Vous avez repris toutes vos pages et l’IA ne vous cite toujours pas
On réécrit la fiche produit, on remet les titres d’aplomb, on ajoute un bloc de questions fréquentes en bas. Puis on ouvre ChatGPT, on pose la question évidente de son secteur, et l’entreprise n’apparaît nulle part dans la réponse.
Hex-ko s’est déjà fait demander « on retouche quoi, du coup ? » sans avoir la moindre réponse à donner. Il ne restait plus une seule page à montrer du doigt.
Ce qui veut dire, à peu près à tous les coups, qu’on regarde très attentivement au mauvais endroit.
Parce qu’avant de vous écrire quoi que ce soit, le modèle part chercher pour son propre compte. Quelqu’un a compté 13 281 de ces recherches pour voir quels noms y entraient.
Quelles marques le modèle cherche-t-il avant d’écrire ?
Parmi les marques que le modèle avait déjà en mémoire, 55,7 % ont fini par être cherchées. Parmi celles qu’il n’avait pas, 17,4 %, soit un rapport d’environ 3,2 contre 1 (geoSurge, publié début juin 2026).
La mesure court du 29 mai au 9 juin 2026. 66 questions réparties sur 9 secteurs, chacune posée 60 fois, et pas un seul nom de marque dans l’énoncé.
Chaque nom apparu est donc arrivé tout seul. On en tire environ 3 960 réponses, 13 281 recherches internes et 1 416 observations au niveau de la marque. La mémoire a été notée avec la méthode maison de geoSurge, la partie recherche observée sur Gemini 3.5 Flash.
Et une recherche interne, c’est quoi au juste ? On appelle ça le fan-out : les requêtes qu’un modèle s’envoie à lui-même avant d’écrire la première ligne, et que vous ne voyez jamais passer.
Demandez-lui les meilleurs outils de messagerie d’équipe, il ne tape pas cette phrase dans un moteur. Il découpe la question — « comparatif outils de messagerie d’équipe », « tarifs entreprise A », « cas client entreprise B » — et il part avec les morceaux.
Que votre nom se glisse ou non à la place de « entreprise A », voilà ce qui sépare les 55,7 % des 17,4 %. Et cette marche-là se situe très en amont de celle qu’on mesure d’habitude, à savoir si la réponse finale vous nomme.
Ce qui fait trois marches là où on n’en comptait qu’une : se faire retenir, se faire chercher, se faire citer.
Les recherches se concentrent sur une poignée de noms
Parmi les recherches qui citaient une marque précise, 63 % allaient vers l’une des cinq marques les mieux retenues. Toutes les autres se partageaient le reste.
Attention, ces deux chiffres ne sont pas de la même espèce. Les 55,7 % et 17,4 % sont des parts de marques observées qui ont fini par être cherchées. Les 63 % disent, eux, la façon dont se répartissent les recherches portant un nom de marque. Dénominateurs différents : on ne les additionne pas et on ne les met pas sur la même ligne.
Ils penchent tout de même du même côté, celui d’une concentration qui se joue en amont de tout ce que vous pouvez lire dans une réponse finie.
Sauf que 17,4 %, ce n’est pas zéro. Même sans entrée en mémoire, une de ces marques sur six environ a quand même vu son nom servir de matière à recherche.
C’est le chiffre sur lequel il reste de la marge.
La première marche se joue en dehors de votre site
Ce que le modèle a absorbé sur votre secteur s’est accumulé ailleurs que sur votre domaine : comparatifs, entretiens dans la presse spécialisée, fiches sur des sites d’avis, rapports sectoriels. Réécrire vos pages ne touche pas à ce tas-là.
Autre surface, autres gens, autre ligne de budget.
Vos pages n’ont pas cessé de compter pour autant. Elles arrivent plus tard dans l’ordre, voilà tout. Le modèle prend votre nom pour lancer une recherche, cette recherche doit atterrir quelque part, et ce quelque part c’est votre site : le texte y devient utile une fois qu’on est allé vous chercher.
Hex-ko avait rangé l’argent de la visibilité IA dans la colonne publicité, et nulle part ailleurs. Elle ne s’était jamais demandé si la marche qu’elle achetait là était bien celle où ça décrochait.
Jusqu’où porte ce 3,2 contre 1 ?
Pas jusqu’à un objectif chiffré sur une diapositive. Six réserves se tiennent entre ce chiffre et n’importe quelle cible qu’on voudrait en tirer, et je les garderais toutes les six.
- L’éditeur écrit noir sur blanc qu’il s’agit d’une association sur des données exploratoires, et non d’une causalité
- Les marques très connues se retiennent mieux et se cherchent davantage : une partie de l’association viendrait de la notoriété elle-même (l’éditeur le dit aussi)
- Les valeurs par secteur sont présentées comme indicatives et non comme acquises, toujours selon l’éditeur
- La partie recherche a été observée sur un seul modèle, Gemini 3.5 Flash. Personne n’a mesuré la façon dont les autres construisent leur fan-out
- geoSurge vend de la mesure de visibilité IA : la conclusion arrange le vendeur
- Les questions sont écrites pour des acheteurs américains. Rien ici ne dit ce que ça donne sur un autre marché
La première change la manière dont vous avez le droit d’en parler en réunion. « On se fait retenir, donc on se fait chercher » est une phrase de cause, et l’étude ne porte pas jusque-là. Un protocole mieux construit y arriverait peut-être un jour ; pour l’instant, non.
Aucune des six, en revanche, ne touche à l’ordre des marches. Si votre nom ne sert pas de matière à recherche, la réponse finale ne le portera jamais, et cela reste vrai, que le rapport s’établisse à 3,2, à 2,5 ou à autre chose sur un modèle que personne n’a testé.
repérez la marche où ça lâche
Chacune des trois se vérifie autrement, et aucune de ces vérifications ne coûte cher. Comptez combien de fois votre nom sort dans les réponses finies, vous tenez la troisième. Envoyez à un modèle les questions de votre catégorie et lisez les recherches qu’il déclenche, vous tenez la deuxième. Demandez-lui seulement le nom de votre entreprise, et ce qui revient donne une idée grossière de la première. Faites-le sur plusieurs modèles : l’étude en a observé un, et rien ne garantit que les autres cherchent dans le même ordre.
Si c’est la première marche qui lâche, continuer à retoucher vos pages ne monte pas jusque-là. L’argent va là où ce sont les autres qui écrivent votre nom : comparatifs, presse spécialisée, sites d’avis.
Et à la prochaine réunion de planification, « on met le budget IA où ? » aura enfin une réponse avec un numéro de marche dedans. On décroche à la première, donc on renforce les relations presse. Hex-ko aurait bien aimé disposer de cette phrase un an plus tôt.
Sources
- geoSurge, “AI Searches What It Remembers”, publié en juin 2026 (mesure du 29 mai au 9 juin 2026 : 66 questions réparties sur 9 secteurs, chacune posée 60 fois et sans nom de marque dans l’énoncé, d’où environ 3 960 réponses, 13 281 recherches internes de type fan-out et 1 416 observations au niveau de la marque. Les marques présentes dans la mémoire du modèle ont été cherchées dans 55,7 % des observations, contre 17,4 % pour celles qui n’y étaient pas, soit un rapport d’environ 3,2 contre 1 ; 63 % des recherches portant un nom de marque sont allées vers l’une des cinq marques les mieux retenues. La mémoire a été notée avec la méthode propre à geoSurge et la partie recherche observée sur le seul Gemini 3.5 Flash. L’éditeur indique qu’il s’agit d’associations sur des données exploratoires et non de causalité, que la notoriété explique vraisemblablement une partie de l’association, et que les valeurs par secteur sont indicatives et non acquises. geoSurge vend des outils de mesure de visibilité IA. Les questions ont été écrites pour des acheteurs américains.)
- Search Engine Land, “AI models favor familiar brands in search: Study”, 2026 (reprise de la mesure de geoSurge)
