961)
• AgenticGEO (arXiv:2603.20213)

Basé sur le papier "SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization" par Kim, Jeong, Kim, Lee & Lee (Yonsei University / Konkuk University). Publié en février 2026.

Paper : arXiv:2602.12187

Le problème : le GEO vit dans un monde simplifié

Depuis le papier fondateur du GEO en 2024, les chercheurs ont proposé de nombreuses stratégies pour améliorer la visibilité du contenu dans les réponses des moteurs de recherche IA. Ajouter des statistiques, des citations, améliorer la fluidité : tout ça fonctionne. En laboratoire.

Mais il y a un problème fondamental : tous les benchmarks existants trichent.

Comment ? Ils sautent les étapes les plus difficiles. Quand Perplexity ou Google AI Overviews répondent à une question, voici ce qui se passe réellement :

1. Retrieval (récupération) : le moteur cherche dans des milliards de pages et en sélectionne quelques centaines
2. Reranking (reclassement) : un modèle reclasse ces pages pour garder les 5-10 meilleures
3. Generation (génération) : un LLM synthétise une réponse à partir de ces pages sélectionnées

Les benchmarks existants (GEO-Bench, AutoGEO, etc.) ne testent que l'étape 3. Ils donnent directement les documents au LLM et mesurent si l'optimisation améliore la citation. Ils ignorent complètement les étapes 1 et 2.

C'est comme tester un sprinter uniquement sur les 10 derniers mètres d'une course de 100m. Ça ne dit rien sur sa capacité à courir la course entière.

Ce que SAGEO Arena change

SAGEO Arena est le premier benchmark qui teste le pipeline de bout en bout : retrieval → reranking → generation. Il introduit aussi un concept clé que tout le monde ignorait : l'information structurelle.

Un vrai corpus web à grande échelle

Contrairement aux benchmarks précédents qui utilisent du texte brut, SAGEO Arena a construit un corpus de 170 000 documents web réels couvrant 9 domaines. Pour chaque document, ils ont extrait :

• Le texte du corps (body text), le contenu principal
• Les informations structurelles : titre, meta description, hiérarchie des titres (h1, h2...), et schema markup

Pourquoi c'est important ? Parce que dans le monde réel, les moteurs de recherche utilisent massivement ces signaux structurels pour décider quels documents récupérer et classer. Les ignorer, c'est ignorer la moitié du jeu.

Un pipeline complet et modulaire

SAGEO Arena intègre les trois étapes du pipeline de recherche générative :

Chaque étape est modulaire et configurable. Les chercheurs peuvent tracer exactement comment une optimisation affecte chaque étape du pipeline.

Le protocole d'évaluation

Le processus est simple mais rigoureux :

1. Exécuter le pipeline avec une requête test
2. Sélectionner un document cible parmi ceux qui atteignent la génération
3. Appliquer une stratégie d'optimisation GEO sur ce document
4. Réinjecter le document optimisé dans le corpus
5. Relancer le pipeline avec la même requête
6. Mesurer : le document a-t-il gagné, maintenu ou perdu sa visibilité à chaque étape ?

La découverte choc : le GEO casse le retrieval

C'est le résultat le plus important du papier, et il remet en question tout le domaine :

Les stratégies GEO existantes améliorent parfois la génération, mais dégradent activement le retrieval et le reranking.

Concrètement : quand vous optimisez le texte de votre page avec les techniques GEO classiques (ajout de stats, citations, etc.), votre page peut disparaître des résultats de recherche avant même d'atteindre le LLM. Le document optimisé n'est plus récupéré par le moteur de recherche, donc il n'a aucune chance d'être cité.

C'est comme si vous amélioriez la vitrine de votre magasin, mais que le GPS arrêtait de diriger les clients vers votre rue.

Pourquoi ça arrive ?

Les stratégies GEO modifient le texte du corps pour plaire au LLM (étape 3), mais ces modifications peuvent :

• Altérer les signaux que le moteur de retrieval utilise pour trouver le document (étape 1)
• Changer la pertinence perçue par le modèle de reranking (étape 2)

Optimiser pour une étape peut saboter les autres. C'est un problème que personne n'avait mesuré avant SAGEO Arena.

L'information structurelle : le héros inattendu

La deuxième grande découverte : l'information structurelle (titres, meta descriptions, schema markup) est essentielle pour maintenir la visibilité au retrieval.

Les chercheurs ont trouvé que les deux types d'information jouent des rôles complémentaires :

Autrement dit : la structure fait entrer votre document dans la course, et le contenu détermine s'il gagne. Optimiser uniquement le contenu sans toucher à la structure, c'est comme avoir un excellent produit sans aucun marketing.

C'est un pont direct entre le SEO traditionnel (qui se concentre sur la structure) et le GEO (qui se concentre sur le contenu). Les deux sont nécessaires.

SAGEO : l'optimisation par étape

Fort de ces découvertes, les chercheurs proposent stage-aware SAGEO, une approche qui adapte l'optimisation à chaque étape du pipeline :

• Pour le retrieval → optimiser les informations structurelles (titres, meta descriptions, schema markup)
• Pour le reranking → optimiser la pertinence et la qualité du texte
• Pour la generation → appliquer les techniques GEO classiques (stats, citations, fluidité)

Cette approche combinée obtient la meilleure visibilité globale parmi toutes les stratégies évaluées. C'est la première fois qu'une méthode optimise conjointement SEO et GEO.

Comparaison avec les benchmarks existants

La différence est frappante : SAGEO Arena est le seul à couvrir le pipeline complet avec des documents web réels.

Ce que ça signifie pour les créateurs de contenu

1. Le SEO n'est pas mort

Contrairement à ce que beaucoup affirment, le SEO traditionnel reste crucial. Les informations structurelles (titres, meta descriptions, schema markup) sont ce qui permet à votre contenu d'être trouvé par les moteurs de recherche IA en premier lieu. Sans ça, vos optimisations GEO ne servent à rien.

2. Ne sacrifiez pas le retrieval pour la generation

Si vous réécrivez votre contenu pour plaire aux LLMs, vérifiez que votre page est toujours bien indexée et récupérée par les moteurs de recherche. Un contenu parfaitement optimisé pour la génération mais invisible au retrieval a une visibilité de zéro.

3. Pensez en pipeline, pas en silo

L'optimisation efficace nécessite de travailler sur les trois étapes :

• Structure → pour être trouvé
• Pertinence → pour être bien classé
• Qualité du contenu → pour être cité

4. Le schema markup compte

Les données structurées (JSON-LD, schema.org) ne sont pas juste un bonus SEO. Elles jouent un rôle actif dans la façon dont les moteurs de recherche IA comprennent et sélectionnent votre contenu.

Les limites à garder en tête

• Le benchmark utilise des modèles open source pour simuler le pipeline, pas les vrais moteurs commerciaux (Google, Perplexity, etc.)
• Le corpus de 170K documents est grand mais reste plus petit que le web réel
• Les facteurs off-page (backlinks, autorité du domaine) ne sont pas modélisés

Malgré ces limites, SAGEO Arena représente un saut qualitatif majeur par rapport aux benchmarks précédents.

La vue d'ensemble

SAGEO Arena est un papier qui devrait faire réfléchir toute la communauté GEO. Son message central est simple mais puissant :

Optimiser uniquement pour la dernière étape du pipeline est insuffisant, et potentiellement contre-productif.

Le futur de l'optimisation pour la recherche IA n'est ni le SEO seul, ni le GEO seul, mais une approche intégrée qui comprend et optimise chaque étape du pipeline de recherche générative. SAGEO Arena fournit enfin l'outil pour mesurer ça.

Pour les créateurs de contenu, la leçon est claire : gardez vos fondamentaux SEO solides (structure, metadata, schema) tout en appliquant les techniques GEO (stats, citations, fluidité) sur votre contenu. L'un sans l'autre ne suffit pas.

Paper : Kim, S., Jeong, W., Kim, S., Lee, S., & Lee, D. (2026). SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization. arXiv:2602.12187