En préparant notre livre blanc* sur la visibilité des marques dans les IA conversationnelles, nous avons fait ce que beaucoup de gens font depuis quelque temps : nous avons essayé de mettre des définitions sur les sigles de l’AI Visibility. AEO ici, GEO là, LLMO un peu plus loin. On a construit un tableau bien propre 😅, mais il racontait une histoire beaucoup plus nette que la réalité, en faisant disparaître les porosités pourtant nombreuses entre chaque définition.

Les définitions se chevauchent, les outils ne mesurent pas tous la même chose et chaque semaine semble apporter un nouveau terme. On aurait pu balayer tout cela d’un revers de main en disant que ce n’est que du vocabulaire. Mais ce serait dommage, parce que ces mots essaient tout de même de décrire un vrai changement : une partie de la recherche se déroule maintenant dans des interfaces qui composent une réponse, au lieu de nous laisser construire seuls la nôtre à partir d’une liste de liens que Google nous livrait bruts.

Ce qui pourrait même être gênant, c’est la facilité avec laquelle on peut donner l’impression que chaque sigle correspond déjà à une discipline parfaitement installée, avec ses règles, ses recettes ou même son score de référence. Le sujet est encore en train de se construire. Le problème commence lorsqu’on présente comme des règles établies ce qui reste, pour l’instant, une observation ou une hypothèse.

Avant d’aller plus loin, il faut tout de même faire un peu de tri dans ces mots.

Des mots utiles, mais encore un peu flottants

Commençons par reconnaître une chose : selon les acteurs, l’AEO et le GEO peuvent désigner des travaux très proches. L’AEO, pour Answer Engine Optimization, est généralement utilisé pour parler du travail qui aide une information à être reprise dans une réponse directe. Le terme existait déjà pour les extraits enrichis, ces réponses que Google affiche parfois au-dessus de la liste de liens, ainsi que pour les assistants vocaux qui lisent une réponse à voix haute. Aujourd’hui, il est également employé pour les réponses produites par l’IA.

Le GEO, ou Generative Engine Optimization, désigne plus précisément la visibilité des contenus dans les réponses composées par des moteurs génératifs.

Dans la pratique, l’AEO et le GEO se recouvrent largement, ce qui explique qu’ils soient parfois utilisés comme des synonymes.

Le LLMO, pour Large Language Model Optimization, est souvent employé lorsqu’on parle du travail mené pour qu’une marque soit plus facile à comprendre ou à représenter par les grands modèles de langage. Un LLM est l’une des briques techniques qui permet à des IA conversationnelles comme ChatGPT, Claude ou Gemini de produire du texte.

Quant à l’AI Visibility, elle décrit plutôt le résultat que l’on essaie d’observer : où la marque apparaît-elle, sous quelle forme et avec quelle fidélité ?

Pour s’y retrouver Un même sujet, regardé sous quatre angles
AEO La réponse directe

Comment rendre une information facile à reprendre dans une réponse.

GEO La réponse générée

Comment un contenu trouve sa place dans une réponse composée par une IA.

LLMO La compréhension de la marque

Comment les grands modèles représentent une marque, ses offres et ses preuves.

AI Visibility Ce que l’on observe

Où la marque apparaît, sous quelle forme et avec quelle fidélité.

Les frontières ne sont pas étanches. Ces termes se recouvrent souvent et ne désignent pas quatre métiers parfaitement séparés.

Le terme GEO n’est pas sorti de nulle part. Un article scientifique soumis en 2023, puis accepté à KDD 2024, a proposé un cadre et des métriques pour étudier la visibilité dans les moteurs génératifs. Ce travail a mis des mots sur un problème que les marques commencent à ressentir très concrètement : une IA peut utiliser plusieurs sources, les rapprocher et les reformuler sans leur donner la place identifiable qu’elles auraient eue dans une page de résultats.

L’article proposait un cadre de recherche, sans prétendre fournir une méthode valable partout, pour toutes les IA conversationnelles, toutes les langues et toutes les entreprises. Depuis, le marché s’est emparé du terme, et c’est peu de le dire, en lui faisant parfois porter beaucoup de choses. Mais c’est assez classique lorsqu’une pratique apparaît : le vocabulaire se stabilise après les usages, rarement avant 🤷‍♀️.

Une fois ce vocabulaire posé, on peut revenir à ce qui nous intéresse vraiment : qu’est-ce qu’une marque cherche à comprendre, et que pourra-t-elle faire de la réponse ?

Quand on dit « visible », on parle de quoi au juste ?

Les malentendus commencent souvent ici. Parce qu’une entreprise peut dire qu’elle veut être visible dans ChatGPT alors qu’elle souhaite en réalité voir son site cité. Une autre entreprise, elle, attend « juste » que son nom apparaisse dans une liste de solutions. Et puis il y a cette troisième qui se préoccupe surtout de la manière dont son activité est décrite.

Ces attentes sont toutes légitimes, mais elles n’appellent ni le même travail ni les mêmes indicateurs.

Il faut aussi regarder l’endroit où l’on mène l’observation. Une réponse de ChatGPT n’est pas une réponse de Claude, de Gemini ou de Perplexity. Une réponse générée dans Google Search ajoute encore une autre logique. Et, dans un même outil, le résultat peut dépendre de l’accès au Web, de la langue, du territoire, du contexte de la conversation ou simplement de la manière dont la question est posée…

Les conditions d’accès changent elles aussi selon les plateformes. Pour AI Overviews et AI Mode, les fonctionnalités génératives intégrées à Google Search, Google explique que les fondamentaux du SEO restent la base et précise qu’aucun fichier llms.txt ni balisage spécial n’est nécessaire pour y apparaître. OpenAI, en revanche, indique qu’un site doit autoriser OAI-SearchBot pour pouvoir figurer dans les résultats de recherche de ChatGPT, mais sans que cette accessibilité garantisse sa présence dans une réponse.

Même question, quatre résultats La marque n’obtient pas du tout la même visibilité
Le conseil est repris Le contenu est utilisé, mais la marque reste invisible.
L’article est cité La source apparaît, sans que la marque soit nommée dans la réponse.
La marque est mentionnée Elle apparaît, mais une information importante est fausse.
La crème est recommandée Le produit est retenu et son adéquation avec la demande est expliquée.

Dans les quatre cas, la marque se trouve quelque part dans le chemin de la réponse, mais ce que cela produit pour elle n’a rien de comparable.

Amanda Natividad travaille chez SparkToro sur le zero-click marketing, c’est-à-dire sur ce qui se passe lorsque l’utilisateur obtient une information sans nécessairement visiter le site de la marque. Dans un article récent, elle propose de considérer un rapport d’AI Visibility comme un miroir du dossier public de la marque.

On a bien aimé cette image, parce qu’elle déplace le regard et suggère qu’au lieu de s’arrêter au nombre d’apparitions, on commence à lire ce qui est raconté : la catégorie est-elle juste ? Les produits sont-ils disponibles sur le marché concerné ? Les particularités importantes sont-elles comprises, ou noyées dans une description générique ?

Mais le miroir reste imparfait. Parfois, il peut même ressembler aux miroirs déformants des palais des glaces. Une réponse étrange obtenue un mardi matin ne révèle pas soudain ce que « le marché » pense de l’entreprise. Elle montre seulement ce qu’un système a produit dans ces conditions-là. C’est déjà intéressant, parfois même très instructif, mais il faut résister à l’envie d’en faire immédiatement une vérité générale.

Alors, sur quelle partie une marque peut-elle réellement travailler sa visibilité ?

Il y a quelque chose d’un peu inconfortable dans ce sujet : la marque peut faire beaucoup de choses correctement sans obtenir la réponse qu’elle espérait. Elle ne choisit pas les sources que l’IA retiendra, ni l’ordre des marques mentionnées, ni la formulation finale. Toute promesse de contrôle total nous semble, disons-le, assez utopique.

Mais cela ne la condamne pas à regarder les bras croisés. La marque peut rendre son existence numérique beaucoup plus facile à comprendre : des pages produits précises, des informations à jour, des données structurées lorsqu’elles ont un usage réel, des preuves accessibles, des contenus originaux, des avis et des descriptions cohérentes chez ses partenaires ou ses distributeurs.

Une bonne partie de ce travail porte déjà des noms connus : SEO, contenu, relations presse, réputation, qualité des données. Le GEO ne remplace rien de tout cela, mais il nous oblige à regarder ce qui arrive lorsque toutes ces informations sortent de leur page d’origine, se retrouvent mélangées à d’autres et sont reformulées par un système tiers.

C’est souvent là que l’on découvre les vrais sujets. Par exemple, une information importante n’existe nulle part de manière claire, ou bien une ancienne description circule encore chez un revendeur. Cela peut aussi venir de la marque elle-même, qui emploie plusieurs mots pour parler de la même offre. Ou encore d’une preuve bien réelle, mais impossible à relier au produit qu’elle est censée soutenir.

Une stratégie de visibilité dans les IA conversationnelles ressemble souvent moins à une grande opération technique qu’à un travail de fourmi. Il faut retrouver les informations anciennes, corriger les contradictions, harmoniser les mots utilisés pour décrire l’offre, documenter les preuves et vérifier ce que publient les partenaires. Chacune de ces actions paraît assez ordinaire. Leur accumulation demande pourtant du temps, de la méthode, de la rigueur et une vraie coordination entre les équipes. Et comme les produits, les marchés et les sources évoluent, ce travail n’est jamais complètement terminé.

Mais au final, comment une marque mesure-t-elle son AI Visibility ?

Le score unique est séduisant, et c’est bien le problème 😅. Nous comprenons très bien pourquoi les entreprises veulent un chiffre : il permet de suivre une évolution, de comparer des périodes et de montrer rapidement un résultat. Un tableau de bord à 72 sur 100 est plus facile à présenter qu’une collection de réponses contradictoires.

Seulement, que contient exactement ce 72 ? Des citations, des mentions, des recommandations, leur ordre d’apparition, la qualité de la description ? Sur quelles IA conversationnelles, dans quels pays, avec combien de formulations et combien de répétitions ? Ouh là, stop ! Si l’on ne sait pas ce que le score compte ni dans quelles conditions il a été calculé, un 72 sur 100 donne surtout une impression de précision sans permettre de comprendre ce qu’il mesure réellement.

Une expérimentation à petite échelle publiée par SparkToro et Gumshoe.ai suggère que les listes et leur ordre peuvent beaucoup varier d’une exécution à l’autre. Les auteurs sont prudents sur la portée de leurs résultats. Nous lisons donc ce travail comme une invitation à répéter les observations, pas comme la découverte d’une règle universelle.

Concrètement, il faut garder la trace des questions, de leurs variantes, de l’outil utilisé, de la date, de la langue, du territoire et de l’accès éventuel au Web. Il faut aussi décider ce que l’on compte. Une citation n’est pas une mention, une mention n’est pas une recommandation et une fréquence d’apparition ne prouve pas que la marque a gagné une place stable… Tout cela sans transformer l’équipe marketing en laboratoire de recherche, bien sûr.

Comment travaille J2A ?

Après avoir essayé plusieurs manières de ranger le sujet, après des tests, des tests et encore des tests, nous nous sommes arrêtés sur quatre dimensions. Elles n’ont rien de révolutionnaire ni de spectaculaire, mais c’est sans doute pour cela qu’elles nous conviennent.

Surface

Les IA conversationnelles, fonctionnalités, langues, territoires et situations que nous voulons observer.

Présence

Ce que nous appelons « visible » : une source utilisée, une citation, une mention, une recommandation ou une description fidèle.

Leviers

Les informations, preuves, incohérences et relais sur lesquels la marque peut réellement intervenir.

Preuve

Le protocole qui permettra de distinguer une réponse isolée d’un phénomène qui mérite une décision.

Cette grille nous ramène surtout à des questions très concrètes. Qu’allons-nous regarder ? Pourquoi cet endroit compte-t-il pour la marque ? Que ferons-nous si nous découvrons une erreur ? Et quelle conclusion serons-nous honnêtement capables de défendre ?

Chez J2A, nous utiliserons surtout l’expression visibilité des marques dans les IA conversationnelles, plutôt que les acronymes du marché. Elle est peut-être moins pratique à caser dans un titre, mais elle ressemble davantage au sujet que nous voulons traiter : comprendre où une marque apparaît, comment elle est racontée et ce qu’elle peut améliorer dans les informations disponibles à son sujet.

Le GEO, l’AEO et le LLMO resteront dans notre vocabulaire. Nous n’avons simplement pas envie d’en faire trois nouveaux silos pendant que les équipes SEO, contenu, données, réputation et média essaient déjà de travailler ensemble.

Si vous devez commencer quelque part, prenez une situation qui compte vraiment pour votre marque. Choisissez les surfaces sur lesquelles vous allez l’observer, notez ce que vous considérez comme une présence et écrivez, avant même le premier test, ce que le résultat pourra prouver et ce qu’il ne permettra pas de conclure. Le point de départ paraît modeste, mais il donnera sans doute à l’équipe une conversation plus utile qu’un acronyme supplémentaire.

Et pour votre marque ?

Choisissez une situation importante, puis cadrez votre première observation avec les quatre dimensions J2A : surface, présence, leviers et preuve.

En parler avec J2A
Consulter les sources de l’article

Faits établis : sources primaires

Observations : sources secondaires