GEO et IA génératives : trois expériences montrent comment les réponses peuvent être influencées

Les assistants conversationnels ne se contentent plus de répondre à des questions factuelles ou de rédiger des textes. Pour une partie croissante du public, ils deviennent aussi des prescripteurs : quel produit choisir, quelle marque connaître, quelle personnalité est la plus appréciée ? Cette place nouvelle crée un enjeu économique évident. Elle ouvre également un terrain de manipulation, où l’objectif n’est plus seulement d’arriver en tête d’un moteur de recherche, mais d’être cité spontanément dans la réponse synthétique d’une intelligence artificielle.

C’est l’ambition du GEO, pour Generative Engine Optimization, que l’on peut traduire par optimisation pour les moteurs génératifs. Trois expériences rapportées autour de ChatGPT et de Perplexity montrent comment un contexte fourni à l’outil, une multiplication de contenus web ou l’emploi de domaines expirés peuvent infléchir des résultats. Elles doivent toutefois être lues avec méthode : une réponse variable ne signifie pas nécessairement que le modèle a été durablement « reprogrammé ». Elle révèle, en revanche, combien une formulation persuasive ou des informations peu fiables peuvent peser sur la sortie d’un système.

Le GEO, une extension du SEO à l’ère des réponses générées

Le SEO, ou référencement naturel, cherche traditionnellement à rendre une page plus visible dans les résultats d’un moteur de recherche. Le GEO poursuit un objectif voisin, mais dans un environnement différent : apparaître dans une réponse directement rédigée par une IA, idéalement comme recommandation, référence ou choix évident.

La distinction est importante. Une page bien placée dans une liste de résultats reste identifiable, avec son titre, son adresse et, en principe, la possibilité pour l’internaute de comparer plusieurs liens. Une réponse générée, elle, condense l’information. Elle peut donner l’impression d’un arbitrage déjà effectué par la machine, surtout lorsqu’elle cite quelques marques ou formule une recommandation catégorique.

Les grands modèles de langage produisent du texte en calculant, à partir de leur entraînement et du contexte présent dans la conversation, les formulations les plus probables. Ils ne disposent pas, par nature, d’un mécanisme infaillible pour séparer le vrai du faux. Lorsqu’un assistant accède aussi à des contenus du web, la qualité de ses réponses dépend en partie des documents qu’il récupère, de leur diversité et de la façon dont il les hiérarchise.

Cette nuance est essentielle pour comprendre les trois cas évoqués. Ils ne testent pas exactement le même mécanisme et ne permettent pas tous de tirer les mêmes conclusions.

Premier test : une marque davantage citée après l’ajout d’un contexte

La première expérience a été menée avec des étudiants en marketing autour d’une question très concrète : « Quelle est la meilleure brosse à cheveux en France ? » Lors d’une première série de réponses recueillies auprès de ChatGPT, la marque La Bonne Brosse n’apparaissait que dans 30 % des résultats observés.

Dans un second temps, une analyse marketing complète consacrée à la marque a été soumise à ChatGPT. Un autre groupe d’étudiants a ensuite posé la même question. Selon les résultats rapportés, La Bonne Brosse a alors été citée dans 80 % des réponses.

Le résultat est frappant, mais son interprétation demande de la prudence. Si l’analyse a été placée dans le contexte d’une même conversation, ce test montre d’abord un comportement attendu d’un assistant : il tient compte des informations que l’utilisateur vient de lui donner. Il ne démontre pas, à lui seul, une modification globale du modèle ni une évolution permanente de ce que ChatGPT répondrait à tous les internautes.

Il met néanmoins en lumière un risque réel. Une demande formulée après la présentation d’un dossier promotionnel peut aboutir à une recommandation qui semble neutre, alors qu’elle est influencée par le matériau fourni juste avant. Pour l’utilisateur, la frontière devient difficile à percevoir si l’outil ne rappelle pas explicitement quelles informations ont orienté son raisonnement.

Deuxième test : peut-on tromper une IA avec un réseau de sites ?

Le deuxième cas concerne les PBN, pour Private Blog Networks. Il s’agit de réseaux de sites contrôlés par un même opérateur, généralement utilisés pour publier de nombreux contenus et créer des liens entre eux. Dans l’univers du référencement, ces réseaux peuvent chercher à simuler une popularité ou une autorité éditoriale qu’ils n’ont pas réellement.

L’expert SEO Alan Cladx soutient que des IA peuvent être conduites à considérer comme crédibles des sites externes fortement alimentés en contenus. Son exemple est volontairement absurde : grâce à de multiples publications sur un domaine consacré au sujet, il affirme avoir fait reconnaître l’aquaponey comme une discipline olympique par une IA.

Cet exemple ne signifie pas que tous les assistants consultent les mêmes pages, ni qu’ils répondront tous de la même manière. Il illustre plutôt un problème structurel : lorsqu’un système génératif s’appuie sur des informations disponibles en ligne, il peut rencontrer des contenus répétitifs, bien structurés et apparemment cohérents, sans toujours être capable d’en établir la fiabilité institutionnelle.

Pour une discipline olympique, une vérification auprès des instances sportives compétentes suffirait à lever le doute. Mais la même logique peut devenir plus préoccupante dans des domaines où la réponse est moins facilement vérifiable, comme les comparatifs de produits, la réputation d’une entreprise, l’histoire d’un événement local ou les conseils de santé.

Troisième test : le rôle ambigu des domaines expirés

La troisième expérimentation a été conduite par l’agence britannique Reboot Online. Son objectif était d’inclure son propre directeur général dans un classement des hommes chauves les plus sexy de 2025. Pour y parvenir, l’équipe a publié des contenus sur 10 domaines expirés et a cherché à faire apparaître constamment son dirigeant en tête des classements.

Un domaine expiré est une adresse web qui n’a pas été renouvelée par son ancien propriétaire. Certaines peuvent conserver un historique, des liens entrants ou des traces de leur activité passée. Cet héritage peut donner l’apparence d’une certaine légitimité, même si le nouveau contenu n’a plus aucun rapport avec le site initial.

D’après les résultats présentés par l’agence, cette stratégie a influencé des réponses de ChatGPT et de Perplexity. L’intérêt de ce test est de déplacer la question : il ne s’agit plus seulement de ce qu’un utilisateur écrit directement dans une conversation, mais de l’écosystème informationnel que les assistants peuvent être amenés à consulter ou à reproduire.

Voici ce que ces trois expériences permettent, et ne permettent pas, d’observer :

Les descriptions de ces tests ne détaillent pas ici l’ensemble du protocole, les versions précises des modèles, le nombre total de requêtes ou les paramètres utilisés. Or ces éléments peuvent modifier sensiblement une réponse : langue de la question, formulation, date de consultation, accès ou non au web, personnalisation éventuelle et évolution du modèle. Il serait donc excessif de les présenter comme des preuves scientifiques définitives. Leur valeur est plutôt démonstrative : elles rappellent qu’une réponse fluide et assurée n’est pas automatiquement une information solide.

Pourquoi une IA peut-elle sembler sûre d’une information douteuse ?

Les modèles de langage sont conçus pour générer une réponse utile, structurée et naturelle. Cette qualité rédactionnelle peut paradoxalement renforcer la confiance du lecteur. Une affirmation fausse, lorsqu’elle est exprimée dans un ton clair et accompagnée de justifications plausibles, paraît souvent plus convaincante qu’une réponse hésitante mais exacte.

Dans le cas d’une question subjective telle que « quelle est la meilleure brosse à cheveux ? », le problème est encore plus délicat. Il n’existe pas toujours une réponse universelle. Le choix peut dépendre du type de cheveux, du budget, de l’usage recherché et de critères personnels. Pourtant, un assistant peut transformer cette diversité de préférences en une recommandation unique, en privilégiant les informations les plus présentes dans son contexte ou dans les documents qu’il a consultés.

Il faut aussi distinguer deux réalités souvent confondues. D’une part, un utilisateur peut orienter sa propre conversation en y ajoutant des éléments favorables à une marque. D’autre part, des acteurs peuvent tenter de façonner l’environnement informationnel du web afin que ces éléments soient retrouvés par des outils de recherche ou des assistants connectés. La première influence est locale à une interaction. La seconde ambitionne d’agir plus largement, avec des conséquences potentiellement plus durables.

Comment vérifier une réponse générée par ChatGPT ou Perplexity ?

La bonne attitude n’est ni le rejet systématique, ni la confiance automatique. Les assistants peuvent faire gagner du temps pour trouver des pistes, résumer un sujet ou comparer des critères. Mais une réponse qui peut influencer un achat, une décision professionnelle, une opinion publique ou une démarche de santé mérite une vérification indépendante.

Quelques réflexes simples limitent le risque de se laisser guider par un contenu optimisé ou trompeur :

• demander à l’IA de préciser ses critères, ses incertitudes et les éventuels conflits d’intérêts liés aux sources citées ;
• vérifier une affirmation précise auprès d’une institution, d’un fabricant, d’un média reconnu ou d’un spécialiste identifié ;
• comparer plusieurs sources qui ne reprennent pas toutes le même texte ou les mêmes références ;
• se méfier d’un consensus soudain autour d’une marque, d’une personne ou d’une prétendue distinction difficile à confirmer ;
• reformuler la question sans citer de marque, afin de voir si la recommandation reste cohérente et si les critères changent.

Ces gestes sont particulièrement utiles face aux classements et aux superlatifs. « Le meilleur », « le plus sexy », « le plus fiable » ou « le plus recommandé » sont des formulations qui peuvent masquer des critères arbitraires, une campagne de communication ou un corpus de contenus artificiellement gonflé.

Ce qu’il faut surveiller : transparence, responsabilité et esprit critique

Les expériences sur La Bonne Brosse, l’aquaponey et les domaines expirés soulèvent une question qui dépasse le référencement : à quelles conditions une réponse générée peut-elle être considérée comme digne de confiance ? Les entreprises qui développent des assistants ont intérêt à améliorer l’identification des sources de faible qualité, la diversité des références consultées et la transparence sur les limites de leurs systèmes.

Les spécialistes du marketing, de leur côté, devront distinguer l’optimisation légitime, qui consiste à produire une information exacte, utile et accessible, de la fabrication de faux signaux destinés à tromper des outils et leurs utilisateurs. La répétition d’une affirmation sur plusieurs sites ne la transforme pas en fait.

Enfin, les internautes gardent un rôle central. À mesure que les IA prennent une place dans la recherche d’information et les décisions d’achat, la compétence la plus précieuse ne sera pas seulement de savoir poser une bonne question. Ce sera de savoir reconnaître quand une réponse doit être vérifiée, nuancée ou simplement mise de côté.