GEO et SEO IA : ce qui marche vraiment, sans mythes

Une marque arrive dans les réponses de ChatGPT, de Gemini, de Perplexity et des AI Overviews surtout par deux voies qui se recoupent, et le GEO consiste à travailler sur les deux :

1. Par la recherche. Le modèle cherche sur le web pendant qu'il répond et cite une partie des pages qu'il a trouvées. Ici, c'est la même chose qu'en SEO : accès pour les robots, index, visibilité sur l'expression et ses variantes, et passages qui répondent à la question sans le reste de la page. L'effet se voit, comme en SEO, au bout de quelques semaines ou de quelques mois.
2. Par la mémoire du modèle. Le modèle répond à partir de ce qu'il a appris avant la fin de son entraînement, et cette mémoire influence aussi les marques qu'il mentionne quand il cherche sur le web. Ici, ce qui compte, c'est ce que les autres ont écrit sur la marque, et une description unique de la marque répétée dans de nombreuses sources. Je n'ai pas mesuré le rythme des changements dans la mémoire, je ne promets donc rien sur un horizon d'un trimestre.

La plupart des « astuces GEO » n'ont aucune preuve, et j'en ai vérifié une partie sur mes propres données. Il n'y a aucune preuve que le fichier llms.txt et les données structurées produisent des citations. Davantage de titres n'a pas fait monter les pages dans le top 3 dans mon test. Le test qui comparait la position sur les sous-requêtes à la position sur l'expression principale pour prédire la citation n'a rien tranché, et mon premier résultat a été réfuté par le contrôle croisé. Les preuves de chacune de ces phrases se trouvent plus bas.

Qu'est-ce que le GEO et comment l'appelle-t-on ?

Le GEO est le travail qui consiste à faire apparaître une marque dans les réponses générées par l'IA : dans les AI Overviews et le Mode IA de Google, dans ChatGPT, Gemini, Perplexity et Copilot. Ce même travail a plusieurs noms, et les différences entre eux sont surtout marketing :

Le nom GEO a une origine scientifique, et le socle de tout ce travail est le même qu'en SEO. Le GEO vient d'un article scientifique de novembre 2023, accepté à la conférence KDD 2024. Ses auteurs, Pranjal Aggarwal et ses collègues, ont montré sur leur propre jeu de test que des modifications du contenu peuvent augmenter jusqu'à 40 % la visibilité d'une source dans les réponses génératives (arXiv). Google écrit dans sa documentation que l'optimisation pour la recherche générative reste du SEO (Google Search Central). Cyrus Shepard, de Zyppy, répond de façon semblable à la question de savoir si une entreprise a besoin d'une stratégie GEO distincte :

Les gens n'ont pas non plus un seul nom pour ce travail, et cela se voit dans les résultats Google. La question sur le nom de ce travail (en Pologne : « Jak nazywa się pozycjonowanie w AI ? ») apparaît dans la section « Autres questions posées » des résultats polonais, ses équivalents dans les résultats d'Allemagne, d'Espagne et de Finlande, et l'anglais « What is AI SEO called now? » dans ceux des États-Unis, de Suède et de Singapour. La question sur la différence entre le GEO (ou le LLMO) et le SEO apparaît sur 9 des 27 marchés vérifiés, du Brésil au Japon.

Le nom dominant dépend du marché. Au Japon, 72 % des quelque 16 730 recherches mensuelles sur ce sujet portent sur LLMO, et l'expression « llmo » seule compte environ 12 100 recherches, soit plus que « ai seo » aux États-Unis (environ 6 600). En Allemagne et en France, c'est le GEO qui domine (64 % et 66 %), en Corée du Sud 83 %. En Pologne, 58 % des quelque 2 265 recherches mensuelles relèvent de l'AI SEO, avec l'expression « ai seo » et des descriptions polonaises (« pozycjonowanie ai », « pozycjonowanie w ai »), et le GEO pèse 32 %. Aux États-Unis, l'AI SEO et le GEO sont au coude à coude : 42 % et 39 % de quelque 25 400 recherches, et en Espagne c'est l'égalité (44 % et 44 %). En Tchéquie, les données ne montrent aucune demande pour aucun de ces noms.

L'expression « ai seo » est ambiguë, je considère donc la part de l'AI SEO comme une limite haute. Sur « ai seo », Google affiche, à côté des textes sur le référencement dans l'IA, des outils d'IA et des guides pour faire du SEO avec l'aide de l'IA : aux États-Unis, plus de la moitié des résultats du top 10, au Danemark au moins 6 sur 8. L'AI Overview sur cette expression aux États-Unis et au Danemark décrit pourtant l'AI SEO comme l'optimisation pour les réponses de l'IA, donc Google la traite comme un nom de ce travail. Sans cette seule expression, le GEO domine sur 25 des 26 marchés de mon blog, et au Japon il reste le LLMO. En Pologne, les descriptions polonaises sans ambiguïté (« pozycjonowanie ai », « pozycjonowanie w ai ») totalisent environ 580 recherches mensuelles, et le GEO environ 725. Je consacrerai un texte à part aux outils d'IA pour le SEO.

Je ne compte pas l'expression « aeo » seule, car en Pologne elle désigne surtout un certificat douanier, et aux États-Unis une partie des résultats sont des cours en Bourse d'une chaîne de vêtements, American Eagle. Sur « aeo » dans le Google polonais, trois des quatre premiers résultats sont des pages du ministère des Finances. Les expressions avec le nom complet, par exemple « answer engine optimization », je les compte dans la série « Autres ».

Chaque version linguistique de ce texte utilise le nom que cherchent les internautes du marché concerné. La version japonaise parle de LLMO, l'allemande et la française de GEO, et la polonaise de « pozycjonowanie w AI » et d'AI SEO. La version française utilise donc le GEO, qui est le nom le plus cherché en France d'après les données ci-dessus.

Comment l'IA choisit-elle les sources de ses réponses ?

Le modèle répond à partir de la recherche ou de sa mémoire, et c'est de cela que dépend ce que vous pouvez changer. Quand il cherche sur le web, il décompose la question en plusieurs requêtes, récupère les résultats, en choisit des passages et en cite une partie. Google appelle cela dans sa documentation « query fan-out » : le système envoie plusieurs recherches liées sur des sous-thèmes et à partir de sources variées (Google Search Central). Quand le modèle ne cherche pas, il répond à partir de ce qu'il a appris pendant l'entraînement, et la position de la page dans Google ne change alors rien.

Ces voies se recoupent, car la mémoire du modèle influence aussi la réponse pour laquelle il a cherché sur le web. Dan Petrovic, de Dejan, écrit que la mention d'une marque dans le texte d'une réponse repose avant tout sur les connaissances antérieures du modèle, et qu'une page isolée ne la déplace presque pas (Dejan, 07/07/2026). C'est pourquoi je mesure les deux voies séparément, mais je travaille sur elles en parallèle.

La fréquence à laquelle un modèle cherche sur le web dépend du modèle : dans mon test, de 10 à 94 expressions sur 94. Je l'ai vérifié via l'API sur 94 expressions issues des projets que je mène, en anglais et en polonais, dans la nuit du 3 au 4 octobre 2026 et le matin, une deuxième fois. Dans le texte sur la stratégie SEO, j'ai décrit le même effet sur cinq questions pratiques ; ici, il apparaît sur un jeu plus large.

• 93 sur 94C'est le nombre de fois où Gemini 2.5 Flash a utilisé la recherche au premier passage (au deuxième, 94 sur 94).Mon test via l'API, 3-4/10/2026
• 71 sur 94C'est le nombre de fois où Gemini 3.5 Flash a cherché (au deuxième passage, 69 sur 94).Mon test via l'API, 3-4/10/2026
• 25 sur 84C'est le nombre de fois où Gemini 3.1 Pro a cherché (10 appels se sont terminés par une erreur de limite ; au deuxième passage, 32 sur 94).Mon test via l'API, 3-4/10/2026
• 10 sur 94C'est le nombre de fois où Gemini 3.8 Flash a cherché (au deuxième passage, 15 sur 94). Pour les autres expressions, il a répondu de mémoire.Mon test via l'API, 3-4/10/2026

Dans cette configuration, les versions récentes de Gemini Flash ont cherché moins souvent, mais Gemini 3.1 Pro ne suit pas ce schéma. Pro a un numéro de version plus ancien que 3.5 Flash, et il a cherché moins souvent que lui. C'est une seule famille de modèles et une seule configuration d'API, pas l'application Gemini que voit l'utilisateur, je prends donc ces chiffres comme un signal, pas comme une règle. Ils suffisent cependant pour vérifier, à chaque mesure, sur combien de questions le modèle cherche vraiment.

La mémoire des modèles sur une marque polonaise récente s'est révélée lacunaire, et une partie des modèles a inventé sa description. Dans le même projet, un autre modèle a noté à l'aveugle environ 500 réponses à des questions sur les marques pour lesquelles je travaille. L'une des nouvelles marques polonaises de cet ensemble était inconnue de tous les modèles vérifiés, et dans 9 des 12 réponses à son sujet, la description était inventée. La part d'inventions dépendait du modèle : de 5 % à 77 % des réponses sur l'ensemble des marques. Les réponses ont été notées par un seul modèle-juge, je traite donc les écarts inférieurs à environ 10 points de pourcentage comme du bruit.

Un même domaine peut être visible sur une voie et invisible sur l'autre. L'un des sites a été cité dans le Mode IA de Google pour 10 des 13 paires d'expressions, et n'est pas apparu une seule fois dans les réponses des modèles sans recherche (0 sur 13). C'est un seul domaine et 13 paires, donc une illustration, pas une règle.

Un phénomène voisin apparaît dans une étude à plus grande échelle. Dan Petrovic rend compte d'une étude de Google Research sur 13 modèles et 2 150 faits de Wikipédia : les meilleurs de ces modèles, comme Gemini 3 Pro et GPT-5, ont dans leurs poids 95-98 % de ces connaissances, mais ne parviennent pas à en rappeler 26-34 % (Dejan, 17/08/2026). Ce sont des faits encyclopédiques, pas des connaissances sur des marques, mais la conclusion pour la marque est semblable : la présence d'une information dans les données d'entraînement ne garantit pas que le modèle la dira.

Comment arriver dans les réponses de l'IA par la recherche ?

Sur la voie de la recherche, c'est la même chose qu'en SEO, avec une seule différence. Google écrit que, pour apparaître dans les AI Overviews et le Mode IA, une page doit être dans l'index et pouvoir s'afficher dans les résultats avec un extrait de texte, sans autre exigence technique (Google Search Central). La différence tient à ce que le modèle pose plusieurs requêtes à la fois : une page visible seulement sur l'expression principale a donc moins d'occasions d'être citée qu'une page visible aussi sur ses variantes. ChatGPT a par ailleurs son propre robot de recherche (j'en parle plus bas), et la visibilité dans Google ne se transmet donc pas directement à lui.

L'accès pour les robots d'IA

Les robots des moteurs de recherche d'IA peuvent être bloqués sans que le propriétaire du site le sache. Un pare-feu ou un réglage du réseau de diffusion de contenu (CDN) peut les bloquer, souvent seulement après un seuil de requêtes, et un test isolé ne montrera donc rien. Je vérifie par une série de requêtes avec les noms des robots de Google, d'OpenAI, de Perplexity et d'Anthropic, et je compare la réponse du serveur à celle que reçoit un navigateur ordinaire.

Bloquer l'entraînement des modèles est une autre décision que bloquer la recherche. OpenAI sépare ces rôles : GPTBot collecte des contenus qui peuvent servir à entraîner les modèles, et OAI-SearchBot décide de la présence dans les résultats de recherche de ChatGPT. OpenAI écrit que les sites qui bloquent OAI-SearchBot ne seront pas affichés dans les réponses de recherche de ChatGPT, et que le blocage de GPTBot n'y change rien (OpenAI). De même, Google-Extended contrôle l'utilisation des contenus par les modèles Gemini, mais selon Google il n'influence ni la présence ni la position dans la recherche (Google Search Central). Qui bloque tous les robots d'IA avec un seul interrupteur peut perdre une présence dans la recherche de ChatGPT qu'il ne voulait pas céder.

La position sur l'expression et les sous-requêtes

Je ne sais pas si une meilleure position augmente la chance d'être cité, car mes données ne le tranchent pas. Dans le texte sur la stratégie SEO, dans la carte des hypothèses, j'ai décrit un article qui, sur cinq expressions très proches, n'était cité dans l'AI Overview que sur une seule, et justement celle où il était le plus bas. Les sous-requêtes sont composées par le modèle et peuvent différer à chaque réponse : il n'existe donc pas de liste fixe de « sous-requêtes pour l'expression X ». Dans mon ensemble de 94 expressions, le modèle a généré 493 sous-requêtes différentes en un passage, soit en moyenne plus de cinq par expression.

J'ai vérifié si la position sur les sous-requêtes prédit la citation mieux que la position sur l'expression principale, et mon premier résultat n'a pas résisté au contrôle. Sur des paires expression-page issues des projets que je mène, j'ai écrit la règle avant de calculer le résultat. La mesure était l'aire sous la courbe ROC (AUC), c'est-à-dire la façon dont un signal sépare les pages citées des pages non citées (0,5 correspond à un tirage à pile ou face, 1 à une séparation sans erreur). Les sous-requêtes devaient l'emporter si leur aire était supérieure d'au moins 0,10. Sur 29 paires mises de côté pour le test AI Overview, l'écart a été de 0,44, soit un test « réussi ».

Le contrôle croisé a montré que j'avais comparé deux mesures de précision différente. Le relecteur, qui a tout recalculé de zéro, a retrouvé mes résultats au chiffre près, mais a remarqué que j'avais pris la position sur l'expression principale dans un seul relevé des résultats Google, et la citation dans cinq. Une fois la position calculée à partir de ces cinq mêmes relevés, l'écart est tombé à 0,04, avec un intervalle de -0,28 à +0,36. Je n'ai donc pas montré que les sous-requêtes sont meilleures que la position, ni qu'elles sont moins bonnes. Les deux signaux disent quelque chose, je travaille donc sur les deux.

La position issue d'un seul relevé DataForSEO s'est révélée être le tirage d'une variante de résultats parmi plusieurs. Quand j'ai récupéré trois fois les mêmes 94 expressions à environ une heure d'intervalle, deux relevés de la même expression avaient en médiane peu d'adresses communes dans le top 10 : l'indice de Jaccard, une mesure de concordance de deux ensembles entre 0 et 1, valait 0,14-0,15. Une partie des variantes sont probablement des résultats qu'une personne ne voit pas dans un navigateur, car sur 5 expressions, le navigateur concordait avec l'une d'elles. L'AI Overview, lui, était stable : sa présence concordait entre les relevés dans 97-99 % des cas. C'est pourquoi je calcule aujourd'hui la position issue de cet outil comme une part sur environ 10 relevés envoyés en même temps. Je n'ai pas vérifié d'autres outils de cette façon.

Des passages qui répondent seuls

Le modèle n'utilise généralement pas la page entière, mais les passages qui répondent à sa requête. C'est pourquoi j'écris de manière à ce que chaque passage se comprenne sans le reste de la page : la réponse dans la première phrase sous le titre, des chiffres précis avec leur dénominateur et leur date, des noms plutôt que « cela » et « celui-ci ». Chaque paragraphe de ce texte commence par une phrase de conclusion pour cette raison précise. C'est une bonne pratique d'écriture, qui aide aussi les lecteurs, et non une technique distincte pour l'IA.

Cela ne veut pas dire qu'il faut découper le contenu en petits morceaux ou multiplier les titres. Google écrit clairement qu'il n'est pas nécessaire de découper le contenu en petits fragments pour que l'IA le comprenne mieux (Google Search Central). J'ai aussi vérifié si davantage de titres aide à entrer dans le top 3. Sur 632 pages du top 10 pour 119 requêtes en anglais dans la niche des logiciels pour entreprises (États-Unis, 26 septembre 2026), le rapport de cotes était de 0,95 (intervalle de confiance à 95 % : 0,81-1,12), et de 1,00 après prise en compte de la longueur du texte. La part des pages dans le top 3 était presque la même dans trois groupes, du plus petit au plus grand nombre de titres : 32 %, 34 % et 32 %. C'est le même test que celui dont je parle dans le texte sur la stratégie SEO : une niche et un jour de mesure. Cela suffit pourtant pour que je n'ajoute pas de titres dans le but d'améliorer la position : un titre doit dire de quoi parle le passage placé dessous.

Questions polonaises, sous-requêtes anglaises

Dans mon ensemble, une partie des sous-requêtes associées à des questions polonaises était en anglais. 81 des 277 sous-requêtes générées pour des expressions polonaises n'avaient aucun trait de la langue polonaise. Par exemple, une question polonaise sur le classement des produits d'une catégorie s'est transformée en requête anglaise avec l'année dans son intitulé. C'est une heuristique grossière sur un seul ensemble, mais cela suffit pour que, pour une marque polonaise, je vérifie aussi ce que disent les sources anglophones.

Comment arriver dans la mémoire du modèle ?

Vous ne changerez pas la mémoire du modèle avec votre seul site : ce qui compte, c'est ce que les autres écrivent sur vous. Le modèle apprend à partir de grands ensembles de textes réunis avant la fin de l'entraînement. Si la marque est décrite surtout par elle-même, et que les sources tierces sont anciennes ou contradictoires, le modèle répétera une image ancienne ou contradictoire. Je n'ai pas mesuré à quelle vitesse la mémoire des modèles se rafraîchit. Je suppose que ce n'est qu'avec les versions suivantes, je ne promets donc rien sur un horizon d'un trimestre.

Sur ma propre marque, je vois les deux sources d'erreurs à la fois. Gemini me décrivait avec un employeur d'il y a quelques années, au présent, et décrivait rogala.pro comme un site « en construction ». Les deux descriptions que les modèles répétaient le plus souvent à mon sujet viennent mot pour mot de ma biographie dans un site spécialisé, qui s'affiche haut dans Google sur mon nom. En revanche, aucune des 26 pages que j'ai vérifiées dans les résultats sur mon prénom et mon nom n'indique cet employeur comme actuel, cette erreur se trouve donc probablement dans la mémoire du modèle. Je le vérifierai avec les mêmes questions quand la biographie sera mise à jour.

Ce que le modèle retient d'une marque, vous pouvez le vérifier vous-même, sans outils de visibilité dans l'IA. Posez des questions sur la marque sans accès à la recherche, de préférence via l'API sans l'outil de recherche. Demandez ce que fait la marque, pour qui et depuis quand, chaque question trois fois. Comparez ensuite les réponses aux faits et notez séparément ce qui est à jour, ce qui est périmé et ce qui est inventé.

Les mentions sans définition cohérente de la marque répètent l'ancienne description, je commence donc par l'identité. Mon ordre de travail :

• une seule définition de la marque, la même sur le site, dans les profils et dans les biographies sur des sites tiers ;
• des données structurées avec des identifiants que j'ai vérifiés à la main ;
• des entrées dans des bases de connaissances comme Wikidata, seulement là où des sources les confirment ;
• seulement ensuite les mentions et les publications dans des lieux édités par quelqu'un d'autre.

Il faut ouvrir et lire un identifiant avant qu'il n'entre dans le code de la page. Le 5 octobre 2026, j'ai remarqué que l'identifiant du Knowledge Graph, présent depuis la veille dans les données structurées de rogala.pro, mène à une fiche d'acteur portant les mêmes prénom et nom. Pendant environ vingt-quatre heures, mon site a déclaré aux moteurs de recherche que j'étais acteur. La vérification prend une minute : l'adresse google.com/search?kgmid= suivie de l'identifiant montre à qui il appartient vraiment.

Wikidata n'accordera pas une place pour laquelle il n'y a pas de sources. Wikidata exige des sources pour les informations sur les personnes vivantes, on ne peut donc pas y déclarer une spécialité dont personne d'autre que vous n'a parlé. C'est pourquoi j'ai commencé dans mon cas par des publications dans des lieux édités par d'autres, et non par une entrée dans une base.

Qu'est-ce qui fonctionne vraiment en GEO, et qu'est-ce qui relève du mythe ?

Je classe les affirmations sur le GEO selon la force de la preuve. Le « documenté » est confirmé par la documentation du moteur de recherche, et « ma mesure » est un résultat issu d'une seule configuration, que je répète. Le « réfuté » et le « non démontré » sont ce que j'ai vérifié sur mes propres données et qui n'a pas résisté ou n'a rien tranché. Le « sans preuve » regroupe les conseils populaires derrière lesquels il n'y a aucune mesure, et parfois une preuve inverse.

Il n'y a aucune preuve que le fichier llms.txt et les versions de pages en Markdown aident à arriver dans les réponses de l'IA. Google écrit que, pour être présent dans sa recherche, il n'est pas nécessaire de créer de nouveaux fichiers pour les machines, de fichiers texte pour l'IA, de balises ni de Markdown (Google Search Central). Quand j'ai vérifié, en juillet 2026, 10 domaines de mon portefeuille, aucun ne servait de version en Markdown aux agents d'IA. Sur rogala.pro, chaque page a depuis le 8 octobre une version en Markdown et un fichier llms.txt, et jusqu'au 8 novembre je mesure dans les logs du serveur si quelqu'un les télécharge. En Pologne, l'expression « llms txt » compte environ 720 recherches mensuelles, je traiterai donc ce sujet à part.

Les données structurées décrivent la marque au moteur de recherche, mais il n'y a aucune preuve qu'elles produisent des citations. Google écrit que les données structurées ne sont pas requises dans la recherche générative et qu'aucune balise schema.org spéciale n'est à ajouter (Google Search Central). Matt Buxbaum, de Seer Interactive, a analysé 8 500 expressions avec un AI Overview et 6 354 pages qui y ont obtenu leur première citation : le schema et les signaux E-E-A-T étaient les moins liés à la réussite, et les pages avec le plus de balises FAQ et HowTo faisaient environ 10 fois moins bien (Seer Interactive, 28/05/2026). C'est une corrélation, je ne sais donc pas si les balises nuisent, mais je ne lis pas ces données comme une preuve d'avantage. J'utilise les données structurées pour décrire des entités (qui, quoi, où, avec quels identifiants), car c'est leur rôle. Je n'ai pas encore terminé de test propre de leur influence sur les réponses de l'IA.

La mention et la citation sont deux choses différentes, et beaucoup de rapports les confondent. Petrovic distingue trois événements : la page que le système a récupérée comme matière de la réponse, la citation, c'est-à-dire la page affichée comme source, et la mention, c'est-à-dire le nom de la marque dans le texte de la réponse que l'utilisateur lit et retient (Dejan, 07/07/2026). Une marque peut être citée sans être mentionnée dans le texte, et nommée sans que sa page soit citée. C'est pourquoi je mesure ces deux choses séparément et je ne les additionne pas en un seul « score de visibilité dans l'IA ».

Comment vérifier que le GEO fonctionne ?

Sans état initial, vous n'attribuerez l'effet à aucune modification, je le consigne donc avant la première correction. L'état initial comprend les questions notées mot pour mot, les noms et versions des modèles, la date et le marché. Je compose les questions à partir des données de demande et de la Search Console, et la plupart ne contiennent pas le nom de la marque, car le nom dans la question souffle déjà la réponse au modèle. J'ai décrit dans le texte sur la stratégie SEO le jeu de questions en deux bandes de positions.

Je mesure cinq choses séparément, car chacune peut aller dans une autre direction :

1. La mention de la marque dans le texte de la réponse.
2. La citation de la page comme source.
3. Le fait que le modèle ait cherché ou non sur le web, c'est-à-dire la recherche et la mémoire séparément.
4. Le trafic venant des assistants d'IA dans l'outil d'analyse, qui est toujours une limite basse, car une partie des visites arrive sans information de source.
5. Le trafic venant de Google sur la même période, pour qu'une modification faite pour l'IA ne se fasse pas au détriment des résultats ordinaires.

Les réponses des assistants sont aléatoires, je pose donc la même question trois fois à la fois. L'AI Overview est stable, et un seul relevé suffit pour lui. Je lis toujours le chiffre d'un outil de visibilité dans l'IA avec son dénominateur : c'est la part dans mon jeu de questions, pas une « part du marché de l'IA » que personne ne connaît.

Que fais-je sur mon propre site, et que ne sais-je pas encore ?

Je parle de l'IA dans la recherche en public depuis 2016, et je n'ai pas encore de présence de ma propre marque dans les réponses de l'IA, et c'est de là qu'est partie mon expérience. État initial du 26 juillet 2026 : rogala.pro n'avait aucune citation sur aucune des 7 surfaces d'IA vérifiées dans Ahrefs pour la Pologne, et dans 6 vérifications sur trois plateformes, dans des questions sans mon nom, aucun modèle ne m'a nommé. Interrogé sur moi par mon nom, le modèle répétait une description vieille de quelques années. C'est une seule mesure, et sans ChatGPT, car l'outil avec lequel je collectais les réponses n'a renvoyé aucun résultat pour lui ; je la traite donc comme un point de départ, pas comme une preuve.

L'ordre des travaux découle des données : d'abord l'identité, ensuite la portée. J'ai mis en ordre une définition unique dans les profils (sur LinkedIn en 30 versions linguistiques), vérifié les identifiants dans les données structurées (d'où l'erreur avec l'acteur), et monté le site et le blog en 27 langues avec des versions en Markdown. La portée, c'est-à-dire les publications et les mentions dans les médias d'autres personnes, ne vient qu'après.

Je ne sais pas encore si cela fonctionne. J'ai prévu une première nouvelle mesure des réponses de l'IA à partir du 1er novembre 2026, et le résultat de la mesure des fichiers Markdown arrivera après le 8 novembre. J'ajouterai les résultats à ce texte, même s'ils sont nuls.

Questions fréquentes sur le GEO

Par où commencer ?

Les trois premières étapes ne coûtent que du temps. Vérifiez que les robots des moteurs de recherche d'IA reçoivent bien votre site. Posez trois fois à la fois plusieurs des questions que posent vos clients, sans le nom de votre marque, et notez qui est nommé et qui est cité. Lisez ce que disent de votre marque les résultats Google sur son seul nom, car les modèles s'appuient sur les mêmes sources. Si le résultat vous surprend, c'est un bon sujet de consultation.