Glossaire académique · GEO · Sémantique IA · Marketing Digital · Édition 2026
43 concepts clés du GEO — Generative Engine Optimization
Guide complet des notions fondamentales du GEO : de l’architecture RAG au chunking sémantique, du share of model aux métriques de citation. Pour chaque concept : une définition académique rigoureuse et une idée pédagogique concrète pour l’enseignement du marketing digital.
Infographies du cours
Infographie 1/5
Une requête, trois surfaces IA
Le SEO vous fait trouver dans les liens. Le GEO vous fait citer dans la réponse. Mais la réponse ne s’écrit pas au même endroit, ni avec les mêmes sources. Le GEO n’est pas une quatrième surface : c’est la discipline qui les vise toutes.
Google · 1
AI Overviews
Le résumé qui précède les liens.
Où
En haut de la page de résultats classique, quand Google juge la requête adaptée.
Réponse
Un paragraphe de synthèse rédigé par Gemini, suivi de liens sources.
Sources
L’index Google, élargi par des sous-requêtes (fan-out).
On travaille
Des pages déjà visibles en SEO, avec une réponse extractable en tête de section.
On mesure
La présence dans l’aperçu et les clics organiques restants.
Google · 2
Mode IA
La conversation à l’intérieur de Google.
Où
Onglet « Mode IA » de google.fr, ou question de suivi posée depuis un aperçu.
Réponse
Longue, en plusieurs tours : l’utilisateur relance sans repasser par les liens.
Sources
L’index Google seul, interrogé par de nombreuses sous-requêtes invisibles.
On travaille
Tout le cluster de sous-questions : le comment, le combien, le versus, le pour qui.
On mesure
Les citations sur un panel de questions, relevées plusieurs fois.
Hors Google · 3
Assistants IA
ChatGPT, Claude, Perplexity, Gemini.
Où
Dans l’interface de l’assistant, sans page de résultats.
Réponse
Une recommandation directe, souvent une courte liste de marques.
Sources
La mémoire du modèle et, quand il cherche, un moteur web qui n’est pas forcément Google.
On travaille
L’autorité externe : avis, presse, forums, Wikidata, nommage cohérent de la marque.
On mesure
La part de citations face aux concurrents, sur des prompts répétés.
22 juil. 2026
AI Overviews et Mode IA arrivent ensemble en France, deux ans après les États-Unis.
13,7 %
des URL citées sont communes aux aperçus et au Mode IA pour une même requête (Ahrefs, 540 000 paires, 2025).
9,2 %
des URL citées par le Mode IA reviennent dans trois relevés faits le même jour (SE Ranking, 10 000 mots-clés, juin 2025).
En cours : projeter l’infographie, puis faire relever aux étudiants les trois réponses pour une requête de leur secteur. Fiches associées : n°09 à 11.
Sources : Google · Ahrefs, AI Overviews vs AI Mode (2025) · SE Ranking (2025) · presse française, juillet 2026.
Infographie 2/5
Un chiffre d’infographie n’est pas une source
Quatre affirmations relevées dans des infographies GEO qui circulent sur LinkedIn, confrontées à ce que disent réellement leurs sources.
« 69 % des acheteurs B2B ont changé de fournisseur à cause d’une IA »
Attribué à G2, mars 2026
Chiffre réel, formulation gonfléeCe que dit la source
Rapport G2 « The Answer Economy », avril 2026, 1 076 acheteurs de logiciels : 69 % déclarent avoir choisi un autre éditeur que celui prévu, après les conseils d’un chatbot.
Ce qui cloche
Logiciels seulement, et déclaratif. Choisir un autre éditeur que prévu n’est pas quitter son fournisseur. G2, site d’avis que les IA citent, a intérêt à ce que les IA pèsent lourd.
« 29,7 M de Français sur ChatGPT chaque mois »
Attribué à Médiamétrie, sept. 2026
Source introuvableCe que dit la source
Pas retrouvé dans les publications publiques de Médiamétrie. Repères sourcés : 28,1 M de Français utilisent un agent conversationnel chaque mois, tous agents confondus (Médiamétrie, Année Internet 2025) ; 33 M ont utilisé un assistant IA en avril 2026 (Arcom).
Ce qui cloche
Ordre de grandeur plausible, mais un chiffre sans document reste une rumeur bien mise en page : on le source avant de le projeter.
« Il découpe : 1,83 recherche par réponse »
Attribué à un éditeur d’outil de suivi, 2026
Mécanisme réel, chiffre de vendeurCe que dit la source
Le découpage d’une question en sous-recherches existe : Google le documente sous le nom de query fan-out.
Ce qui cloche
Les moyennes viennent d’un éditeur d’outil, sur ses propres prompts, sans méthode publiée. L’infographie est signée par une agence qui vend ce service.
« Comment on vous cite : ChatGPT, Gemini, Claude »
Infographie « Stratégie SEO et recherche IA »
Bonne grille, à compléterCe que dit la source
Selon Ahrefs, aperçus et Mode IA ne partagent que 13,7 % de leurs URL citées : il n’existe pas une seule façon d’être cité.
Ce qui cloche
La grille trouver / citer est utile, mais elle range dans une seule case trois assistants qui ne cherchent pas avec le même moteur, et ignore les deux surfaces IA de Google.
La grille à donner aux étudiants. 1. Qui a produit le chiffre, et qu’y gagne-t-il ? 2. Quel échantillon, quel secteur, quel pays, quelle date ? 3. Mesure-t-on une déclaration, un comportement observé ou une simulation d’outil ? 4. La phrase de l’infographie dit-elle la même chose que l’étude ?
Sources : G2, The Answer Economy (2026) · Médiamétrie, L’Année Internet 2025 · Arcom (2026) · Ahrefs (2025). Vérifications au 5 novembre 2026.
Infographie 3/5
Commerce agentique : sept sigles décodés
Quand un agent IA cherche, choisit et achète à la place du client, la marque n’a pas la main sur tout. Ce qui dépend d’elle tient en deux sigles ; le reste relève de sa plateforme ou de ses prestataires.
Agir maintenant · la marque
PDP
Product Detail Page · fiche produit
La page que l’agent lit avant de vous retenir. À faire : caractéristiques complètes, prix en euros, livraison et retours, en texte lisible plutôt qu’en image.
GTIN
Global Trade Item Number · code EAN
Le code-barres mondial du produit. À faire : le renseigner pour chaque produit du flux, c’est lui qui permet de rapprocher votre fiche des autres sources.
Demander à sa plateforme e-commerce
ACP
Agentic Commerce Protocol · OpenAI et Stripe
Lancé en septembre 2025 pour acheter sans quitter ChatGPT (Instant Checkout). En mars 2026, OpenAI recentre ChatGPT sur la découverte : l’achat repasse sur le site ou l’app du marchand.
UCP
Universal Commerce Protocol · Google
Annoncé le 11 janvier 2026, co-développé avec Shopify, Etsy, Wayfair et Target : bouton « Acheter » dans le Mode IA et Gemini, aux États-Unis d’abord. Le détaillant reste le vendeur.
Laisser aux prestataires
AP2
Agent Payments Protocol · Google
Annoncé le 16 septembre 2025 : des « mandats » signés (intention, panier, paiement) prouvent ce que l’acheteur a autorisé. L’affaire du prestataire de paiement.
MCP
Model Context Protocol · Anthropic
Lancé en novembre 2024 : la prise standard qui relie un assistant IA à des outils et à des données. L’affaire des développeurs.
A2A
Agent2Agent · Google
Lancé en avril 2025 : le langage commun entre agents d’entreprises différentes. Rien à faire pour l’instant côté marque.
Correction par rapport à l’infographie d’origine. Elle présente le paiement dans ChatGPT comme une réalité à exploiter. Depuis mars 2026, ce n’est plus la direction prise par OpenAI : vérifier la date d’une infographie avant de la projeter fait partie de l’exercice.
En cours : faire classer à chaque groupe ses propres actions dans les trois étages. Fiches associées : n°27 (FAQPage Schema), n°36 (Structured Data).
D’après une infographie de Stéphane Tchokomeny (klaym.ai), vérifiée et mise à jour. Sources : Google (UCP, janv. 2026 ; AP2, sept. 2025) · Stripe (ACP) · Digital Commerce 360 (mars 2026).
Infographie 4/5
Où ChatGPT trouve-t-il les produits qu’il recommande ?
Une infographie qui circule affirme que ChatGPT construit son propre « Shopping Graph » à partir de flux fournis par les marques, le scraping de Google Shopping n’étant qu’une étape transitoire. Ce qui est annoncé et ce qui est mesuré ne disent pas la même chose.
Ce qui est annoncé
- OpenAI accepte des flux marchands directs : catalogue, prix, promotions, disponibilités.
- Des intégrations avec des enseignes et des plateformes (Shopify, Walmart, Target…).
- Septembre 2025 : achat dans ChatGPT. Mars 2026 : recentrage sur la découverte, l’achat repasse chez le marchand.
Ce qui est mesuré
- 83 % des produits des carrousels ChatGPT proviennent des résultats organiques de Google Shopping.
- 0,48 % seulement viennent de Bing ; 60 % sortent du top 10 Google Shopping.
- ChatGPT les trouve par des sous-requêtes shopping : le fan-out, appliqué au produit.
Verdict. Le « Shopping Graph » de ChatGPT est un cap, pas encore la réalité observée. Conséquence pratique, et paradoxale : en 2026, un flux Google Merchant Center propre reste le premier levier de visibilité produit… dans ChatGPT.
En cours : faire comparer, pour 5 produits, le carrousel ChatGPT et les résultats Google Shopping de la même requête. Fiche associée : n°13 (query fan-out).
D’après une infographie d’Eskimoz, confrontée aux données. Sources : étude Peec AI publiée par Search Engine Land (mars 2026, plus de 43 000 produits) · Digital Commerce 360 (mars 2026).
Infographie 5/5
La landing page « parfaite pour l’IA » : trier le GEO du CRO
Une check-list très partagée aligne 18 éléments censés rendre une page visible par les IA. Triés, seule la moitié concerne la citation ; le reste relève de la conversion classique. Rien n’y est mesuré : c’est un avis d’experte, pas une étude.
Pour être cité · 9
- Titre centré sur des entités nommées
- Sous-titre précis sur le public visé
- Problème formulé comme une question
- Solution donnée comme une réponse directe
- FAQ en langage naturel
- Données structurées (Schema.org)
- Signaux d’autorité : clients, médias, certifications nommés
- Ressource citable : donnée, schéma, data viz
- Tarifs transparents
Pour convertir · 6
- Bouton d’action visible sans défiler
- Ancrage de valeur et ROI
- Bénéfices plutôt que fonctionnalités
- Bloc d’action final « urgent »
- Offre de sortie (exit-intent), aimant à leads
- Chat ou contact humain
Pour les deux · 3
- Vitesse et mobile d’abord
- Preuve sociale avec vrais noms et chiffres
- Études de cas détaillées
Point de vigilance. L’urgence et les fenêtres de sortie ne font rien pour la citation, et Google pénalise depuis 2017 les interstitiels intrusifs sur mobile. Une page peut être excellente en CRO et muette pour les IA, et inversement.
En cours : donner la check-list brute et faire faire le tri par les étudiants avant de montrer celui-ci. Fiches associées : n°05 (answer-first), n°27 (FAQPage), n°32 (Entity Footprint).
D’après une infographie d’Anna York, triée et commentée.
Fondements du GEO
N°01/43
GEOGenerative Engine Optimization
Le GEO (Aggarwal et al., KDD 2024) est la pratique d’optimiser contenus et présence en ligne pour être cité, référencé ou recommandé dans les réponses générées par les moteurs IA (ChatGPT, Perplexity, Gemini, Copilot, Claude), y compris les aperçus IA et le Mode IA de Google. Contrairement au SEO qui optimise pour le rang dans un SERP, le GEO optimise pour la citation dans une réponse synthétisée — même sans clic vers le site. Gartner prévoyait en 2024 une baisse de 25 % du volume des moteurs de recherche classiques d’ici 2026, au profit des chatbots et agents IA.
Audit de visibilité IA : Les étudiants tapent la même question sur Google, Perplexity et ChatGPT. Ils comparent les sources citées dans chaque interface. Qui est visible en SEO mais invisible en GEO ? Qui est cité par l’IA sans être en page 1 Google ? L’expérience démontre que ranking et citation sont deux logiques distinctes.
N°02/43
AEOAnswer Engine Optimization
L’AEO (Answer Engine Optimization) est le terme concurrent de GEO, privilégié notamment par Profound. AEO insiste sur la dimension réponse : l’objectif est d’être la source qu’un moteur IA sélectionne pour répondre directement à une question. D’autres termes coexistent : LLMO, AI Search Optimization, AI Visibility Optimization.
Battle terminologique : Les étudiants cherchent GEO, AEO et LLMO dans Perplexity et ChatGPT. Quelles définitions ces IA donnent-elles ? L’exercice illustre que le GEO est lui-même un sujet à optimiser en GEO.
N°03/43
Zero-clickRecherche zéro clic
Une interaction zero-click se produit quand l’utilisateur obtient une réponse complète directement dans l’interface IA, sans jamais visiter un site web. Le GEO cible ce contexte post-click : la métrique de succès n’est plus le trafic vers le site, mais la mention et l’association de la marque à un domaine d’expertise dans l’esprit de l’utilisateur.
Calcul de la valeur zéro-clic : Les étudiants évaluent la valeur d’une citation IA sans clic : notoriété de marque, prescription implicite, influence sur la décision d’achat. Quel % du funnel se joue désormais dans ChatGPT avant toute visite de site ?
N°04/43
Share of ModelPart de modèle
Le share of model (ou AI Share of Voice) désigne le pourcentage de réponses IA — sur un corpus de requêtes représentatives d’un marché — qui citent ou recommandent une marque donnée. C’est la métrique centrale du GEO, équivalent du share of voice en publicité traditionnelle. Mesuré par des outils comme Profound, Otterly.ai, Peec AI ou Semrush AI.
Mesure manuelle du share of model : Chaque étudiant choisit un secteur et soumet 10 requêtes représentatives à ChatGPT et Perplexity, note les marques citées, et calcule le share of model de chaque acteur. Les leaders GEO sont-ils les mêmes que les leaders SEO ?
N°05/43
Answer-firstFormat réponse-d’abord
Le format answer-first structure le contenu en plaçant la réponse directe à une question dès le premier paragraphe, avant tout développement. Les moteurs IA extraient préférentiellement les passages autonomes qui répondent directement à une question sans nécessiter le reste de la page. Ce format s’oppose à la structure journalistique classique (accroche-développement-conclusion).
Réécriture answer-first : Les étudiants prennent un extrait journalistique (300 mots) et le réécrivent en format answer-first. Ils soumettent les deux versions à Claude en demandant lequel serait plus susceptible d’être cité. L’IA devient le juge de sa propre préférence.
N°06/43
GEO vs SEODifférences structurelles
Le SEO optimise au niveau de la page (rang dans le SERP, taux de clic, densité de mots-clés). Le GEO optimise au niveau du passage : un moteur IA peut citer un unique paragraphe de 60 mots d’un article de 3 000 mots en ignorant le reste. L’unité d’optimisation n’est plus la page mais le chunk autonome. Les mots-clés sont remplacés par les entités et les assertions vérifiables.
Tableau comparatif SEO vs GEO : Les étudiants construisent un tableau à 8 entrées (unité d’optimisation, métrique de succès, format de contenu, rôle des liens, rôle de la fraîcheur, plateformes cibles, outils de mesure, horizon de temps) et déduisent quand appliquer l’un, l’autre, ou les deux.
N°07/43
LLMOLarge Language Model Optimization
Le LLMO est une variante terminologique du GEO mettant l’accent sur l’optimisation pour les LLM spécifiquement. Le LLMO intègre la dimension synthèse : les LLM puissants génèrent de nouvelles formulations en combinant plusieurs sources. L’objectif est d’influencer cette synthèse, pas seulement d’être présent dans les sources.
Expérience de synthèse : Les étudiants fournissent à Claude trois sources contradictoires (une faible, une moyenne, une excellente) et observent comment il pondère et synthétise. Quel poids à la source la mieux structurée ? Quel poids aux chiffres cités ?
N°08/43
AI CrawlExploration IA
L’AI crawl est le processus par lequel les moteurs IA explorent et indexent les pages web : le robot télécharge le HTML brut, élimine le balisage superflu, tokenise chaque phrase, puis construit des vecteurs d’embeddings. Un balisage client-side JavaScript retarde ou empêche l’indexation IA. Le fichier robots.txt et les balises meta robots conditionnent l’accès des crawlers IA.
Audit d’accessibilité IA : Les étudiants utilisent le mode « lecture » du navigateur sur une page web pour simuler ce qu’un crawler IA extrait. Ce résidu de texte brut est exactement ce qu’un LLM traite. Exercice révélateur pour comprendre pourquoi la hiérarchie HTML compte.
Surfaces de réponse
Une même question peut recevoir trois réponses différentes, écrites à trois endroits, à partir de sources différentes. Le GEO n’est pas une quatrième surface : c’est la discipline qui les vise toutes. Avant d’optimiser, il faut donc savoir pour laquelle on optimise.
Repère : pour une même requête, aperçus IA et Mode IA ne partagent que 13,7 % de leurs URL citées (Ahrefs, 540 000 paires de requêtes, 2025). Vue d’ensemble : infographie 1.
N°09/43
AI OverviewsAperçus IA de Google
Les AI Overviews (aperçus IA) sont des résumés rédigés par Gemini qui s’affichent en haut de la page de résultats classique de Google, au-dessus des liens, pour les requêtes que Google juge adaptées. Ils citent quelques sources cliquables. Lancés aux États-Unis en mai 2024, ils sont actifs en France depuis le 22 juillet 2026. L’enjeu GEO est double : être cité dans l’aperçu, et mesurer les clics perdus par les liens situés en dessous.
Relevé avant / après : Les étudiants choisissent 10 requêtes de leur secteur et notent pour chacune : un aperçu s’affiche-t-il ? Quelles sources cite-t-il ? À quel rang ces sources apparaissent-elles dans les liens classiques ? Quelle part des sources citées vient du top 10, et quelle part vient d’ailleurs ?
N°10/43
Mode IAAI Mode de Google
Le Mode IA est l’interface conversationnelle de Google, accessible par un onglet dédié de google.fr ou par une question de suivi posée depuis un aperçu IA. Il produit une réponse longue, en plusieurs tours, construite par query fan-out à partir de l’index Google. Aperçus et Mode IA sont deux systèmes distincts : pour une même requête, ils ne partagent que 13,7 % de leurs URL citées, alors que leurs réponses sont sémantiquement proches à 86 % (Ahrefs, 2025). Lancé en France le même jour que les aperçus.
Deux Google, deux réponses : Pour 10 requêtes, les étudiants relèvent les sources de l’aperçu IA puis celles du Mode IA, et calculent leur propre taux de recoupement, à comparer aux 13,7 % d’Ahrefs. Ils refont ensuite le relevé du Mode IA une heure plus tard : les sources ont-elles bougé ? Discussion : que vaut un audit fait sur un seul relevé ?
N°11/43
Assistants IAAssistants conversationnels hors Google
Les assistants conversationnels (ChatGPT, Claude, Perplexity, l’application Gemini) répondent hors de toute page de résultats. Ils combinent ce que le modèle a appris pendant son entraînement et, quand ils lancent une recherche, des pages récupérées sur le web via un moteur qui n’est pas forcément Google. Ils recommandent souvent une courte liste de marques : la mention compte davantage que le clic. C’est le terrain sur lequel le GEO a d’abord été défini (Aggarwal et al., 2024).
Mémoire ou recherche ? : Les étudiants posent la même question de recommandation à un assistant, recherche web désactivée puis activée. Quelles marques viennent de la mémoire du modèle, lesquelles des pages récupérées ? Une marque absente des deux est invisible ; une marque présente seulement avec la recherche dépend de sa visibilité web du moment.
Architecture technique
N°12/43
RAGRetrieval-Augmented Generation
Le RAG (Lewis et al., 2020) est l’architecture qui détermine quelles sources sont citées dans les réponses IA. Quand un utilisateur pose une question à Perplexity ou ChatGPT Search, le système : (1) convertit la question en vecteur d’embedding, (2) retrouve les passages les plus proches (cosine similarity), (3) injecte ces passages dans le contexte du LLM. Le GEO vise précisément à optimiser le contenu pour l’étape 2.
Construire un mini-RAG en 2 heures : Les étudiants utilisent NotebookLM (Google, gratuit) pour créer un RAG sur leurs propres notes de cours. Ils testent des questions et observent quels passages sont récupérés. L’expérience rend tangible pourquoi un passage bien structuré est récupéré plutôt qu’un autre moins clair.
N°13/43
Query Fan-outDécomposition de requête
Le query fan-out désigne le processus par lequel un moteur IA décompose une requête en sous-requêtes liées, lancées en parallèle, dont il synthétise les résultats. Google le documente pour ses aperçus IA et son Mode IA ; le terme a été popularisé en SEO par Go Fish Digital (2025). Google ne publie pas ces sous-requêtes : aucun outil ne les montre réellement. Exemple : « Meilleur CRM pour startup » génère automatiquement les sous-requêtes « tarifs CRM startup », « fonctionnalités CRM », « intégrations CRM ». Un contenu doit couvrir cet écosystème de sous-requêtes.
Cartographier le fan-out d’une requête : Les étudiants choisissent une requête métier et demandent à Claude de générer les 20 sous-requêtes qu’un LLM pourrait utiliser pour y répondre. Ce travail devient leur plan de contenu GEO pour les 6 prochains mois. À dire clairement : c’est une simulation, les vraies sous-requêtes ne sont visibles nulle part. Pour s’en approcher, comparer la liste générée aux « Autres questions posées » de Google et aux sources effectivement citées par le Mode IA.
N°14/43
Passage RetrievalExtraction de passages
Le passage retrieval est la capacité d’un système IA à extraire et évaluer des passages spécifiques à l’intérieur d’une page, indépendamment du rang global. Un paragraphe de page 3 peut être cité devant l’ensemble d’une page 1. Les passages qui perdent leur sens hors contexte (« comme mentionné précédemment ») sont systématiquement défavorisés.
Test d’autonomie des passages : Les étudiants prennent un article et lisent chaque paragraphe en isolation. Combien sont compréhensibles seuls ? Le « test d’autonomie » : seuls les passages autonomes sont récupérés par les IA. Ils réécrivent les passages échec.
N°15/43
EmbeddingVecteur sémantique
Un embedding est une représentation numérique dense d’un texte dans un espace vectoriel de haute dimension (768 à 3 072 dimensions). Les moteurs IA ne font pas de matching par mots-clés mais par proximité vectorielle : un contenu sur « optimisation pour moteurs génératifs » peut apparaître pour la requête « GEO » même sans contenir ce sigle.
Visualisation des embeddings : Sur projector.tensorflow.org (gratuit), les étudiants visualisent en 3D comment des concepts proches se regroupent dans l’espace vectoriel. Exercice pratique : tester si leur article est plus proche sémantiquement de la requête cible que les articles concurrents.
N°16/43
Cosine SimilaritySimilarité cosinus
La similarité cosinus est la mesure mathématique utilisée par les systèmes RAG pour évaluer la proximité entre le vecteur d’une requête et le vecteur d’un passage candidat. Un score de 1.0 indique une identité parfaite, 0 une absence de relation. La couverture exhaustive des champs sémantiques d’un sujet augmente la probabilité d’être sélectionné.
Course à la similarité : Les étudiants écrivent deux paragraphes définitoires (un riche en termes variés du même champ sémantique, un avec répétition de mots-clés). Lequel l’IA récupère-t-elle en priorité ? Résultat habituel : la richesse sémantique bat la densité de mots-clés.
N°17/43
Context WindowFenêtre de contexte
La fenêtre de contexte est la quantité maximale de texte (en tokens) qu’un LLM peut traiter en une seule fois. En 2026, elle va d’environ 100 000 à plus d’un million de tokens selon les modèles : vérifier la fiche du modèle utilisé. Dans un système RAG, seuls les passages sélectionnés sont injectés dans cette fenêtre. Un contenu verbeux ou répétitif consomme inutilement le budget de tokens disponible.
Calculer son token budget : Les étudiants utilisent le tokenizer d’OpenAI pour compter les tokens d’un article. Combien de tels articles tiennent dans la fenêtre de contexte de Claude ? Combien de sources concurrentes l’IA peut-elle comparer simultanément ? Cet exercice rend concrète la compétition pour l’espace de contexte.
N°18/43
Freshness ScoreSignal de fraîcheur
Le freshness score est la pondération accordée par les moteurs IA à la récence d’un contenu. Frase (2025) rapporte que les URLs citées par les IA sont en moyenne 25,7 % plus récentes que les résultats SEO traditionnels. Perplexity privilégie les articles des 90 derniers jours. Chaque mise à jour avec de nouvelles données réactive la fraîcheur d’une page.
Stratégie de fraîcheur : Les étudiants analysent 3 articles sur un même sujet (vieux, récent, vieux mais mis à jour régulièrement). Ils demandent à Perplexity lequel est cité. Résultat à discuter : la mise à jour régulière bat souvent la création d’un nouvel article.
N°19/43
RerankingRéordonnancement des sources
Le reranking est l’étape post-retrieval où un second modèle évalue la pertinence, l’autorité et la cohérence des passages récupérés pour sélectionner les meilleurs à injecter dans le contexte du LLM. Les sources de confiance établies (Wikipedia, presses universitaires) sont soumises à un filtrage plus léger. Pour le contenu de marque sur le web public, il faut franchir des filtres stricts.
Analyse de la hiérarchie de crédibilité : Les étudiants classent les sources citées par ChatGPT sur un sujet (académique, presse, blog corporate, forum, Wikipedia). Ils analysent la proportion de chaque type. Pourquoi Wikipédia domine-t-il ? Selon Profound (août 2024 – juin 2025), il pèse 47,9 % des citations du top 10 des sources de ChatGPT, mais 7,8 % de l’ensemble des citations. Lequel des deux chiffres circule le plus, et pourquoi ?
Optimisation du contenu
N°20/43
ChunkBloc de contenu autonome
Un chunk est une unité de contenu autonome et auto-suffisante que les systèmes RAG peuvent indexer, récupérer et citer indépendamment. Chaque chunk devrait : (1) répondre à une question spécifique, (2) se comprendre sans contexte extérieur, (3) contenir toutes les informations clés en 60 à 200 mots. Un moteur IA extrait un chunk, pas une page entière.
Atelier de chunking manuel : Les étudiants prennent un article de 2 000 mots et le découpent en chunks optimaux (50-200 mots, autonomes, chacun répondant à une sous-question). Ils soumettent les chunks candidats à Claude pour évaluation. Exercice concret de micro-optimisation GEO.
N°21/43
Semantic ChunkingChunking sémantique
Le semantic chunking (Ansehn Glossary, 2025) découpe le contenu par unité de sens (en suivant les titres H2/H3) plutôt que par longueur fixe. Il s’oppose au chunking mécanique (couper tous les 512 tokens). Chaque chunk sémantique couvre exactement un concept : ne pas mélanger définition et instructions dans le même bloc.
Chunking mécanique vs sémantique : Les étudiants découpent un même article selon deux stratégies (coupures à 500 tokens vs coupures aux titres H2/H3). Ils comparent : lesquels sont autonomes ? Lesquels coupent une idée au milieu ? La structure H2/H3 est une décision d’architecture GEO.
N°22/43
ChunkabilitySegmentabilité
La chunkability (Searchable, 2025) désigne la facilité avec laquelle un contenu peut être décomposé en blocs autonomes. Un contenu à forte chunkability a des titres descriptifs (pas créatifs), des paragraphes courts et autonomes, des définitions explicites en début de section. Un contenu narratif et fluide — excellent pour la lecture humaine — est souvent invisible pour les IA.
Score de chunkability : Les étudiants élaborent une grille à 6 critères (titre descriptif, paragraphe autonome, définition présente, chiffre avec source, longueur optimale, absence de référence croisée). Ils scorent 3 pages concurrentes (/6). L’outil devient réutilisable pour auditer n’importe quel contenu GEO.
N°23/43
Entity DensityDensité d’entités
La densité d’entités mesure la concentration de concepts nommés et reconnaissables (personnes, marques, lieux, produits, termes techniques) dans un contenu. Les moteurs IA favorisent les contenus avec des entités précises et cohérentes plutôt que des formulations vagues (« notre solution », « les experts »). Nommer explicitement augmente la pertinence vectorielle.
Chasse aux entités floues : Les étudiants surlignent dans un article toutes les références vagues (« certains experts », « une étude récente ») et les remplacent par les entités précises (nom, date, organisation). Avant/après : l’article devient beaucoup plus solide pour un crawleur IA.
N°24/43
Semantic DensityDensité sémantique
La densité sémantique (Ansehn Glossary, 2025) mesure la richesse conceptuelle d’un bloc de contenu : le nombre de concepts, faits, chiffres et relations pertinents par rapport à la longueur du texte. Frase recommande un ratio de 150 à 200 mots par statistique avec source. La densité sémantique est une métrique distincte de la longueur : un texte court et dense bat un texte long et creux.
Mesure de la densité sémantique : Les étudiants comptent dans un article de 1 000 mots : faits chiffrés avec source, définitions, exemples concrets, références nommées. Ils calculent le score de densité et comparent 3 articles concurrents. L’article le plus dense est-il celui que Perplexity cite en priorité ?
N°25/43
Topical AuthorityAutorité thématique
L’autorité thématique désigne la profondeur et la complétude de la couverture d’un domaine sur un site. Les moteurs IA évaluent si un site couvre exhaustivement les sujets adjacents, les définitions, les comparaisons, les cas d’usage et les questions fréquentes d’un domaine. Un LLM a besoin de trouver plusieurs preuves de l’expertise sur l’ensemble d’un cluster thématique, pas une seule page isolée.
Audit de coverage thématique : Les étudiants cartographient les sous-thèmes que couvre un concurrent bien cité par les IA vs un site peu cité. Ils identifient les white spaces (sous-thèmes non couverts) et construisent un plan de contenu pour combler les écarts. Base d’un audit GEO concurrentiel.
N°26/43
Topic ClusterGrappe thématique
Un topic cluster est une architecture de contenu composée d’une page pilier et de pages satellites interconnectées par des liens internes. Pour le GEO, cette architecture signale à l’IA que le site est une référence exhaustive sur un domaine. Le query fan-out d’une seule question peut nécessiter des réponses issues de plusieurs pages du même cluster.
Design d’un topic cluster GEO : Les étudiants choisissent un sujet et dessinent l’architecture complète : page pilier centrale + 10 pages satellites + liens internes. Ils cartographient comment le fan-out d’une requête utilisateur traverse plusieurs pages du cluster. Livrable : architecture avec intentions de recherche par page.
N°27/43
FAQPage SchemaBalisage Q&R structuré
Le FAQPage Schema est un balisage JSON-LD de type Schema.org qui marque les paires question-réponse d’une page de façon machine-lisible. Les moteurs IA peuvent extraire directement ces Q&R sans analyser le reste de la page HTML. Chaque Q&R est un chunk autonome pré-structuré, immédiatement exploitable par un système RAG. Bing et Google confirment utiliser les données structurées dans leurs LLM.
Générer et valider un FAQPage Schema : Les étudiants identifient 8 questions clés sur un sujet, rédigent les réponses en format answer-first (50-100 mots), génèrent le JSON-LD avec Claude, et le valident sur schema.org/validator. Exercice concret qui produit un livrable directement intégrable dans WordPress.
N°28/43
BurstinessVariété structurelle
La burstiness (Optimizely, 2025) désigne la variation de longueur, de structure et de complexité des phrases au sein d’un texte. L’écriture humaine présente une forte burstiness (alternance de phrases courtes et longues) alors que les textes IA-générés sont souvent homogènes. Hypothèse répandue chez les praticiens mais non démontrée : un texte trop uniforme serait repéré comme généré et pondéré plus faiblement. Aucun moteur ne confirme un tel filtre ; on l’enseigne comme une piste de qualité rédactionnelle, pas comme un critère de sélection.
Diagnostic burstiness : Les étudiants analysent un article IA-généré et un article humain sur le même sujet. Ils mesurent la longueur moyenne des phrases et l’écart-type. L’article IA a généralement un écart-type plus faible. Discussion sur comment éditer un contenu IA pour restaurer la burstiness.
Autorité & confiance
N°29/43
E-E-A-TExperience, Expertise, Authoritativeness, Trustworthiness
E-E-A-T (Google Search Quality Rater Guidelines, 2024) est le cadre d’évaluation de la qualité de contenu utilisé par Google et adopté comme signal de confiance par les moteurs IA. Experience : expérience directe du sujet. Expertise : compétences reconnaissables. Authoritativeness : citations par des sources tierces. Trustworthiness : information vérifiable et transparente. Les bios d’auteurs détaillées et les citations académiques signalent l’E-E-A-T.
Audit E-E-A-T d’une page : Les étudiants évaluent 3 pages concurrentes sur une grille E-E-A-T (4 critères × 3 niveaux) puis refont l’audit en demandant à Claude d’évaluer les mêmes pages. Les scores concordent-ils ? Discussion sur les signaux de confiance machine vs humain.
N°30/43
GroundingAncrage factuel
Le grounding désigne le fait qu’une réponse IA est ancrée dans des sources vérifiables. Pour le GEO, le contenu doit être « groundable » : chaque assertion doit pouvoir être vérifiée par une source tierce. Les contenus non groundables (opinions non attribuées, chiffres sans source, affirmations absolues sans preuve) sont défavorisés dans la sélection des sources par les moteurs IA.
Grounding score : Les étudiants comptent, dans un article, le pourcentage d’assertions factuelles attribuées à une source explicite. Ratio : assertions attribuées / total assertions factuelles. Un grounding score > 70 % caractérise les contenus que les IA préfèrent citer.
N°31/43
Consensus BuildingConstruction du consensus inter-sources
Le consensus building (Discovered Labs, 2025) désigne le principe selon lequel les systèmes IA privilégient les affirmations qui apparaissent de façon concordante dans plusieurs sources indépendantes. Une affirmation soutenue par une seule source est pondérée moins fortement qu’une affirmation confirmée par trois sources indépendantes. Une stratégie GEO doit être omnicanale : site propre + mentions dans des sources tierces.
Analyse du consensus IA : Pour un fait donné (« 63 % des sites reçoivent du trafic IA »), les étudiants cherchent combien de sources indépendantes le reprennent et comment ChatGPT le présente. Comparaison avec un chiffre issu d’une seule source. Discussion sur la stratégie de diffusion de données propriétaires pour créer du consensus.
N°32/43
Entity FootprintEmpreinte d’entité
L’entity footprint désigne l’ensemble de la présence numérique d’une entité à travers les sources que les IA consultent : site web, Wikipedia, Google Knowledge Panel, profils réseaux sociaux, citations académiques, avis, forums, podcasts. Plus l’empreinte est large et cohérente, plus l’IA fait confiance à l’entité. Une entité absente des sources tierces est difficile à citer avec confiance.
Audit d’empreinte d’entité : Les étudiants tapent le nom d’un expert dans ChatGPT et observent les informations spontanément produites. Puis ils vérifient l’empreinte : Wikipedia ? HAL ? Google Scholar ? Presse ? Chaque absence est un point faible à combler.
N°33/43
Citation AuthorityAutorité de citation
L’autorité de citation désigne la crédibilité structurelle d’un contenu, évaluée par le nombre et la qualité de ses références à des sources externes reconnues (publications académiques, organismes officiels, médias de référence). Les moteurs IA utilisent ce signal comme proxy de qualité : un contenu qui cite bien a probablement été rédigé avec rigueur.
Enrichissement de l’autorité : Les étudiants prennent un article sans références et l’enrichissent de 5 citations vérifiables (article académique, rapport officiel, donnée statistique). Ils soumettent les deux versions à une interface IA et observent si la réponse change. Le référencement académique est aussi un levier GEO.
N°34/43
Knowledge GraphGraphe de connaissances
Un knowledge graph est une base de connaissances structurée sous forme de réseau d’entités et de relations. Google Knowledge Graph et Wikidata alimentent les LLM en informations factuelles structurées. Une entité présente dans ces graphes avec des propriétés détaillées est reconnue avec plus de confiance par les IA. L’inscription dans Wikidata est une étape stratégique du GEO.
Exploration du Knowledge Graph Google : Les étudiants utilisent l’API Google Knowledge Graph (gratuite) pour chercher une marque ou un auteur. Présente-t-il une fiche structurée ? Quelles propriétés sont renseignées ? Comparaison avec une entité absente. Comment entrer dans le Knowledge Graph ?
N°35/43
Off-site GEOGEO hors-site
Le GEO hors-site désigne la gestion de la présence d’une marque sur les plateformes tierces que les moteurs IA consultent fréquemment : Reddit (46,7 % des citations du top 10 des sources de Perplexity, 6,6 % de l’ensemble selon Profound, 2025), Quora, LinkedIn, YouTube, forums, presse, articles académiques. Contrairement au SEO centré sur le site propre, le GEO est systématiquement omnicanal.
Mapping off-site d’un concurrent : Les étudiants analysent où un concurrent bien cité par les IA est mentionné hors de son site (Reddit, Quora, LinkedIn, podcasts, presse). Ils cartographient les 5 plateformes à investir en priorité pour une stratégie off-site GEO.
N°36/43
Structured DataDonnées structurées
Les données structurées (Schema.org, JSON-LD) sont des balises machine-lisibles insérées dans le HTML qui décrivent explicitement le type de contenu, ses propriétés et les relations entre entités. Les schemas les plus efficaces pour le GEO : FAQPage, Article/BlogPosting, Person, Organization, HowTo. Bing et Google confirment que leurs LLM utilisent les données structurées.
Implémentation et validation de Schema.org : Les étudiants génèrent avec Claude un JSON-LD complet (Person + BlogPosting + FAQPage), le valident sur schema.org/validator et rich-results.google.com. Le « code » SEO/GEO est accessible sans être développeur.
Mesure & pilotage
N°37/43
Citation RateTaux de citation
Le taux de citation désigne la fréquence à laquelle un contenu ou une marque est cité(e) dans les réponses de moteurs IA sur un corpus de requêtes représentatives. Il s’exprime en pourcentage de réponses incluant une citation. Aggarwal et al. (KDD 2024) mesurent jusqu’à +40 % de visibilité grâce aux techniques GEO, sur leur banc d’essai GEO-bench : un gain expérimental, pas une progression observée sur le web réel. Outils : Profound, Otterly.ai, Peec AI, Semrush AI, Ahrefs.
Mesure manuelle du taux de citation : Les étudiants soumettent 10 requêtes liées à un sujet sur 3 plateformes (Perplexity, ChatGPT, Gemini), notent les sources citées et calculent le taux de citation de chaque domaine. La méthode manuelle rend concrète ce que les outils payants automatisent.
N°38/43
Cited Domain SharePart de domaine cité
Le cited domain share mesure le pourcentage des citations IA d’un secteur attribuable à un domaine spécifique. C’est une métrique concurrentielle. Les LLM ne citent en moyenne que 2 à 7 domaines par réponse (Profound, 2025), contre 10 liens bleus Google. La concentration est extrême : le winner-takes-most s’applique encore plus en GEO qu’en SEO.
Analyse de concentration GEO : Les étudiants récupèrent 20 réponses Perplexity sur un secteur et comptent les domaines cités. Combien de domaines uniques apparaissent ? Quelle est la distribution ? Est-ce plus concentré que les résultats Google du même secteur ?
N°39/43
Citation DriftDérive des citations
La citation drift (Ansehn Glossary, 2025) désigne le phénomène par lequel les sources citées par les moteurs IA pour une même question changent significativement au fil du temps, même sans modification du contenu. Ce phénomène résulte des mises à jour des modèles et de la variation stochastique inhérente aux LLM. Il rend le monitoring continu indispensable.
Expérience de drift en temps réel : Les étudiants posent la même question à Perplexity 5 fois de suite et notent les sources citées à chaque réponse. Varient-elles ? Cette variabilité stochastique illustre pourquoi un seul snapshot ne suffit pas et pourquoi la mesure GEO nécessite des itérations répétées.
N°40/43
AI Visibility ScoreScore de visibilité IA
Le AI Visibility Score est une métrique composite agrégeant fréquence de citation, contexte de la mention (positive, neutre, négative), niveau de détail de la référence et nombre de plateformes IA couvertes. Des outils comme Otterly.ai, Profound et Ahrefs (2025) proposent leurs propres implémentations. Il devient un KPI stratégique que certains CMOs reportent au COMEX.
Construire un dashboard GEO minimal : Les étudiants conçoivent sur Google Sheets un dashboard à 5 indicateurs : taux de citation sur 10 requêtes test, nombre de plateformes couvrant la marque, positivité de la mention (1-5), cited domain share estimé, delta par rapport au mois précédent. Exercice de reporting adapté au budget zéro.
N°41/43
Citation DecayDégradation des citations
La citation decay désigne la perte progressive de citations IA pour un contenu non mis à jour, tandis que des contenus concurrents plus frais sont indexés. La dégradation est rapide dans les domaines à forte vélocité (IA, finance, droit). Des outils comme Frase Content Watchdog (2025) détectent et alertent automatiquement sur la citation decay.
Stratégie anti-decay : Les étudiants identifient les pages de fondation d’un site (les plus citées par les IA) et définissent un protocole de mise à jour préventive : quels éléments actualiser en priorité ? à quelle fréquence selon la volatilité du sujet ? Livrable : planning de maintenance GEO sur 12 mois.
N°42/43
AI Referral TrafficTrafic référent IA
L’AI referral traffic désigne les visites sur un site provenant de clics sur des citations IA dans ChatGPT, Perplexity, Copilot ou Claude. Le trafic issu des aperçus IA et du Mode IA de Google arrive, lui, sous le référent google.com : il se fond dans l’organique. Selon Previsible (2025), ce trafic a augmenté de 527 % sur les 5 premiers mois de 2025 et convertit à 4,4 fois le taux du trafic organique classique car l’IA a déjà pré-qualifié la source.
Analyser le trafic IA dans GA4 : Les étudiants configurent dans Google Analytics 4 un segment de trafic référent filtré sur les domaines IA (chatgpt.com, chat.openai.com, perplexity.ai, gemini.google.com, claude.ai, copilot.microsoft.com). Ils comparent les métriques d’engagement avec le trafic organique classique. Si le trafic IA convertit mieux, cela justifie l’investissement GEO.
N°43/43
GEO AuditAudit GEO
Un audit GEO est une évaluation systématique de la visibilité d’un site dans les réponses des moteurs IA. Il couvre : (1) benchmark de citation rate, (2) analyse de chunkability, (3) audit E-E-A-T, (4) données structurées, (5) couverture thématique vs topic cluster, (6) empreinte off-site, (7) freshness des contenus stratégiques. C’est l’équivalent GEO de l’audit SEO technique.
Projet fil rouge : l’audit GEO complet : Sur 4 semaines, les étudiants réalisent un audit GEO d’un site réel en 7 volets. Semaine 1 : citation benchmark. Semaine 2 : audit contenu (chunkability, densité, E-E-A-T). Semaine 3 : données structurées et technique. Semaine 4 : empreinte off-site + recommandations priorisées. Livrable : rapport GEO de 15 pages avec roadmap 6 mois.
Ce que ces 43 concepts ont en commun
Le GEO repose sur une logique radicalement différente du SEO : l’unité d’optimisation n’est plus la page mais le chunk ; la métrique de succès n’est plus le rang mais le taux de citation ; la cible n’est plus le crawler de Google mais les systèmes qui rédigent la réponse, chez Google comme chez ChatGPT, Claude ou Perplexity. Et cette réponse ne s’écrit pas à un seul endroit : aperçus IA, Mode IA et assistants sélectionnent des sources différentes. Comprendre ces 43 concepts permet d’aborder le marketing digital de 2026 avec les bons outils conceptuels.
Ressource complémentaire : la Table Périodique interactive de l’IA & du Management propose une vision visuelle des 50 concepts clés de l’IA générative dans un format cliquable.
Références clés : Aggarwal et al. (2024), GEO: Generative Engine Optimization, KDD ’24 — Go Fish Digital (2025) — Frase.io (2025) — Searchable Glossary (2025) — Discovered Labs (2025) — Wikipedia GEO (2025) — Google Search Central, « AI features and your website » — Ahrefs (2025), AI Overviews vs AI Mode — Profound (2025), AI Platform Citation Patterns — Gartner (2024).
Référentiel rapide
43 concepts × 43 exercices — tableau de bord pédagogique
Vue synthétique de l’ensemble des concepts et de leurs exercices associés. À utiliser comme feuille de route pour un cours de 6 à 8 séances sur le GEO.