Guide francophone de l’AEO
La plupart des guides AEO recyclent une checklist SEO et l’illustrent avec des chiffres dont personne ne retrouve la publication d’origine. Celui-ci fait l’inverse. Chaque affirmation porte sa source primaire, sa date, et une mention explicite de ce que cette source ne démontre pas. Publié le 16 août 2026.
57,1 %
de la population française sur un service d’IA en mars 2026 (Arcom, juin 2026)
51 %
des utilisateurs d’IA générative en emploient au moins deux (CREDOC, février 2026)
8 % / 15 %
part des visites avec clic, avec puis sans résumé IA (Pew Research Center, juillet 2025)
80
réponses distinctes pour un même prompt répété 1 000 fois à température 0 (Thinking Machines, sept. 2025)
Cinq idées suffisent à lire correctement le reste. Si vous n’avez qu’une minute, ce sont celles-là.
L’AEO n’est pas une nouvelle magie
Aucun organisme ne normalise le sigle, et le premier éditeur du marché écrit que les fondamentaux de qualité et d’accessibilité restent la base. Ce qui change est le rendu, pas la nature du travail.
Les moteurs ne se comportent pas pareil
Ce qu’un éditeur documente vaut pour son produit. Le transposer aux autres assistants est une extrapolation, jamais une déduction.
Une observation unique ne mesure rien
La génération reste variable, y compris au réglage censé la figer. Sans répétitions décidées à l’avance, on produit une capture d’écran, pas une mesure.
Sourcé, observé, ou déclaré hypothèse
Toute recommandation appartient à l’une de ces trois catégories. Celle qui n’appartient à aucune est une opinion vendue au prix d’un fait.
De « être cité » vers « être sélectionnable »
Le déplacement progressif vers des interfaces capables de comparer, sélectionner ou exécuter certaines actions élargit la question au-delà de la citation.
Huit chapitres. Les quatre premiers établissent l’état des faits, le cinquième traite du problème de mesure, les trois derniers regardent devant.
Règle de rédaction
Un chiffre sans publication d’origine consultable n’entre pas dans cette page. Un chiffre dont la publication d’origine ne dit pas ce qu’on lui fait dire n’y entre pas non plus. Quand une affirmation courante du secteur ne résiste pas à cette règle, elle est citée puis écartée, avec la raison. Le registre des sources, en fin de page, indique pour chaque référence ce qu’elle établit et ce qu’elle n’établit pas.
AEO, GEO, SEO. Trois sigles circulent, vendus comme trois disciplines. Avant d’en adopter un, il faut savoir qui l’a introduit, quand, et surtout si un organisme de normalisation en fixe la définition. La réponse à cette dernière question est identique pour les trois : personne.
La paternité du sigle Answer Engine Optimization est revendiquée par le consultant Jason Barnard, qui la date de 2017 et la fait connaître début 2018, par un livre blanc puis une conférence. Cette antériorité repose principalement sur des publications de l’intéressé et de son cabinet. Nous la rapportons donc comme une revendication documentée, et non comme un fait établi par un tiers neutre. Pour un praticien, la conséquence pratique est simple : il n’existe aucun texte de référence auquel confronter une prestation vendue sous ce nom.
Le sigle Generative Engine Optimization a une origine vérifiable. Six chercheurs de Princeton, du Georgia Institute of Technology, d’Allen Institute for AI et de l’IIT Delhi déposent le 16 novembre 2023 un article sur arXiv, révisé le 28 juin 2024 et présenté à la conférence KDD 2024. Ils y formalisent la notion de moteur génératif et construisent un banc d’essai, GEO-bench, pour mesurer l’effet de méthodes d’optimisation de contenu.
Le résultat annoncé dans le résumé, cité tel qu’il est écrit, est une hausse de visibilité jusqu’à 40 % dans les réponses de moteurs génératifs. Les auteurs ajoutent, dans la même phrase suivante, que l’efficacité de ces stratégies varie selon les domaines.
Ce que cette source ne dit pas
Source primaire : Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A., GEO: Generative Engine Optimization, KDD 2024, arXiv:2311.09735.
Puisque aucun sigle ne dispose d’une définition opposable, ce guide fixe la sienne et s’y tient. Un moteur de réponse est un système qui restitue une réponse synthétisée plutôt qu’une liste de liens, qu’il cite ses sources ou non, qu’il consulte le web au moment de la requête ou qu’il s’appuie uniquement sur ses paramètres. Cette définition a un mérite opérationnel : elle décrit ce qu’un lecteur voit, donc ce qu’un tiers peut observer, sans rien supposer d’un mécanisme interne auquel personne d’extérieur n’a accès.
| Critère | SEO | AEO | GEO |
|---|---|---|---|
| Origine du terme | Usage professionnel, années 1990 | Revendiquée, 2017, non arbitrée | Publication académique, 2023 |
| Norme opposable | Aucune | Aucune | Aucune |
| Unité observée | Position d’une page | Présence dans une réponse | Présence dans une réponse |
| Stabilité de la mesure | Élevée, un classement se relit | Faible, une réponse se régénère | Faible, une réponse se régénère |
| Donnée de première main | Search Console, depuis longtemps | Partielle, depuis 2026 | Partielle, depuis 2026 |
La ligne qui compte est la quatrième. Un classement se relit à l’identique le lendemain. Une réponse générée, non. Ce seul écart déplace le problème de l’optimisation vers la mesure, et c’est le sujet du chapitre 05.
Le secteur ne manque pas de chiffres. Il manque de chiffres dont la méthode est publiée. Voici les trois seuls jeux de données que nous utilisons pour caractériser 2026, choisis parce que leur producteur documente son protocole et n’a rien à vendre sur ce marché.
L’Arcom a publié le 16 juin 2026 la première édition de son baromètre d’audience des services d’intelligence artificielle, construit sur les données Médiamétrie NetRatings. En mars 2026, ces services comptent 33 millions de visiteurs uniques en France, soit 57,1 % de la population. La pénétration mensuelle chez les 12-17 ans est passée de 8 % en janvier 2023 à 76 % en avril 2026. Sur les 15-24 ans, la moyenne mensuelle de 2025 s’établit à 69,2 %.
Ce que cette source ne dit pas
Le Baromètre du numérique édition 2026, réalisé par le CREDOC pour l’Arcep, l’Arcom, le Conseil général de l’économie et l’ANCT, publié le 9 février 2026, apporte une donnée qui change la façon de concevoir une mesure de visibilité : 51 % des utilisateurs d’IA générative en emploient au moins deux. L’enquête relève par ailleurs que 48 % des Français de 12 ans et plus déclarent utiliser l’IA générative, que 63 % des utilisateurs ont eu principalement recours à ChatGPT, et que le manque de confiance dans le traitement des données ou dans les réponses reste le premier frein cité, à 30 %.
Cette majorité multi-outils a une conséquence directe. Un tableau de bord adossé à un seul assistant décrit un canal parmi plusieurs, et le décrit correctement. Il ne décrit pas la manière dont un public compare. La question utile n’est donc pas « comment apparaître dans tel assistant », elle est « la même question posée à plusieurs moteurs produit-elle la même réponse à mon sujet ». C’est une question de protocole avant d’être une question de contenu.
Ce que cette source ne dit pas
L’étude la plus solide sur le comportement de clic reste celle du Pew Research Center, publiée le 22 juillet 2025. Elle ne repose pas sur des déclarations mais sur la navigation réelle de 900 adultes américains, suivie du 1er au 31 mars 2025, soit 68 879 recherches Google, dont 12 593 comportaient un résumé généré.
8 % / 15 %
part des visites où l’utilisateur clique sur un résultat classique, avec puis sans résumé généré
1 %
part des visites avec résumé où l’utilisateur clique sur un lien du résumé lui-même
26 % / 16 %
part des pages après lesquelles la session s’arrête, avec puis sans résumé généré
Ce que cette source ne dit pas
Trois conclusions tiennent, et pas une de plus. D’abord, l’usage d’assistants est devenu majoritaire en France, ce qui est établi par le régulateur. Ensuite, une majorité d’utilisateurs en fréquente plusieurs, ce qui disqualifie toute lecture mono-moteur comme description du marché. Enfin, lorsqu’une réponse synthétique s’intercale, le clic vers un site devient plus rare, ce qui est établi sur un échantillon américain de 2025.
Ce qui ne tient pas, et qu’on lit partout : que le référencement classique serait mort, qu’un pourcentage précis du chiffre d’affaires basculerait vers les assistants, ou qu’une part de marché des moteurs de réponse serait connue en France. Aucune source primaire ne soutient ces trois affirmations à ce jour.
Deux familles de réponses coexistent, et confondre les deux fait rater la moitié du sujet. La première s’appuie sur une récupération de documents au moment de la requête. La seconde ne s’appuie que sur les paramètres du modèle, sans consultation extérieure. La plupart des produits grand public alternent entre les deux selon la question posée, sans toujours l’indiquer au lecteur.
Cette distinction commande tout le reste. Face à une réponse construite sur une récupération, un éditeur peut agir sur ce qui est accessible et sur ce qui est écrit. Face à une réponse issue des seuls paramètres, il agit sur un corpus figé au moment de l’entraînement, avec un délai qui se compte en mois. Les deux leviers existent, ils ne produisent pas leurs effets au même rythme.
Google documente publiquement une technique qu’il nomme query fan-out : les fonctionnalités d’IA de la recherche peuvent émettre plusieurs recherches liées, sur des sous-thèmes et des sources de données distinctes, pour construire une réponse. Une question posée par un humain devient donc un faisceau de requêtes machine, dont l’utilisateur ne voit jamais la liste.
La conséquence est contre-intuitive et elle est structurante. Optimiser pour la phrase exacte que tape un client n’a plus le même rendement, puisque ce n’est pas cette phrase qui interroge l’index. Ce qui compte davantage, c’est la couverture des sous-questions implicites : les critères de choix, les cas d’usage, les contraintes, les contre-indications, les alternatives. Un contenu qui traite une décision complète est atteignable par plusieurs branches du faisceau. Un contenu qui traite un mot-clé n’en atteint qu’une.
Source : Google Search Central, documentation « AI features and your website », consultée le 16 août 2026.
Du côté d’OpenAI, la documentation publique distingue quatre agents aux rôles séparés, et cette séparation est le fait technique le plus actionnable de tout l’AEO. Chacun se pilote indépendamment dans le fichier robots.txt.
OAI-SearchBot
Fait apparaître les sites dans les fonctionnalités de recherche de ChatGPT. La documentation précise qu’un site exclu de cet agent n’apparaît pas dans ces réponses.
GPTBot
Collecte du contenu susceptible d’entrer dans l’entraînement des modèles de fondation. L’exclure signale que le contenu ne doit pas y servir.
ChatGPT-User
Récupère une page à la demande explicite d’un utilisateur. Ce n’est pas un parcours automatique du web.
OAI-AdsBot
Vérifie la conformité des pages soumises comme annonces. Les données collectées ne servent pas à l’entraînement.
La première décision AEO n’est pas éditoriale, elle tient dans un fichier texte.
Une ligne de robots.txt écrite en 2023 pour se protéger de l’entraînement peut, si elle vise trop large, retirer un site des réponses de recherche d’un assistant. Le contenu n’y est pour rien, la politique d’accès a tout décidé. C’est vérifiable en quelques minutes, et c’est le premier point à contrôler avant de financer quoi que ce soit d’autre.
Source : OpenAI, documentation des robots et agents, consultée le 16 août 2026.
Ce que cette source ne dit pas
Ce chapitre contredit une bonne partie de ce qui se vend sous l’étiquette AEO. Il ne s’appuie pourtant sur rien d’autre que la documentation publique des éditeurs.
En mai 2026, Google a publié une page de documentation consacrée à l’optimisation pour la recherche générative. Elle mérite d’être lue avant d’acheter une prestation, parce qu’elle ferme explicitement plusieurs portes que le marché continue de vendre.
You don’t need to create new machine readable files, AI text files, markup, or Markdown to appear in Google Search.
There’s no requirement to break your content into tiny pieces for AI to better understand it.
No third-party tool has access to our internal ranking or AI systems.
La même page indique que les bonnes pratiques de référencement restent pertinentes, parce que les fonctionnalités d’IA générative de Google Search reposent sur ses systèmes de classement et de qualité existants. Autrement dit, du point de vue de cet éditeur, l’AEO n’est pas une discipline séparée dotée de ses propres artefacts techniques. C’est une exigence de qualité et de lisibilité appliquée à un rendu différent.
Aucun sujet ne montre mieux l’écart entre ce qui se répète et ce qui se vérifie. Voici la chronologie, sans commentaire.
3 septembre 2024
Jeremy Howard publié la proposition /llms.txt : un fichier Markdown à la racine d’un site, listant les contenus jugés utiles à un modèle.
avril 2025
John Mueller, de Google, compare publiquement le fichier à la balise meta keywords et indique que les journaux de serveur ne montrent pas les services d’IA venir le chercher.
juillet 2025
Gary Illyes, de Google, confirme lors d’une conférence Search Central que Google ne prend pas en charge ce fichier.
mai 2026
La documentation Google écrit qu’aucun fichier lisible par machine spécifique à l’IA n’est nécessaire pour apparaître dans Google Search.
16 août 2026
Le site de la proposition met en avant que les laboratoires d’IA publient un llms.txt pour leur propre documentation. C’est exact, et c’est une autre chose : publier un fichier n’est pas le consommer chez les autres.
llms.txt a été proposé comme format permettant de présenter aux systèmes d’IA une version structurée des ressources importantes d’un site. Son existence ne prouve toutefois ni qu’un moteur le consomme, ni qu’il pèse sur ses réponses. Google Search indique explicitement ne pas utiliser llms.txt comme signal spécial pour ses fonctionnalités de recherche, y compris génératives. ELMARQ conserve néanmoins un fichier llms.txt comme document de navigation et de description de son corpus, susceptible d’être exploité par des systèmes qui choisiraient explicitement ce format.
Ce que cela établit
Le fichier permet de publier une représentation structurée et maintenable des ressources importantes d’un site. C’est un fait vérifiable par quiconque ouvre le fichier.
Ce que cela n’établit pas
Condition d’invalidation
Si un fournisseur documente officiellement l’utilisation de llms.txt dans son pipeline de découverte, d’ancrage, de sélection de sources ou de recommandation, cette position devra être révisée fournisseur par fournisseur, et non globalement. Notre page GEO présentait auparavant ce fichier comme un levier technique. Cette position a été révisée le 16 août 2026.
Ce que cette source ne dit pas
Si les fichiers spéciaux ne sont pas la réponse, que reste-t-il ? La documentation de Google recommande un contenu distinctif plutôt que générique, une structure technique qui permette l’exploration et l’indexation, des médias de qualité là où ils ont du sens, et la vérification du site dans Search Console pour suivre sa visibilité. Ce sont des recommandations sobres, sans promesse. Elles ont un mérite : elles sont exécutables sans pari technologique.
À cela s’ajoute une exigence que la documentation ne formule pas mais que les travaux académiques du chapitre suivant rendent difficile à ignorer : écrire des faits vérifiables et datés, sous une forme corroborable ailleurs. Un modèle qui synthétise plusieurs sources traite plus facilement un énoncé stable et recoupable qu’une affirmation promotionnelle isolée.
C’est le chapitre le plus utile du guide, et celui que la plupart des offres AEO évitent, parce qu’il attaque la validité de ce qu’elles vendent.
Le 10 septembre 2025, le laboratoire Thinking Machines a publié une expérience simple et reproductible. Un modèle à poids ouverts, un prompt unique, mille exécutions, une température fixée à 0, c’est-à-dire le réglage censé rendre la génération déterministe. Résultat : 80 complétions distinctes. Les 102 premiers tokens sont identiques dans les mille cas, la divergence apparaît au 103e. La cause identifiée par les auteurs tenait à la dépendance des noyaux de calcul à la taille du lot traité, pas à un aléa volontaire.
1 000 → 80
Mille exécutions du même prompt à température 0, quatre-vingts réponses différentes. Une capture d’écran d’une réponse d’assistant n’est donc pas une mesure. C’est un tirage.
Source : Thinking Machines Lab, Horace He, « Defeating Nondeterminism in LLM Inference », 10 septembre 2025.
Ce que cette source ne dit pas
Un travail publié le 4 août 2025 par Bito, Ren et He montre que, dans les tâches de recommandation, l’ordre des éléments candidats présentés dans le prompt pèse de manière disproportionnée sur les recommandations produites, avec une sensibilité élevée à l’ordre d’entrée. Les auteurs proposent une stratégie de sollicitation pour réduire cet effet.
Pour un protocole de mesure, c’est une contrainte, pas une curiosité. Si l’on demande à un modèle de classer une liste de marques qu’on lui fournit, une part du classement obtenu vient de l’ordre dans lequel on a écrit la liste. La mesure décrit alors en partie le questionnaire. La parade est connue et elle est structurelle : poser des questions qui ne nomment aucune des marques à noter, et laisser le moteur produire ses propres candidats.
Source : Bito, E., Ren, Y., He, E., « Evaluating Position Bias in Large Language Model Recommendations », arXiv:2508.02020, 4 août 2025.
Publié le 16 juin 2026, un travail de Chu et Hou examine la dynamique concurrentielle des recommandations sur trois modèles commerciaux, dans une catégorie où l’acheteur ne peut pas juger la qualité avant l’achat. Trois résultats, dans l’ordre où ils dérangent.
Prime au sortant
À spécifications identiques, les marques déjà connues sont recommandées dans la totalité des cas testés. La notoriété préexistante fait office de départage par défaut.
Prime fragile
Cet avantage disparaît dès qu’un concurrent obtient moins d’un dixième d’étoile de plus en notation. Le socle est dominant mais il est mince.
Dilemme social
Quand toutes les marques adoptent la même stratégie d’optimisation, le gain individuel s’effondre vers zéro. Les marques qui n’y participent pas ne reçoivent, elles, aucune recommandation dans les tests.
Le troisième résultat est la seule chose vraiment neuve que l’on puisse dire à un directeur de la communication en 2026, et elle est inconfortable des deux côtés. S’abstenir coûte. Participer ne rapporte durablement que tant que les autres s’abstiennent. L’AEO n’est donc pas un investissement à rendement croissant, c’est un coût de maintien de position, du même ordre que le référencement l’est devenu. Le vendre comme un avantage concurrentiel durable est un abus de langage. Le présenter comme une condition de présence est exact.
Les mêmes auteurs relèvent qu’un langage marketing d’autorité, y compris des mentions de preuves cliniques fabriquées, suffit à renverser la prime au sortant. C’est le rappel que ce terrain comporte une zone grise, et qu’une marque qui écrit des faits vérifiables se bat, sur ce point précis, avec un handicap volontaire. Nous le signalons parce que le taire serait malhonnête, pas parce que nous recommandons autre chose que des faits vérifiables.
Source : Chu, X., Hou, Y., « Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems », arXiv:2606.17443, 16 juin 2026.
Ce que cette source ne dit pas
De ces trois faits découle une liste d’exigences vérifiables. Elle sert à évaluer n’importe quelle offre du marché, y compris la nôtre.
Des répétitions par cellule, dont le nombre est décidé et publié avant la collecte. Une exécution unique n’est pas une mesure.
Des requêtes qui ne nomment pas les marques à noter, pour ne pas fabriquer le classement par l’ordre de la question.
Une règle de reconnaissance d’entité écrite avant la collecte, sans rapprochement approximatif, avec un cas ambigu traité comme ambigu plutôt que comme une absence.
Une grille de score gelée entre les vagues. Une grille qui s’enrichit produit des évolutions qui viennent de la grille, pas du marché.
Une archive brute des réponses, pour recalculer plus tard de nouvelles variables sur les vagues passées.
La déclaration du mode d’interrogation, des versions de modèles et des dates, puisque tous les trois bougent.
Aucune promesse causale. Observer qu’une marque est citée n’établit pas ce qui a produit cette citation.
Une dernière exigence, celle que Google formule à notre place : aucun outil tiers n’a accès aux systèmes internes de classement d’un éditeur. Une mesure extérieure observe des sorties, pas des mécanismes. Ce n’est pas un défaut tant que c’est dit. Cela le devient dès qu’un fournisseur laisse croire qu’il lit dans le moteur.
La méthode de mesure appliquée par ELMARQ, en version v6.0, se lit intégralement sur la page méthodologie du Share of Model. Ses limites y sont écrites avant les résultats.
Pendant que le marché discutait de rédaction de FAQ, une infrastructure s’est construite. Elle décide de trois choses : qui accède au contenu, à quel prix, et sous quelle forme.
| Date | Brique | Porteur | Statut | Ce que cela change | Ce que cela ne change pas |
|---|---|---|---|---|---|
| 3 sept. 2024 | Proposition /llms.txt | Jeremy Howard, Answer.AI | Proposition, non adoptée par Google | Un fichier Markdown à la racine, censé exposer un contenu lisible par les modèles. Publier le fichier est vérifiable. Qu’un moteur le consomme ne l’est pas. | Ni la manière dont un moteur découvre un site, ni les critères par lesquels il retient une source. Aucun fournisseur ne documente à ce jour l’usage du fichier dans son pipeline. |
| nov. 2024 | Model Context Protocol (MCP) | Anthropic | Standard ouvert, adoption large | Décrit comment un agent se connecte à une source de données ou à un outil. C’est la brique de raccordement sur laquelle les autres s’appuient. | Rien sur la visibilité d’une marque. MCP décrit un raccordement technique, pas une préférence de recommandation. |
| mai 2025 | NLWeb | Microsoft, annoncé à Build 2025 | Open source, expérimental | Transforme un site en point d’accès conversationnel. Chaque point d’accès NLWeb fonctionne aussi comme un serveur MCP, et s’appuie sur Schema.org et sur des listes d’éléments. | Rien sur l’adoption réelle. Un projet open source annoncé par un grand acteur peut rester expérimental plusieurs années. |
| 1er juil. 2025 | Blocage par défaut et péage de crawl | Cloudflare | Actif, place de marché en bêta privée | Les nouveaux domaines sont interrogés sur l’autorisation des robots d’IA, et un éditeur peut demander une contrepartie par page crawlée. L’accès cesse d’être gratuit par défaut. | Ni la présence d’une marque dans les réponses, ni le taux d’adoption effectif de la place de marché, qui n’est pas publié. |
| sept. 2025 | Agentic Commerce Protocol (ACP) | OpenAI et Stripe | Bêta, licence Apache 2.0 | Normalise le passage en caisse entre un agent et un marchand, avec un flux produit fourni par le marchand, qui reste le vendeur de référence. | Rien sur les volumes réellement transactés, qu’aucun acteur ne publié de façon vérifiable pour le marché français. |
| 16 sept. 2025 | Agent Payments Protocol (AP2) | Google, plus de 60 partenaires | Transféré à la FIDO Alliance en mai 2026 | Porte l’autorisation et la preuve d’intention sous forme de mandats signés en Verifiable Credentials du W3C. La gouvernance a quitté un éditeur pour un consortium. | Ni l’issue de la normalisation, ni le protocole qui s’imposera. Un transfert de gouvernance est un début de processus, pas sa conclusion. |
| en cours | Groupe de travail AIPREF de l’IETF | IETF | Documents de groupe, non finalisés | Deux documents : un vocabulaire de préférences d’usage et un mécanisme de rattachement, dont un en-tête Content-Usage et une règle robots.txt. De quoi exprimer « crawlable mais non entraînable ». | Rien tant que les documents ne sont pas publiés comme spécifications. Un document de groupe de travail n’est pas une norme. |
| févr. 2026 | Rapport AI Performance | Microsoft, Bing Webmaster Tools | Bêta publique, étendue en juin 2026 | Première donnée de citation de première main : URL citées, requêtes internes de récupération, évolution dans le temps. | Rien sur les autres moteurs, et rien sur la cause d’une citation. Le rapport compte des citations, il n’explique pas leur sélection. |
| 3 juin 2026 | Rapport de performance IA générative | Google, Search Console | Déploiement progressif | Des impressions par page, pays et appareil dans les fonctionnalités d’IA générative. Ni clics, ni taux de clic, ni requêtes. | Ni les clics, ni les requêtes, ni le taux de clic : le rapport ne les fournit pas. Il ne permet donc aucune lecture de performance commerciale. |
| 2 août 2026 | Article 50 du règlement européen sur l’IA | Union européenne | Applicable | Obligations de transparence pour les systèmes qui dialoguent avec une personne ou produisent du contenu synthétique. Elles visent les fournisseurs et les déployeurs, pas le référencement. | Rien sur le référencement ni sur la visibilité. Ce sont des obligations de transparence, pas des règles de classement. |
L’accès devient négocié
Depuis juillet 2025, un opérateur d’infrastructure majeur interroge par défaut les nouveaux domaines sur l’autorisation des robots d’IA et permet de demander une contrepartie par page crawlée. Côté normes, le groupe AIPREF de l’IETF travaille un vocabulaire de préférences et un mécanisme de rattachement. La question « qui a le droit de lire mon site, et pour quel usage » cesse d’être binaire.
La mesure revient aux plateformes
En février 2026 pour Bing Webmaster Tools, en juin 2026 pour Search Console, les deux éditeurs se sont mis à publier de la donnée de première main sur les citations et les impressions dans leurs fonctionnalités d’IA. Cette donnée est partielle, le rapport de Search Console ne comporte ni clics ni requêtes, mais elle est de première main. Aucun outil extérieur ne peut produire l’équivalent.
L’interface devient un protocole
MCP décrit le raccordement d’un agent à des données, NLWeb expose un site comme point d’accès conversationnel adossé à Schema.org, ACP normalise le passage en caisse et AP2 l’autorisation de paiement. Un agent qui lit un flux ne lit pas une page, et ne voit ni votre mise en page ni votre argumentaire.
Ce que cette source ne dit pas
Le chapitre prospectif. Il est écrit comme une hypothèse argumentée, avec ses conditions de réfutation, et non comme une prédiction.
Aujourd’hui, observable
Trajectoire, non datée
Le déplacement progressif vers des interfaces capables de comparer, sélectionner ou exécuter certaines actions élargit la question au-delà de la citation. Ce guide ne soutient pas que les agents ont remplacé la recherche classique, et ne propose aucune date de bascule : les éléments publics disponibles ne permettent ni l’un ni l’autre. Il soutient que la colonne de droite devient une hypothèse assez coûteuse à ignorer pour mériter d’être préparée par les chantiers qui servent aussi la colonne de gauche.
Tant que la sortie d’un moteur est un texte lu par une personne, l’objet à optimiser est une mention. Dès que la sortie devient une action exécutée par un agent, réserver, commander, comparer puis acheter, l’objet devient une sélection. Ce n’est pas la même chose, et la différence est mesurable : une mention se compte, une sélection ne se comprend qu’en connaissant l’ensemble des options qui étaient sur la table.
C’est la raison pour laquelle une mesure sérieuse de la recommandation borne explicitement la liste proposée au moteur et publié cette borne. Sans elle, on ne sait pas si une marque est absente parce qu’elle est écartée ou parce que le format de la réponse ne laissait pas de place. Un acteur non retenu dans une liste de cinq n’est pas « non recommandable », il est non observé dans cette sortie. Confondre les deux produit des classements qui décrivent un format.
Un agent qui doit conclure une transaction a besoin d’éléments qu’une page de site expose rarement de façon exploitable : un prix qui fait foi, une disponibilité datée, des conditions de vente et de livraison, une identité stable du vendeur, et un chemin de paiement. Les briques qui normalisent exactement cela existent déjà. ACP décrit le passage en caisse et attend du marchand un flux produit. AP2 porte l’autorisation sous forme de mandats signés, et sa gouvernance a été transférée à la FIDO Alliance en mai 2026. MCP décrit le raccordement aux données. NLWeb expose un site comme point d’accès conversationnel, en s’appuyant sur Schema.org.
Aucune de ces briques n’est stabilisée. ACP reste en bêta, AP2 a changé de gouvernance en moins d’un an, les documents AIPREF ne sont pas finalisés. Quiconque vend aujourd’hui un état « prêt pour les agents » vend la conformité à un brouillon.
Risque d’absence
Si la couche de flux s’impose, une marque qui n’y figure pas n’est pas mal classée, elle n’est pas une option. Aucun travail éditorial ne compense une absence de la liste sur laquelle l’agent travaille. C’est un risque de nature binaire, et il ne se rattrape pas par un effort progressif.
Risque d’investissement mort
Symétriquement, investir dans une brique qui ne s’installe pas coûte sans rien produire. La proposition llms.txt en est l’exemple récent et documenté : largement relayée, adoptée par des milliers de sites, et déclarée non utilisée par le premier moteur du marché.
Face à deux risques opposés, la conduite rationnelle consiste à financer ce qui est exigé par tous les scénarios et à différer ce qui n’est exigé que par un seul. Quatre chantiers passent ce test, parce que chaque protocole candidat les présuppose sans exception.
Une entité canonique
Un nom exact, une seule forme, des identifiants cohérents entre les présences publiques. Un agent qui hésite entre deux graphies traite deux entités.
Des faits datés et corroborables
Des chiffres avec leur période, une date de publication et une date de mise à jour, des énoncés que d’autres sources confirment.
Un prix et une disponibilité lisibles par machine
Là où ils existent. C’est ce que tout flux transactionnel demande en premier, avant toute considération de marque.
Une politique d’accès décidée
Choisie ligne par ligne plutôt qu’héritée d’un modèle copié en 2023, et revue quand un agent nouveau apparaît.
Ce que cette source ne dit pas
Huit chantiers, classés par coût de l’inaction et non par gain promis. Aucun n’est présenté comme produisant une citation.
Décider la politique d’accès
Relire robots.txt agent par agent, ainsi que les règles du CDN. Vérifier qu’aucune directive écrite contre l’entraînement n’exclut par ricochet un agent de recherche. Coût de l’inaction : une valeur par défaut décide à votre place.
Fixer l’entité canonique
Une seule graphie du nom, une description identique partout, des identifiants publics cohérents. Créer une fiche de référence structurée si les critères d’admission sont remplis, sans forcer.
Dater les faits
Date de publication et date de mise à jour visibles, chiffres accompagnés de leur période et de leur source. Un fait sans date vieillit sans prévenir.
Écrire les énoncés que vous voulez voir repris
Sous forme vérifiable, courte, corroborable ailleurs. Les superlatifs ne se recoupent pas, les faits si.
Rendre prix et disponibilité lisibles par machine
Là où ils existent, en données structurées. C’est le premier élément que réclame toute couche transactionnelle.
Structurer en listes d’éléments
Offres, cas, questions, implantations. C’est la forme que consomment les points d’accès conversationnels adossés à Schema.org.
Brancher les données de première main
Le rapport de performance IA générative de Search Console et le rapport AI Performance de Bing Webmaster Tools. Partiels, mais de première main. Aucun outil extérieur ne produit l’équivalent.
Écrire ce qui invaliderait votre stratégie
Une page interne, datée, listant les hypothèses tenues pour vraies et les observations qui les renverseraient. Avec une date de revue. C’est ce qui distingue une stratégie d’un pari.
Une page prospective sans condition de réfutation est un communiqué. Voici les nôtres, écrites avant les faits, avec une date de revue fixée au 16 février 2027.
Si les documents AIPREF de l’IETF aboutissent à des spécifications publiées, robots.txt cesse d’être le seul point de contrôle et le chantier 01 doit être réécrit.
Si l’un des protocoles de commerce agentique devient dominant chez les marchands français, le flux produit devient un canal de distribution et le chantier 05 passe en première position.
Si Search Console ajoute des clics ou des requêtes à son rapport d’IA générative, la valeur relative d’une mesure extérieure baisse, et le chapitre 05 doit être révisé en conséquence.
Si un éditeur de moteur déclare publiquement consommer un fichier de type llms.txt, la position du chapitre 04 tombe et doit être corrigée le jour même.
Si aucune de ces quatre évolutions ne survient d’ici février 2027, l’hypothèse de couche protocolaire défendue au chapitre 06 est affaiblie et doit être présentée comme telle.
Chaque référence utilisée dans ce guide, avec sa date, sa nature, ce qu’elle établit et, surtout, ce qu’elle n’établit pas. Cette dernière colonne est celle qui manque partout ailleurs, et c’est celle qui protège un lecteur d’un contresens.
Régulateur français, données d’audience Médiamétrie NetRatings
Ce que la source établit
33 millions de visiteurs uniques sur des services d’IA en mars 2026, soit 57,1 % de la population française. Pénétration mensuelle des 12-17 ans passée de 8 % en janvier 2023 à 76 % en avril 2026.
Ce qu’elle n’établit pas
Ni ce que les personnes demandent, ni si une marque est citée, ni le moindre effet commercial. C’est une audience, pas un comportement de décision.
Enquête déclarative en population générale
Ce que la source établit
48 % des Français de 12 ans et plus déclarent utiliser l’IA générative. 51 % des utilisateurs en emploient au moins deux. 63 % ont eu principalement recours à ChatGPT. Le manque de confiance est le premier frein cité, à 30 %.
Ce qu’elle n’établit pas
Rien sur la fréquence réelle d’usage : une enquête déclarative mesure ce que les personnes disent faire, pas ce qu’elles font.
Mesure de navigation réelle sur panel, 900 adultes américains, mars 2025
Ce que la source établit
Un clic sur un résultat classique dans 8 % des visites comportant un résumé IA, contre 15 % sans. Un clic sur un lien du résumé lui-même dans 1 % des visites. Fin de session sur 26 % des pages avec résumé, contre 16 % sans.
Ce qu’elle n’établit pas
Ni la France, ni 2026, ni un effet sur les ventes. 900 personnes aux États-Unis sur un mois, et un comportement de clic n’est pas un chiffre d’affaires.
Documentation officielle de l’éditeur
Ce que la source établit
Aucun fichier lisible par machine spécifique à l’IA n’est nécessaire pour apparaître dans Google Search. Aucun découpage du contenu n’est requis. Aucun outil tiers n’a accès aux systèmes internes de classement de Google.
Ce qu’elle n’établit pas
Rien sur les autres moteurs. Une déclaration d’éditeur porte sur son propre produit, et l’absence d’une déclaration publique n’est pas la preuve d’un non-usage.
Publication académique avec banc d’essai
Ce que la source établit
Des méthodes d’optimisation de contenu augmentent la visibilité jusqu’à 40 % dans les réponses de moteurs génératifs, sur le banc d’essai GEO-bench construit par les auteurs.
Ce qu’elle n’établit pas
Aucun résultat sur une marque, un secteur ou un marché. Les auteurs écrivent eux-mêmes que l’efficacité varie selon les domaines.
Publication technique de laboratoire, expérience reproductible
Ce que la source établit
Le même prompt répété 1 000 fois à température 0 produit 80 complétions distinctes. Les 102 premiers tokens sont identiques, la divergence apparaît au 103e. La cause tenait à la dépendance des noyaux de calcul à la taille du lot.
Ce qu’elle n’établit pas
L’expérience porte sur un modèle à poids ouverts servi dans un cadre maîtrisé. Une interface commerciale ajoute d’autres sources de variation, elle n’en retire aucune.
Publication académique
Ce que la source établit
L’ordre des éléments candidats présentés dans un prompt pèse de façon disproportionnée sur les recommandations produites, avec une forte sensibilité à l’ordre d’entrée.
Ce qu’elle n’établit pas
Rien sur les réponses ouvertes sans liste fournie. Le résultat porte sur des tâches de recommandation à candidats donnés.
Publication académique, trois modèles commerciaux, catégorie cosmétique
Ce que la source établit
À spécifications identiques, les marques déjà connues sont recommandées dans la totalité des cas testés, avantage qui disparaît dès qu’un concurrent obtient moins d’un dixième d’étoile de plus. Lorsque toutes les marques adoptent la même stratégie d’optimisation, le gain individuel s’effondre, et les marques non participantes ne reçoivent aucune recommandation dans les tests.
Ce qu’elle n’établit pas
Une seule catégorie de produits, en conditions expérimentales. Ce n’est pas une observation du marché français.
Documentation officielle de l’éditeur
Ce que la source établit
Quatre agents documentés aux rôles distincts. Un site exclu de OAI-SearchBot n’apparaît pas dans les réponses de recherche de ChatGPT.
Ce qu’elle n’établit pas
Rien sur la manière dont une source est choisie parmi celles qui restent accessibles.
Annonce d’un opérateur d’infrastructure
Ce que la source établit
Les nouveaux domaines sont interrogés sur l’autorisation des robots d’IA, et une place de marché permet de demander une contrepartie par page crawlée.
Ce qu’elle n’établit pas
Ni le taux d’adoption réel, ni l’effet sur la présence des marques dans les réponses.
Sources écartées
Plusieurs chiffres très cités dans les contenus AEO francophones ne figurent pas dans ce guide, faute d’avoir retrouvé leur publication d’origine ou parce que celle-ci ne dit pas ce qu’on lui fait dire. C’est notamment le cas des coefficients de corrélation entre présence sur telle plateforme et citation par un modèle, des parts de marché des moteurs de réponse en France, et des estimations de bascule du chiffre d’affaires vers les assistants. Leur absence ici est un choix, pas un oubli.
Le sigle n’a pas d’importance
AEO, GEO, aucun n’est normalisé. Ce qui compte est l’objet mesuré : la présence d’une marque dans une réponse synthétisée, et la méthode qui permet de l’observer deux fois de la même façon.
La mesure est le sujet difficile
Une réponse se régénère, l’ordre de la question pèse sur son contenu, et les gains d’optimisation s’érodent quand tout le monde optimise. Sans répétitions, sans grille gelée et sans archive brute, on produit des chiffres, pas une mesure.
La couche technique se déplace
L’accès devient négocié, la donnée de citation revient aux plateformes, et l’interface se protocolarise. Financer ce que tous les scénarios exigent, différer ce qu’un seul exige.
La page méthodologie décrit le protocole, les moteurs réellement interrogés et les limites connues, avant tout résultat. C’est l’ordre de lecture que ce guide recommande pour n’importe quel fournisseur, y compris nous.
Guide rédigé par Marc Lugand-Sacy, publié le 16 août 2026. Prochaine revue programmée le 16 février 2027, avec les critères d’invalidation du chapitre 08.