En bref

  • Une entreprise arrivée tard peut-elle encore se faire citer par l’IA, ou la place est-elle prise ? Un ouvrage de 2002 sur la structure des liens du web décrit comment les liens en viennent à se concentrer sur quelques pages, et deux prépublications de 2026 montrent des éléments semblables dans les réponses de l’IA.
  • Dans Linked (2002), le physicien Albert-László Barabási rapporte qu’une page web n’ayant qu’un seul lien entrant avait moins de 10 % de chances d’être indexée par un moteur de recherche quelconque, alors que les pages ayant de 21 à 100 liens entrants l’étaient près de 90 % du temps. Ce sont ses chiffres, vieux d’un quart de siècle.
  • Son explication tient en deux règles. Les réseaux croissent, et chaque nouvel arrivant se lie à ce qui est déjà lié : une page qui a deux fois plus de liens en attire environ deux fois plus de nouveaux. C’est l’attachement préférentiel : les riches s’enrichissent ou, comme le dit le proverbe, on ne prête qu’aux riches.
  • Dans une prépublication de 2026 de l’Université de Toronto (questions commerciales américaines, petits modèles d’API, associations seulement), ChatGPT a écrit 67 % du temps, dans ses propres recherches, une marque que son modèle connaissait déjà, contre 11 % autrement. Dans une autre, portant sur des articles scientifiques et non sur des entreprises, onze modèles ont attribué au décile supérieur des candidats de 23,3 à 30,2 % de leurs citations, contre 15,6 % s’ils n’avaient eu aucune préférence.
  • Le livre nomme aussi la porte d’entrée de celui qui arrive tard : l’aptitude (fitness dans le livre), un avantage qui ne dépend pas des liens qu’un nœud possède déjà. D’après lui, la plupart des réseaux sont du type « fit get rich » (en anglais dans l’original, soit « les plus aptes s’enrichissent »), et non du type où le gagnant remporte tout. Lire ainsi les citations de l’IA est notre interprétation, pas une conclusion de l’une ou l’autre des prépublications.

Voici une question que nous posent des dirigeants d’entreprise québécois : un concurrent établi depuis plus longtemps se fait nommer sans cesse par ChatGPT, alors la place est-elle prise ? Notre article sur pourquoi l’IA cite toujours les mêmes sources a traité d’une expérience qui a mesuré à quel point les citations de l’IA sont concentrées. Celui-ci porte sur la façon dont une concentration pareille se construit, et sur ce qu’elle laisse ouvert. Le mécanisme a été décrit il y a 24 ans, pour les liens du web, et il comporte une seconde moitié que la plupart des résumés de l’effet « les riches s’enrichissent » laissent tomber.

Un mot sur les sources d’abord. Linked: The New Science of Networks (Perseus, 2002, en anglais) est un ouvrage de vulgarisation scientifique écrit par l’un des chercheurs à l’origine des résultats qu’il décrit. Ses chiffres sont cités ici tels que l’auteur les imprime, sans barres d’erreur, et ses données sur le web datent de 1999 à 2002. Nous ne les avons pas vérifiés dans les articles de recherche sous-jacents. Les deux études de 2026 sont des prépublications arXiv. Le lien entre le livre et les prépublications est de nous, et nous le signalons là où l’argument s’appuie sur lui.

Pourquoi une page ayant un seul lien entrant existait-elle à peine en 2002 ?

En 2002, une page web ayant un seul lien entrant était presque invisible, parce que les moteurs de recherche trouvaient les pages en suivant des liens et que, selon les chiffres de Barabási, presque tous les liens pointaient vers quelques pages. Son groupe a cartographié le domaine de la University of Notre Dame : sur 325 000 pages, 82 % avaient trois liens entrants ou moins, alors qu’environ 42 en avaient plus de mille. Dans un échantillon ultérieur de 203 millions de pages, que les notes du livre attribuent à Broder et à ses collègues, 90 % avaient dix liens entrants ou moins et environ trois pages recevaient des liens de près d’un million d’autres (p. 57-58).

Un robot d’exploration qui suit les liens hérite de ce déséquilibre. Le livre le chiffre :

Sa conclusion, une page plus loin : « Your ability to find my Webpage is determined by one factor only: its position on the Web » (en anglais dans l’original, soit « Votre capacité à trouver ma page web ne dépend que d’un seul facteur : sa position sur le Web », p. 175). Une page était visible en raison de sa place dans le graphe des liens, peu importe ce qu’elle disait.

Nous n’avons pas de version actuelle de ce chiffre, et nos propres données ne peuvent pas en fournir une. Quand nous avons inspecté chaque URL que les sites que nous gérons soumettent à Google en septembre 2026, 77,6 % des 549 pages soumises étaient indexées, mais il s’agit de pages soumises par sitemap sur sept propriétés Search Console que nous gérons, pas d’un échantillon du web, et le décompte n’est pas ventilé selon les liens entrants. Notre lecture, argumentée dans le reste de cet article, est qu’un déséquilibre semblable se manifeste maintenant une couche plus haut, dans les pages qui se font citer dans une réponse de l’IA.

Qu’est-ce que l’attachement préférentiel ?

L’attachement préférentiel est la règle selon laquelle un nouveau lien a plus de chances d’aller vers un nœud qui en possède déjà beaucoup. Dans les mots du livre : « When choosing between two pages, one with twice as many links as the other, about twice as many people link to the more connected page » (en anglais dans l’original, soit « Quand on choisit entre deux pages, dont l’une a deux fois plus de liens que l’autre, environ deux fois plus de personnes font un lien vers la page la plus connectée », p. 85).

Le raisonnement n’a rien d’exotique. Personne ne choisit un site d’actualités au hasard. On fait un lien vers les médias qu’on connaît, et ceux qu’on connaît sont ceux vers lesquels tout le monde fait déjà un lien (p. 85). Le modèle de Barabási associe cette préférence à une seconde règle, la croissance : un réseau s’assemble un nœud à la fois, de sorte que les premiers nœuds ont eu plus de temps pour accumuler des liens (p. 86). Selon lui, aucune des deux règles ne suffit seule à produire des hubs, ces nœuds très connectés (p. 88). Ensemble, elles en produisent quelques-uns très gros et une longue traîne de nœuds n’ayant qu’un ou deux liens.

Ce dont le modèle n’a pas besoin, c’est d’un hub meilleur que les autres. Dans sa version simple, un hub est en avance parce qu’il est arrivé tôt, et son avance s’alimente elle-même. Le livre emprunte à Hollywood sa version du piège : « You need to be known to get good roles, but you need good roles in order to be known » (en anglais dans l’original, soit « Il faut être connu pour obtenir de bons rôles, mais il faut de bons rôles pour être connu », p. 85).

La même boucle tourne-t-elle dans les réponses de l’IA ?

En partie. Deux prépublications de 2026 montrent les deux moitiés d’une boucle où les riches s’enrichissent dans les réponses de l’IA, une préférence pour ce que le modèle connaît déjà et une concentration des citations. Aucune ne montre la boucle qui se referme, celle où une citation aujourd’hui en rend une autre demain plus probable.

La première est de Mahe Chen et Nick Koudas, de l’Université de Toronto (arXiv 2610.15033, en anglais, version 1, 10 octobre 2026). Ils ont recueilli 90 jours de réponses de ChatGPT, de Gemini et de Perplexity à des questions commerciales dans deux marchés, l’internet résidentiel aux États-Unis (651 questions) et les logiciels de préparation d’offres de services pour les firmes d’architecture, d’ingénierie et de construction (55 questions), pour 468 037 citations en tout. Ils ont ensuite soumis de nouveau les questions aux API de ChatGPT et de Gemini pour voir les recherches que ces moteurs lançaient (cette nouvelle exécution n’était pas possible pour Perplexity). Séparément, avec la recherche désactivée, ils ont demandé au modèle de chaque moteur quelles marques et quels sites il recommanderait. Appelons cette liste les connaissances préalables du modèle (prior dans la prépublication) : ce qu’il sait déjà avant de chercher quoi que ce soit.

Ces connaissances préalables se manifestaient à chaque étape qu’ils ont pu observer. Quand une marque figurait dans les connaissances préalables pour une question, ChatGPT l’écrivait dans ses propres requêtes de recherche 67 % du temps, contre 11 % autrement. Pour les sites qui y figuraient, la cote d’être cité était 1,60 fois plus élevée, à rang de recherche égal. Et 47 % des citations de ChatGPT sont allées à des sites que son modèle nomme sans faire de recherche, contre 25 % quand la comparaison utilisait les connaissances préalables d’une autre question. La récupération conditionne tout cela : chacune des 22 315 pages que ChatGPT a citées lors de cette nouvelle exécution était une page que sa propre recherche avait renvoyée.

Mises ensemble, ces observations vont dans le même sens que le livre, comme une association et non comme une cause démontrée. Ce que le modèle sait déjà va de pair avec ce qu’il cherche, et ce qu’il cherche borne ce qu’il peut citer. Si l’hypothèse des auteurs se confirme, le nom connu obtient la prochaine citation en partie parce que c’est le nom connu.

La seconde prépublication est celle dont traite notre article sur la concentration des citations (Alemohammad et coll., arXiv 2608.19230, en anglais). Même avec tous les candidats également visibles et dépouillés de tout signal de statut, onze modèles de trois fournisseurs ont quand même attribué au décile supérieur des candidats de 23,3 à 30,2 % de leurs citations, contre 15,6 % en sélection indifférente. Son objet, ce sont des articles scientifiques sur un seul sujet, pas des entreprises.

Élément du mécanismeLes liens du web, tels que Linked les rapportait en 2002Les réponses de l’IA, dans les deux prépublications de 2026
Ce que « déjà connecté » veut direDes liens entrants vers une pageFigurer dans les connaissances préalables du modèle : les marques et les sites qu’il nomme avec la recherche désactivée
La préférenceUne page qui a deux fois plus de liens attire environ deux fois plus de nouveaux liens (p. 85)ChatGPT a écrit une marque dans ses propres recherches 67 % du temps quand elle figurait dans ses connaissances préalables, 11 % autrement. Pour les sites qui y figuraient, la cote d’être cité était 1,60 fois plus élevée à rang égal
La concentration90 % de 203 millions de pages avaient dix liens entrants ou moins. Environ trois recevaient des liens de près d’un million de pages (p. 58)Décile supérieur des candidats : de 23,3 % à 30,2 % des citations sur onze modèles, contre 15,6 % en sélection indifférente
La voie de celui qui arrive tardL’aptitude : à liens égaux, le nœud le plus apte gagne des liens plus vite (p. 96)Une correspondance de paragraphe meilleure d’un écart type avec les questions posées allait de pair avec 15,5 % de citations de plus au sein d’un même site. Une page tierce citée qui nomme un fournisseur de niche allait de pair avec une cote 39,7 fois plus élevée d’être nommé dans la réponse de ChatGPT
Colonne de gauche : Barabási, Linked (2002), chiffres tels que l’auteur les énonce. Colonne de droite : Chen et Koudas, arXiv 2610.15033 v1 (États-Unis, anglais, associations, les petits modèles d’API derrière ChatGPT et Gemini), sauf la ligne sur la concentration, qui vient d’Alemohammad et coll., arXiv 2608.19230 (articles scientifiques sur un seul sujet). Études lues en octobre 2026. Le rapprochement des deux colonnes est notre lecture. Aucune des deux ne cite le livre ni ne met son modèle à l’épreuve.

C’est ici que la comparaison est la plus fragile. La loi du livre exige une boucle : un lien aujourd’hui rend un lien demain plus probable. Pour les réponses de l’IA, cela voudrait dire qu’être cité aujourd’hui alimente ce que le prochain modèle saura de vous. Aucune des deux prépublications ne mesure cela. Chen et Koudas qualifient d’hypothèse leur chaîne qui va des connaissances préalables à la récupération et rapportent des associations, pas des effets. L’autre expérience ne laisse jamais une citation modifier ce qui sera montré plus tard. Et la mémoire d’un modèle n’est pas un compte de liens. Il s’agit donc d’une analogie, avec des éléments de preuve de chaque côté, pas d’une démonstration que les citations de l’IA suivent le modèle de Barabási.

Une entreprise arrivée tard peut-elle encore se faire citer ?

Probablement, selon notre lecture. Dans le modèle de Barabási de 2002 pour le web, un nœud arrivé tard dépasse les plus anciens grâce à l’aptitude, et les prépublications de 2026 désignent deux éléments qui pourraient jouer ce rôle pour les citations de l’IA, bien qu’aucune n’ait mis le modèle de Barabási à l’épreuve. L’attachement préférentiel pur prédit que le nœud le plus ancien gagne toujours. Le contre-exemple du livre est Google : lancé en 1997 face à des moteurs de recherche qui tenaient le marché depuis des années, il est devenu le plus gros nœud en moins de trois ans (p. 94).

Le correctif proposé par son groupe consiste à donner à chaque nœud une aptitude, une capacité intrinsèque à rivaliser pour obtenir des liens, et à faire dépendre l’attachement de l’aptitude multipliée par les liens. Alors, « between two nodes with the same number of links, the fitter one acquires links more quickly » (en anglais dans l’original, soit « entre deux nœuds ayant le même nombre de liens, le plus apte acquiert des liens plus rapidement », p. 96). À aptitude égale, le nœud le plus ancien garde l’avantage. Un nœud arrivé tard mais plus apte dépasse les nœuds en place moins aptes, quel que soit son âge (p. 97).

Dans le livre, l’aptitude, c’est ce qui rend un nœud digne d’un lien, « content for Websites » dans ses mots (en anglais dans l’original, soit « le contenu, pour les sites web », p. 95). Deux résultats des prépublications de 2026 semblent des candidats à ce rôle pour les citations de l’IA. Les appeler aptitude est notre lecture.

  • Une page qui répond à la question posée. En comparant des pages d’un même site, Chen et Koudas ont constaté que seule la correspondance avec les questions s’est maintenue dans leurs cinq tests de robustesse. Une correspondance nettement meilleure entre le meilleur paragraphe d’une page et les questions (un écart type, l’unité de la prépublication) allait de pair avec 15,5 % de citations de plus, et la même amélioration de la correspondance du titre avec 14,1 %. L’effet du titre est apparu pour Gemini et Perplexity, pas pour ChatGPT, qui reformule la question avant de chercher. Les blocs FAQ, le balisage schema.org, les encadrés de résumé et les encadrés d’auteur semblaient efficaces entre les sites (de 7,5 à 20,9 % de citations de plus) et n’ont montré aucun effet significatif au sein d’un même site. Les réécritures que vendent la plupart des argumentaires GEO ont eu leur propre test, présenté dans Les trucs GEO, mesurés. La prépublication sur la concentration des citations est compatible sur un point plus étroit : la paraphrase a laissé les préférences des modèles inchangées, et changer le sens les a déplacées. Elle ne montre pas quels changements de sens aident.
  • Pour une entreprise que le modèle ne connaît pas, une page tierce citée qui la nomme. Dans le marché des logiciels de niche, le modèle de ChatGPT a nommé les fournisseurs suivis pour 2 à 16 % des questions, recherche désactivée, contre 61 à 72 % pour les grands fournisseurs d’accès internet. Le modèle de Gemini a nommé les mêmes fournisseurs pour 60 à 96 % des questions, de sorte que « inconnu » décrit ici le modèle d’un seul moteur. Dans ce marché, une page tierce citée qui nommait un fournisseur allait de pair avec une cote 39,7 fois plus élevée d’être nommé dans la réponse de ChatGPT, et une cote 17,7 fois plus élevée pour Gemini, contre 4,2 et 6,3 fois pour les grands fournisseurs.

Un autre résultat a sa place ici, parce que le livre porte sur des liens. Dans les données de Toronto, les pages ayant plus de sites référents (des sites qui font un lien vers elles) étaient citées plus souvent (22,7 % de plus par écart type, au sein d’un même site), surtout sur Gemini (33,7 %, contre 3,7 % pour ChatGPT). Les liens ont été comptés après les citations, de sorte que le sens de la relation n’est pas établi.

La portée de ces chiffres est étroite. Ce sont des associations, mesurées sur des questions en anglais portant sur des marchés américains, au moyen des petits modèles d’API derrière ChatGPT et Gemini et non des applications grand public. Les pages citées ont aussi continué de changer : entre deux fenêtres de deux semaines espacées de dix semaines, les nombres de citations de ChatGPT n’avaient en commun que 14 % de leur variation au sein d’un même site. Rien dans la prépublication n’a été mesuré sur des questions québécoises en français.

Cela dit, le marché de niche tel que le voit le modèle de ChatGPT est celui qui ressemble à un métier ou à un service professionnel québécois. En juillet 2026, quand nous avons testé ce que les modèles savent de la toiture au Québec avec la recherche désactivée, 7,1 % des réponses (5 sur 70) nommaient une entreprise locale que nous pouvions vérifier, et 69 % ne nommaient aucune entreprise concrète, quelle qu’elle soit. Les vides étaient comblés par des marques de fabricants nationaux et des plateformes de mise en relation. Selon ces données, la place locale dans un marché comme celui-là est en grande partie inoccupée, ce qui est un autre problème qu’une place que détient un concurrent. Il s’agissait d’un seul métier, de douze requêtes en français et de neuf modèles : un sondage exploratoire, pas une étude.

La recherche IA, est-ce un jeu où le gagnant remporte tout ?

Rien dans les deux prépublications de 2026 ne ressemble à un gagnant qui remporte tout dans les citations de l’IA, et le livre de 2002 traite ce résultat comme l’exception. Barabási range les réseaux concurrentiels en deux types (p. 102-103).

  • Les plus aptes s’enrichissent (« fit get rich », en anglais dans l’original). Le nœud le plus apte devient le plus gros hub, mais le livre ajoute que « The winner’s lead is never significant » (en anglais dans l’original, soit « L’avance du gagnant n’est jamais importante », p. 103) : le plus gros hub est suivi de près par un plus petit, et une hiérarchie de hubs s’étage en dessous. Il place le Web, Internet et Hollywood dans ce groupe (p. 106), et dit de Google que son ascension « is not an indication of winner-takes-all behavior; it only tells us that the fit get rich » (en anglais dans l’original, soit « n’indique pas un comportement où le gagnant remporte tout ; elle nous dit seulement que les plus aptes s’enrichissent », p. 103).
  • Le gagnant remporte tout (« winner takes all », en anglais dans l’original). Un nœud capte presque tous les liens et la hiérarchie s’effondre en étoile. Le livre parle alors de « no room for a potential challenger » (en anglais dans l’original, soit « aucune place pour un concurrent potentiel », p. 103). Son seul exemple concret est le marché des systèmes d’exploitation de son époque (p. 105).

Dans les données de 2026, les citations de l’IA ressemblent au premier type. Le décile supérieur des candidats prend moins du tiers des citations, ce qui est concentré et loin de la totalité. Dans les données de Toronto, 13 % de la variation du nombre de citations se situait entre les sites et 87 % entre les pages d’un même site, et les pages citées continuaient de se renouveler. Aucune des deux prépublications ne vérifie lequel des deux types de Barabási s’applique, de sorte que ce classement est le nôtre. Un résultat va dans l’autre sens : dans la prépublication sur la concentration, la préférence des modèles se resserrait sur moins de cibles à mesure que des articles écrits par des machines s’ajoutaient au bassin. Prenez « les plus aptes s’enrichissent » comme une description des données de 2026, pas comme une prévision.

Pour une entreprise qui se demande si la visibilité IA vaut l’effort, le point pratique est que le travail n’est pas de déloger le leader en place. Dans les réseaux du livre où les plus aptes s’enrichissent, le plus gros hub est suivi de près par d’autres, de sorte que des nœuds montent sans que le leader s’effondre. Si les citations de l’IA se comportent ainsi, ce qui est notre lecture et non un résultat mesuré, se faire citer, puis se faire citer plus souvent, n’exige pas que le leader perde. Personne ne peut vous promettre la première place.

Qu’est-ce que cela ne vous dit pas ?

Cet article ne montre pas que les citations de l’IA suivent le modèle de Barabási, et aucune des deux prépublications n’a mesuré de questions québécoises en français ni les AI Overviews de Google.

  • Que le web fonctionne encore comme le décrit le livre. Linked est un compte rendu de 2002. Des recherches plus récentes ont examiné dans quelle mesure son schéma invariant d’échelle (scale-free) est universel. Nous n’avons pas passé ces travaux en revue, et l’argument ici n’exige qu’une forte concentration et les deux types de concurrence, pas une courbe exacte.
  • Que les citations de l’IA obéissent au modèle du livre. La rétroaction de la citation vers la mémoire n’est mesurée dans aucune des deux prépublications.
  • Quoi que ce soit sur les requêtes québécoises en français, ou sur les AI Overviews et l’AI Mode de Google. Rien de cela ne figurait dans les données des deux prépublications. Notre propre sondage sur la toiture utilisait des requêtes en français, mais il a été mené avec la recherche désactivée, de sorte qu’il a mesuré la mémoire, pas les citations. Ce que Google documente lui-même sur ces fonctions se trouve dans comment l’IA choisit ses citations.
  • L’ampleur d’un effet quelconque dans votre marché. Les chiffres de 2026 sont des instantanés américains et en anglais de moteurs qui changent continuellement.

Ce que nous en faisons

Voici ce qui change dans la façon dont nous cadrons le travail GEO. Rien de cela ne garantit un résultat.

  • Vérifier d’abord s’il y a un hub. Demandez aux modèles, recherche désactivée, qui ils nomment pour les questions que posent vos acheteurs. Si personne de local ne revient, vous êtes plus près du cas de la niche, où une position venait d’éléments que le moteur pouvait récupérer.
  • Travailler sur les deux éléments qui ont été mesurés. Une page par question réelle, avec un titre dans les termes mêmes de la question et un paragraphe qui y répond en entier. Ensuite, repérer les pages tierces que les moteurs citent déjà pour ces questions et y mériter une mention.
  • Mesurer de nouveau selon un calendrier. Les pages citées se renouvellent en quelques semaines, alors le score d’un seul audit ne peut pas les suivre. Notre entonnoir de visibilité IA présente ce qu’il faut mesurer à chaque étape, et le décompte de départ fait partie de nos audits SEO.

Selon l’affirmation de 2002, une page vers laquelle presque rien ne pointait était presque invisible pour un moteur de recherche. Les données de 2026 laissent entendre quelque chose de semblable pour une entreprise que le modèle ne connaît pas déjà : dans le marché de niche étudié par les auteurs de Toronto, elle était beaucoup plus susceptible d’être nommée quand une page tierce citée la nommait.