« On a réécrit l’article, et l’IA cite toujours les autres »
En réunion, quelqu’un lance l’idée : on va réécrire ce billet en pensant à l’IA.
Alors on le réécrit. On ajoute les chiffres, on ajoute les sources, on remet de l’ordre dans les intertitres.
Un mois plus tard, on repose la même question à l’IA, et elle ressort la concurrence.
Hex-ko aussi s’est fait avoir. Et le plus agaçant, ce n’est pas l’échec : c’est que rien de ce qu’on a fait n’était mauvais. La page est réellement meilleure qu’avant.
Sauf qu’une étude est allée suivre ce que fabrique l’IA entre la question et sa réponse. Et à la lecture, le raté devient structurel, pas qualitatif.
Elle vient d’une équipe de la ShanghaiTech University et a été mise à jour en juillet 2026 (l’étude). Allons voir.
Combien de pages une IA lit-elle avant de citer un nom ?
Une IA branchée sur le web ne répond pas de mémoire. Elle cherche, ouvre une page, suit un lien, en ouvre une autre. Et ce n’est qu’après qu’elle tranche.
Un , c’est exactement ça : une IA qui va enquêter d’elle-même. Autrement dit, on n’écrit plus seulement pour un lecteur qui atterrit chez vous, mais pour une machine qui ramasse des preuves en chemin.
Dans l’expérience, elle avait droit à cinq recherches et cinq téléchargements de page par question.
Donc elle ne lit pas une page pour décider. Elle parcourt un trajet et recoupe ce qu’elle ramasse. Et c’est sur ce trajet, en fait, que la partie se joue.
Un produit inventé, bloqué en cinquième position, et on mesure
Le montage est un peu inhabituel.
Les chercheurs ont pris neuf résultats de recherche réels et y ont glissé la page d’un produit fictif, fixée en cinquième position.
Pourquoi la fixer ? Parce que ça annule l’effet du classement et qu’il ne reste plus que ce qui se passe après le clic.
En tout, 3 124 couples question-produit, avec de vraies questions de comparaison et de recommandation.
À partir de là, une seule chose variait : ce qui se trouvait derrière cette position.
- une page seule (la référence)
- cette même page, polie avec trois méthodes de existantes, c’est-à-dire de l’optimisation de contenu pensée pour les réponses des IA
- six types de pages différents, formulés de la même façon et reliés entre eux
Ce dernier montage, l’équipe l’appelle TRACE. Les six types : le site officiel, des avis, un article d’expert, une actualité, un fil de forum et une publication sur les réseaux. Et devant, une petite page d’entrée qui sert d’aiguillage vers les six autres.
Six pages alignées : 67,2 %, contre 35,9 % pour la page seule
Et qu’est-ce que ça donne ? Voici la part de réponses où l’IA présente le produit comme une option pertinente.
- page seule : 35,9 %
- six pages alignées (TRACE) : 67,2 %
Sur deux autres jeux de données, même direction : 56,2 % → 71,9 % et 59,0 % → 73,9 %. Une quinzaine de points à chaque fois.
Mais le plus intéressant arrive maintenant.
Les trois méthodes de GEO classiques, celles qui travaillent une page, ont été mesurées dans la même expérience : 35,9 %, 35,9 % et 28,1 %.
Face à une référence à 35,9 %, ça fait rien, rien, et pire. La réécriture décidée en réunion, mise en graphique.
Ce qui a marché, ce n’est pas le texte, c’est le trajet
Alors qu’est-ce qui a payé ? L’équipe a découpé les conditions plus finement : mêmes pages de soutien, seule la disposition change.
- éparpillées, sans coordination : 75,0 %
- formulations alignées et pages reliées entre elles : 82,8 %
- avec en plus la page d’entrée devant : 89,1 %
Attention, ces niveaux viennent de conditions différentes de celles du tableau précédent : on ne les compare pas terme à terme. Ce qu’il faut retenir, c’est que la même matière grimpe marche après marche, uniquement par la disposition.
Aucune information n’a été ajoutée. La seule chose qui a changé, c’est le chemin que suit l’IA pendant qu’elle rassemble ses preuves.
Et quand on ajoute la page d’entrée, ce qui augmente précisément, c’est le nombre de liens internes que l’IA parcourt. Donnez-lui un aiguillage, elle va au fond. Ne lui en donnez pas, elle lit une page et clôt le dossier.
Jusqu’où cette étude peut-elle porter ?
Ici, on freine un peu.
C’est une prépublication, donc un travail qui n’a pas encore été relu par des pairs. L’expérience s’est déroulée en environnement contrôlé, pas sur le web ouvert.
Le produit était fictif, et la seule IA testée est GPT-5.1. Quant à la difficulté d’obtenir cette cinquième place, elle n’entre même pas dans l’évaluation.
Et les auteurs écrivent eux-mêmes, dans leur déclaration d’éthique, qu’ils déconseillent d’appliquer ces méthodes à des systèmes réels ou au web public. Ils ne publient pas non plus l’intégralité du code.
Ce qu’on retient d’ici n’est donc pas une recette. C’est le mécanisme : la façon dont un agent IA rassemble ses preuves avant de répondre.
La lecture utile n’est pas « fabriquons-nous des pages ». Elle est plutôt : « est-ce que les endroits qui parlent déjà de nous traînent éparpillés ? »
vérifiez l’ensemble, pas la page
Que l’IA vous cite ou non ne se joue pas sur la qualité d’une page en particulier. Ça se joue sur l’existence d’endroits de natures différentes qui parlent de vous, et sur le fait qu’ils racontent les mêmes faits avec les mêmes mots.
Et à bien y regarder, l’exigence n’a rien de neuf. Le texte du site, les cas clients, la fiche sur le comparateur, la conférence, le fil dans la communauté : tout ça existe déjà, la plupart du temps. Simplement, le nom de la société, la description de l’activité et la phrase qui résume le métier flottent un peu d’un endroit à l’autre. Pour l’IA, c’est exactement ce flottement qui casse le recoupement. Vu à l’envers : il reste donc du gain disponible sans rien inventer.
On avait déjà croisé cette direction deux fois. L’article sur les trois petits ajouts qui font citer jusqu’à 40 % de plus portait sur l’intérieur d’une page ; celui sur les 4 citations d’IA sur 10 qui viennent de Reddit portait sur ce qui se dit hors de votre contrôle. L’étude du jour dit que ces deux chantiers cessent d’être séparés et deviennent un seul ensemble.
Alors on peut ramener ça à deux gestes : lister par types les endroits qui parlent de vous et aligner les faits, puis mesurer si votre nom sort plus souvent après l’alignement qu’avant. Sans cette mesure, on aura rangé le placard sans savoir si ça servait.
Avant d’ajouter un septième endroit, alignez-en un de ceux qui traînent déjà.
Sources
- Hengwei Ye, Jiasheng Mao, Zhenhan Guan, Zheng Tian (ShanghaiTech University), « EcoGEO: Trajectory-Aware Evidence Ecosystems for Web-Enabled LLM Search Agents », arXiv:2605.12887v2, 1er juillet 2026, arxiv.org (Partant du constat que les agents IA connectés au web décident leurs recommandations au terme d’un trajet en plusieurs étapes — recherche, suivi de liens, recoupement de plusieurs pages —, l’étude déplace l’unité d’optimisation de la page unique vers un « environnement informationnel où plusieurs pages se soutiennent mutuellement ». La page d’un produit cible fictif a été insérée en cinquième position fixe parmi neuf résultats de recherche réels, et 3 124 couples requête-produit ont été évalués. Le produit est recommandé dans 35,9 % des réponses avec une page unique, contre 67,2 % avec TRACE, qui uniformise les formulations et relie entre eux six types de pages : site officiel, avis, article d’expert, actualité, forum et réseaux sociaux. Sur deux autres jeux de données : 56,2 %→71,9 % et 59,0 %→73,9 %. Les trois méthodes de GEO à l’échelle de la page n’ont pas dépassé la page unique (C-SEO 35,9 % / E-GEO 35,9 % / AutoGEO 28,1 %). Dans une expérience de contrôle menée dans d’autres conditions : 75,0 % sans coordination → 82,8 % avec coordination → 89,1 % avec ajout de la page d’entrée (SafeSearch). Réserves : prépublication non relue par des pairs, environnement contrôlé, produit fictif et vérification sur le seul GPT-5.1 ; la difficulté d’obtenir le classement n’entre pas dans l’évaluation. Les auteurs précisent dans leur déclaration d’éthique qu’ils déconseillent d’appliquer ces méthodes à des systèmes réels ou au web public.)
