En bref
- La recherche IA compte une troisième couche sous l’admissibilité et la sélection des citations : ce que le modèle sait déjà quand il répond sans rien vérifier. Aucun réglage de robots.txt et aucune tactique sur la page n’y touche.
- Nous avons mesuré cette couche nous-mêmes sur un métier québécois : douze requêtes en français soumises à un panel de neuf modèles, en juillet 2026. À livre fermé, le panel a nommé une vraie entreprise locale dans 7,1 % des réponses, et n’a nommé aucune entreprise concrète, quelle qu’elle soit, dans 69 % des cas. C’est un sondage exploratoire plutôt qu’une étude complète, et nous lui accordons une confiance moyenne.
- Les modèles ne restent pas silencieux. Ils substituent : des marques de fabricants nationaux remplacent un signal de certification, et des places de marché de génération de leads remplacent un entrepreneur.
- Cela se lit surtout comme une pénalité de notoriété, plutôt qu’une pénalité québécoise. Être connu dans les données d’entraînement l’emporte sur être à proximité, et une forte visibilité sur Google ne se transfère pas.
- Le seul levier, c’est la couverture tierce méritée, accumulée sur des années. C’est lent, ça ne s’achète pas comme une garantie, et quiconque promet de vous installer dans la mémoire d’un modèle décrit quelque chose qu’aucun fournisseur n’a jamais offert.
Demandez à ChatGPT de recommander un couvreur à Trois-Rivières sans le laisser chercher sur le web, et regardez ce qui revient. La plupart du temps, ce n’est pas une entreprise locale. Cet écart, c’est la troisième couche de la recherche IA, celle qu’aucun travail technique sur votre propre site ne referme.
Nous avons déjà parcouru les deux premières couches. L’admissibilité, c’est si le robot du moteur peut vous récupérer, ce que chaque fournisseur documente. La sélection des citations, c’est quelle page récupérée se fait citer, ce qu’aucun fournisseur ne documente. Les deux supposent que le modèle est allé chercher. La troisième couche, c’est la mémoire des modèles : ce que le modèle a retenu de son entraînement, avant tout le reste. C’est ce qui vous reste quand le modèle ne va jamais chercher.
Qu’est-ce que la mémoire des modèles, et pourquoi aucune tactique n’y touche ?
Quand un modèle répond de mémoire, votre visibilité équivaut à votre présence dans ses données d’entraînement à la date de coupure. Rien d’autre n’entre en jeu. Le modèle ne récupère pas votre site, alors peu importe qu’OAI-SearchBot soit autorisé à traverser votre pare-feu. Il ne compare pas non plus des pages admissibles : les statistiques et les citations attribuées que vous avez ajoutées le trimestre dernier ne changent rien. Il reproduit ce qu’il a absorbé sur votre marché avant même d’être déployé.
Répondre à livre fermé n’est pas un cas marginal. C’est ce qui se passe dans une foule de situations ordinaires : une question rapide sans navigation activée, un palier de modèle qui ne récupère rien, une application qui appelle une API sans outil de recherche attaché. Chacune de ces situations est un moment où toute la boîte à outils GEO est éteinte, et seule la présence dans les données d’entraînement décide qui sera nommé.
Le travail se divise donc en deux. L’admissibilité au robot et le travail sur la page gouvernent le cas de navigation, ce qui est réel et vaut la peine d’être bien fait. Le cas de la mémoire des modèles est gouverné par ce que le reste du web a écrit sur vous avant la date de coupure, et aucun changement de configuration n’y touche.
Ce que nous avons trouvé en mesurant la chose sur un métier québécois
À livre fermé, seulement 7,1 % des réponses de modèles que nous avons testées sur la toiture au Québec nommaient un couvreur local que nous pouvions vérifier, et 69 % ne nommaient aucune entreprise concrète, quelle qu’elle soit. Plutôt que de citer les chiffres de quelqu’un d’autre, nous avons fait la mesure nous-mêmes. En juillet 2026, nous avons soumis douze requêtes à un panel de neuf modèles, à livre fermé, en demandant des couvreurs dans des marchés québécois. Les requêtes étaient rédigées en français, formulées comme un client québécois les poserait. C’était un sondage exploratoire plutôt qu’une étude complète, et nous accordons aux résultats une confiance moyenne, mais la tendance n’a rien de subtil.
Une précision avant les chiffres : les modèles de Perplexity ne respectent pas entièrement une consigne à livre fermé, puisque la récupération est native à leur façon de répondre. C’est pourquoi les deux taux de nomination ci-dessous sont rapportés séparément plutôt que fondus en un seul chiffre.
| Sondage à livre fermé de JPL, juillet 2026 (12 requêtes x 9 modèles, confiance moyenne) | Résultat |
|---|---|
| Réponses nommant une entreprise de toiture locale que nous avons pu vérifier automatiquement | 7,1 % (5 sur 70 cellules à livre fermé) |
| Idem, en comptant la récupération en direct de Perplexity comme étant à livre fermé | 18,9 % (17 sur 90 cellules) |
| Réponses ne nommant aucune entreprise concrète, quelle qu’elle soit | 69 % (48 sur 70 cellules) |
| Réponses nommant une entité commerciale concrète, peu importe laquelle | 31,4 % (22 sur 70 cellules) |
Lisez la première et la troisième ligne ensemble. Les modèles ne refusent pas de répondre, et ils ne nomment pas non plus votre concurrent d’en face. Pour un petit entrepreneur local, le modèle à livre fermé est très proche d’une page blanche. Trois réserves que nous maintenons : ce sont des taux agrégés sur l’ensemble du panel, pas un classement d’entreprises individuelles ; notre vérification des noms d’entreprises était automatisée, et faite au mieux, plutôt que validée à la main par recoupement avec les registres de la RBQ et du REQ ; et au moins un nom produit par le panel à livre fermé était déformé ou carrément inventé.
Un modèle qui n’a rien de précis à se rappeler ne le dit pas toujours. Il lui arrive de produire un nom d’entreprise à consonance plausible qui ne correspond à rien.
Ce que l’IA nomme à votre place
Quand un modèle n’a aucune entreprise locale à se rappeler, il substitue : des marques de fabricants nationaux remplacent un signal de certification, et des places de marché de génération de leads remplacent un entrepreneur. La lecture « page blanche » n’est que la moitié de l’histoire, et la moitié la moins utile. Ce que les modèles mettent dans le vide en dit plus long que ce qu’ils omettent, parce que ça montre à quoi les données d’entraînement leur ont appris qu’une bonne réponse doit ressembler.
Voici les substitutions que nous avons observées dans ce même sondage, pas une observation générale sur l’IA.
| Ce que la réponse exige | Ce que le modèle nomme à la place | Pourquoi ça nuit à l’entrepreneur |
|---|---|---|
| Un signal de qualité ou de certification | Des marques de fabricants nationaux (BP, GAF, IKO, Soprema) | Le signal de confiance s’attache à une gamme de produits, pas à l’entrepreneur qui pose le produit |
| Un endroit où trouver un entrepreneur | Des places de marché de génération de leads (RénoAssistance, Soumission Rénovation) | Le client est aiguillé vers un entonnoir de mise en relation payante où vos concurrents se trouvent aussi |
| Un nom local précis | Habituellement rien, à l’occasion les plus grandes firmes de la province | Le rappel suit la taille et la couverture médiatique, alors la petite entreprise en est quasi absente |
Voilà le schéma à transposer à votre propre marché. La demande n’a pas disparu, elle a été redirigée : vers un fabricant dont vous installez le produit, ou vers un agrégateur qui vous revendra votre propre prospect sous forme de lead. Vous payez pour cette redirection, que vous l’ayez remarquée ou non.
Est-ce un problème québécois ou un problème de petite entreprise ?
Il s’agit surtout d’un problème de petite entreprise, ce qui est une moins bonne nouvelle qu’un problème proprement québécois. La mesure québécoise la plus large publiée à ce jour (Observatoire Noos, étude #1), dont nous avons repris le protocole à livre fermé avec nos propres requêtes pour le sondage sur la toiture ci-dessus, a interrogé un panel de modèles à livre fermé sur douze marchés sectoriels québécois et a constaté que les PME locales captaient 18 % ou moins des mentions dans neuf d’entre eux, la présence se concentrant dans les secteurs où les producteurs artisanaux dominent la trace écrite et devenant quasi nulle dans les secteurs professionnels et industriels. L’étude rapportait aussi que la visibilité sur Google prédit à peine la présence dans les réponses des modèles, et que le schéma se lit comme un biais en faveur des entités bien connues plutôt qu’un biais contre le Québec. Elle a bel et bien mesuré un écart québécois résiduel à visibilité Google égale, si bien que « surtout de la notoriété » est la lecture honnête, pas « seulement de la notoriété ».
Les deux constats retombent de la même façon pour un dirigeant de PME. Si le moteur du problème était la géographie, il n’y aurait rien à faire. Si le moteur est la notoriété, alors le mécanisme est le mécanisme ordinaire : les modèles se rappellent ce sur quoi on a écrit, à répétition, dans les sources sur lesquelles ils ont été entraînés. C’est un problème difficile plutôt qu’impossible, et il se travaille sur des années, pas sur des trimestres.
Le second constat est celui qui devrait recalibrer vos attentes. Une première page de Google n’est pas la preuve qu’un modèle sait que vous existez. Ce sont des systèmes différents qui lisent des corpus différents, et traiter une bonne position SEO comme une preuve de visibilité IA est l’erreur la plus fréquente que nous observons sur ce sujet.
Ce qui fait vraiment bouger la mémoire des modèles
Ce qui fait bouger la mémoire des modèles, c’est qu’on parle de vous ailleurs que sur votre propre site, de façon soutenue, pendant des années. À notre connaissance, rien d’autre n’y arrive. La recherche sur les citations pointait déjà dans cette direction. Quand les réponses IA citent des sources, l’écrasante majorité de ces citations pointent vers des sites tiers que la marque ne possède pas, ce que nous avons couvert dans l’article sur la sélection des citations. La même asymétrie se maintient une couche plus bas : le corpus sur lequel un modèle a été entraîné, c’est surtout d’autres personnes qui écrivent à votre sujet.
En pratique, ça donne une liste courte et peu glorieuse. La presse locale et spécialisée qui se fait indexer et reprendre. Les pages d’associations et de registres qui portent votre nom et votre catégorie. Les pages de fournisseurs et de partenaires qui décrivent ce que vous faites réellement. Des entrées de référence exactes et bien sourcées où votre catégorie est documentée. Des mandats clients racontés publiquement par le client lui-même. Tout ça se mérite au lieu de s’installer, et tout ça s’accumule lentement. Les dates de coupure avancent à chaque nouvelle génération de modèle, ce qui fait que la couverture gagnée cette année est ce que la prochaine génération pourra absorber.
Ce que ça ne veut pas dire, c’est fabriquer des mentions. Semer de fausses références un peu partout sur le web pour avoir l’air d’être un sujet de conversation figure sur la propre liste de Google des choses à ne pas faire, et ça met une vraie entreprise à risque pour courir après une couche qui récompense la durabilité avant tout.
Comment vérifier votre propre exposition en dix minutes
Vous n’avez pas besoin d’un budget de recherche pour savoir où vous en êtes. Ouvrez un modèle, désactivez la recherche web, et posez-lui la question qu’un client poserait : qui appeler pour votre service, dans votre ville. Répétez l’exercice quelques fois, et sur plus d’un modèle, parce que ce qu’ils ont mémorisé varie de l’un à l’autre. Puis examinez la réponse pour trois choses.
- Une entreprise locale est-elle nommée, la vôtre ou celle de quelqu’un d’autre ? Habituellement, la réponse est non, et c’est le point de référence.
- Qu’est-ce qui comble le vide à la place ? Des fabricants, des répertoires, des places de marché, des chaînes nationales. Cette liste, c’est votre vraie concurrence sur cette couche.
- Si un nom revient, s’agit-il d’une vraie entreprise ? Un nom inventé vous dit que le modèle improvise.
Refaites le même exercice avec la navigation activée, et comparez. L’écart entre les deux, c’est la partie de votre visibilité qui dépend du fait que votre site soit accessible et citable, la partie que vous pouvez travailler ce trimestre. Ce qui survit une fois la navigation désactivée, c’est la partie qui a pris des années à bâtir.
Quoi demander avant d’embaucher qui que ce soit sur ce sujet
La mémoire des modèles, c’est là où les argumentaires de visibilité IA sont le moins honnêtes, parce que c’est la couche la plus difficile à influencer et la plus facile sur laquelle promettre des choses. Une question de tri utile : demandez ce qu’ils feraient dans le cas où le modèle répond sans chercher. Une réponse compétente sépare les trois couches, dit clairement que celle-ci bouge grâce à de la couverture méritée sur des années, et n’y attache aucun échéancier. Une réponse qui l’empaquette avec un audit technique, ou qui offre de vous installer dans la mémoire du modèle, décrit un mécanisme que personne ne vend.
Notre propre position est la même que celle que nous apportons à un mandat GEO : réparer la couche documentée en entier, parier sur la couche inférée de façon délibérée, et traiter la mémoire des modèles comme un travail de longue haleine qui se mesure et ne se promet pas. C’est aussi pourquoi nous continuons de pousser fort le SEO local en parallèle, parce que c’est dans le cas de navigation que le travail à court terme rapporte vraiment. Si vous voulez un état des lieux d’où se situe votre entreprise sur les trois couches en ce moment, c’est à ça que sert un audit ou un mandat de consultant.
La partie inconfortable, c’est que la couche qui compte le plus pour une petite entreprise québécoise est celle qui répond le plus lentement. Les entreprises qui seront nommées dans cinq ans accumulent la couverture en ce moment, tranquillement, pendant que le marché se chicane sur le balisage schema.