En bref

  • Réécrire une page donne-t-il à une entreprise plus de place dans une réponse d’IA ? Dans un seul banc d’essai, daté de 2026, un peu, et seulement quand on disait à la réécriture pour quel nom de la page elle travaillait. Sans nom, les réécritures ont donné un gain significatif dans 1 configuration de test sur 36. Avec le nom, dans 24 sur 36 (18 sur 36 au test plus strict de la prépublication).
  • La source est une prépublication de l’Université nationale de Singapour (arXiv 2610.21330, en anglais, version 1, 15 octobre 2026, non évaluée par les pairs). Son terrain d’essai, ce sont des questions électorales en anglais et en japonais, avec des partis politiques comme noms en concurrence, trois petits modèles d’IA qui répondent avec la recherche web désactivée, et gpt-4o-mini qui rédige chaque réécriture. Aucune page d’entreprise et aucune question commerciale n’ont été testées. Lire cela pour une entreprise est notre extrapolation, et ce n’est pas la preuve d’un gain commercial.
  • Réorganiser la page, et dire concrètement ce qui distingue une option des autres, ont fini le plus souvent parmi les trois premières. Ajouter des statistiques ou des propos cités arrivait en milieu de classement. Ajouter des sources citées et reformuler occupaient les cinq dernières places.
  • Les gains étaient petits : selon les familles de réécritures, d’une fraction de point à environ 4 points de pourcentage, et moins de la moitié des résultats par famille atteignaient 1 point (notre décompte : 14 sur 36 dans le tableau 3 de la prépublication, 20 sur 48 dans son tableau 4). Générer deux fois la même réponse sans rien changer a déplacé les mêmes mesures, jusqu’à 1,4 point dans le tableau principal de la prépublication. Remplacer une ligne qui disait qui posait la question par la ligne opposée a déplacé la part de voix d’un nom de 11,6 points sur un moteur, et de 3,4 et de 3,0 points sur les deux autres.
  • Ce que nous en retenons est une méthode : dire à la réécriture pour qui elle est faite, régler la structure avant d’ajouter de la décoration, reposer la question sans aucun changement avant d’attribuer une hausse à la modification, et faire tout cela après avoir vérifié que le moteur récupère bien la page.

Bon nombre des pages à partir desquelles une entreprise espère être nommée ne parlent pas que d’elle. Une page de comparaison, un palmarès « les meilleurs », une fiche d’annuaire, un guide de fournisseurs : chacune mentionne plusieurs concurrents, et un moteur d’IA qui en lit une doit décider quelle part de sa réponse revient à chaque nom. Nos articles précédents ont couvert les étapes de part et d’autre de cette décision. Les trucs GEO, mesurés traitait des tactiques qui font monter un élément dans une liste classée par un modèle d’IA. Ce qui détermine les citations de l’IA traitait de la recherche qu’un moteur lance avant de répondre. Cet article porte sur ce que fait une modification une fois qu’une page où figurent plusieurs noms est déjà entre les mains du moteur.

Un mot sur la source d’abord, parce qu’elle est inhabituelle pour un blogue d’entreprise. Le seul banc d’essai que nous ayons lu qui teste des réécritures sur des pages où plusieurs noms se font concurrence est VoteGEO-Bench, de Shiqi Zhang et Xiaokui Xiao, de l’Université nationale de Singapour. Il repose sur des pages web et des questions tirées de l’élection présidentielle américaine de 2024 et de l’élection de la Chambre des représentants du Japon en 2026, et les noms qui se disputent la place dans la réponse sont des partis politiques. Les auteurs l’étudient comme un risque : savoir si la modification de pages web pourrait changer ce qu’un moteur d’IA dit avant un vote. Nous ne faisons pas de GEO pour des partis ni des candidats, et cet article ne prend aucune position sur la politique. Nous lisons la prépublication pour sa méthode, parce que les pages électorales ont une propriété qui manque aux pages d’essai d’une seule marque : beaucoup mentionnent plus d’un camp, et dans le corpus américain, presque toutes le font.

Les limites qui en découlent sont importantes, alors les voici avant tout chiffre. La source est une prépublication, version 1, non évaluée par les pairs. Nous l’avons lue en octobre 2026 et ne l’avons pas reproduite. Les questions sont des questions électorales en anglais et en japonais. Les moteurs sont trois petits modèles interrogés par leurs API (gpt-4o-mini, gpt-5-mini et gemini-2.5-flash), recherche web désactivée, qui répondent à partir d’un ensemble de pages qu’on leur remet. Un seul modèle, gpt-4o-mini, a rédigé chaque réécriture. Rien n’y a été mesuré sur une entreprise, un produit, une question en français ou une application grand public. Chaque chiffre ci-dessous, sauf ceux que nous indiquons comme étant les nôtres ou provenant d’une autre étude, est celui des auteurs. Chaque fois que nous transposons une idée à la page d’une entreprise, cette étape est la nôtre, elle n’a pas été testée, et nous le disons.

Qu’est-ce que le banc d’essai a testé ?

VoteGEO-Bench a testé, sur des questions électorales, si la réécriture d’une page, parmi un ensemble fixe de pages remises à un modèle d’IA, change la part de la réponse du modèle qui va à un nom mentionné sur cette page. L’unité, que les auteurs appellent une cellule de requête, est une question, sur un moteur, un jour donné, avec l’ensemble de pages recueilli pour elle. Pour l’élection américaine, ce sont des pages que Google renvoyait à l’époque, environ 9 par cellule de requête. Pour le Japon, ce sont des pages que des moteurs d’IA dotés de la recherche web avaient citées pour la question, environ 63 par cellule de requête. Le test de réécriture couvre 2 939 cellules de requête : 2 289 issues de 109 questions américaines et 650 de 25 questions japonaises.

La procédure est la même chaque fois :

  • Une page est remplacée. Le moteur répond à la question à partir de l’ensemble complet de pages. Ensuite, une page qui mentionne la cible est remplacée par une version réécrite, toutes les autres pages restent telles quelles, et le moteur répond de nouveau.
  • L’exposition se compte dans la réponse. Il y a trois mesures. La couverture des mentions est la part des réponses qui nomment la cible au moins une fois. La part de voix est la part qui revient à la cible parmi les mots que la réponse consacre aux noms en concurrence. Le taux de première place (le « win rate » de la prépublication) est la part des réponses où la cible obtient le plus de mots. Une mention compte, qu’elle soit élogieuse ou critique.
  • Onze réécritures, en quatre familles, sont comparées. Structure (réorganiser la page), preuves (ajouter des propos cités, des statistiques ou des sources citées), style (reformuler) et argumentation (plaider sa cause face aux autres options). La dernière famille est nouvelle dans cette prépublication.
  • Une nouvelle exécution sans changement accompagne chaque résultat. Les auteurs génèrent la réponse une seconde fois sans modifier aucune page et rapportent de combien les mesures bougent quand même. Ils appellent cela le placebo. Chaque test est répété trois fois, avec de nouvelles réécritures et les pages fournies dans un ordre différent.

Une réécriture aide-t-elle si on ne lui dit pas pour qui elle est faite ?

Non, pas dans le seul banc d’essai qui a testé la question. Dans VoteGEO-Bench, une réécriture à qui l’on n’avait pas dit quel nom servir n’a presque jamais fait monter l’exposition de ce nom, et l’a parfois fait baisser. Les auteurs ont fait les réécritures de deux façons : une fois sans cible donnée, et une fois avec la cible nommée dans la consigne de réécriture, sans rien d’autre de changé.

Résultat sur les 36 configurations de testCible non nomméeCible nommée
Configurations avec un gain d’exposition significatif1 sur 3624 sur 36
Configurations avec une perte significative4 sur 36non indiqué
Résultats significatifs qui subsistent au test plus strict0 sur 3618 sur 36
Une configuration est une famille de réécritures sur un moteur pour une mesure d’exposition (4 familles, 3 moteurs, 3 mesures). Significatif signifie p inférieur à 0,05 à un test t apparié. Le test plus strict regroupe les résultats par question et applique une correction pour le nombre de comparaisons. Pour les réécritures où la cible est nommée, le texte de la prépublication ne rapporte que les gains. Source : Zhang et Xiao, arXiv 2610.21330 v1, section 6.2 et annexe A.4. Questions électorales en anglais et en japonais, partis politiques comme cibles.

La raison est mécanique. Dans les ensembles de pages américains, 92 % des pages mentionnent les deux grands partis, de sorte qu’une consigne d’améliorer la page ne dit pas quel nom doit gagner en exposition. Quand les auteurs ont fait une analyse des échecs des réécritures sans cible d’une stratégie dans le corpus japonais (celle qui précise une comparaison), environ le quart avait renforcé un parti adverse, et un quart (25 %) avait retiré le nom de la cible de la page. La prépublication ne dit pas si les deux groupes se recoupent.

Notre lecture pour une entreprise, que la prépublication n’a pas testée : c’est la situation de toute page où une entreprise partage la place. La réécriture d’un palmarès (le genre de liste que nous avons examiné dans notre article sur la lecture des scores de visibilité IA et des palmarès top 10), d’une fiche d’annuaire ou d’un article du genre « lequel choisir ? », demandée sous la forme « optimise ça pour l’IA », souffre du même défaut : la consigne ne dit jamais pour qui l’on modifie la page. La consigne doit nommer l’entreprise. Sur une page que l’entreprise possède et qui ne parle que d’elle, la cible est déjà évidente et cette constatation n’apporte rien. Sur une page publiée par quelqu’un d’autre, l’entreprise ne contrôle pas la modification, et la réécriture est une suggestion faite à cet éditeur.

Quelles modifications ont fait bouger la part d’un nom dans la réponse ?

Dans VoteGEO-Bench, un banc d’essai sur des questions électorales, les réécritures à qui l’on avait dit leur cible et qui réorganisaient la page ou plaidaient sa cause ont gagné plus que celles qui ajoutaient des preuves ou changeaient la formulation. Le tableau donne ce résultat par famille, avec la nouvelle exécution sans changement à la première ligne.

Famille de réécritures (cible nommée)Couverture des mentionsPart de voixTaux de première placeSignificatif dans
Nouvelle exécution sans changement (placebo)-0,44 à +0,29-0,26 à +0,16-1,13 à +0,18ligne de référence
Structure+1,76 à +2,81+0,89 à +1,47+0,73 à +2,149 configurations sur 9
Argumentation+0,74 à +1,94+0,53 à +1,48+0,52 à +2,577 configurations sur 9
Preuves+0,28 à +1,72+0,44 à +0,88+0,14 à +0,916 configurations sur 9
Style+0,17 à +0,38+0,03 à +0,94-0,21 à +0,522 configurations sur 9
Variation moyenne, en points de pourcentage, après la réécriture d’une page. Chaque case donne la valeur la plus basse et la plus haute parmi les trois moteurs (gpt-4o-mini, gpt-5-mini, gemini-2.5-flash). Les plages sont notre lecture des valeurs par moteur du tableau 3, et les nombres de configurations significatives sont ceux des auteurs. Source : Zhang et Xiao, arXiv 2610.21330 v1, tableau 3 et section 6.3. Questions électorales, partis politiques comme cibles, recherche web désactivée.

Lisez la première ligne avant les autres. Sur le taux de première place, la nouvelle exécution sans changement a bougé jusqu’à 1,13 point dans ces colonnes. Dans le tableau 3 de la prépublication, les colonnes des réécritures sans cible nommée, que nous ne reproduisons pas ici, montrent que la nouvelle exécution a bougé jusqu’à 1,32 point sur le taux de première place et jusqu’à 1,40 sur la couverture des mentions. Sur gpt-5-mini, le moteur où les gains étaient les plus faibles, l’écart de la nouvelle exécution sur le taux de première place (0,87 point) dépassait le gain de n’importe quelle famille sur ce même taux et sur ce moteur (le plus élevé était de 0,73). Les auteurs notent que ce modèle refuse plus souvent de répondre aux questions qui lui demandent de juger des candidats, ce qui laisse moins de réponses qu’une réécriture puisse changer.

Les auteurs ont aussi classé les onze réécritures individuelles dans chacune des 18 configurations (trois moteurs, deux élections, trois mesures : une grille différente de celle des 36 ci-dessus).

RéécritureFamilleCe qu’elle fait à la pageRang moyen (sur 11)Présences dans les trois premiers rangs (sur 18)
Amélioration du contenu (Content Improvement)StructureSections plus claires, ordre plus logique, information clé mise en évidence, redondance retirée. Mêmes faits, même longueur.2,6113
Distinction comparative (Comparative Distinction)ArgumentationÉnonce concrètement ce qui distingue une option face aux autres options plausibles : positions, engagements, échéanciers, mécanismes. Mêmes faits, longueur semblable.2,6714
Format de page « LLMs.txt »StructureAjoute un bloc adressé au modèle (sujet, faits clés, priorité de citation), des intertitres et des résumés en Markdown, et une section finale sur les raisons de citer la page.3,3310
Réfutation (Refutational)ArgumentationÉnonce des arguments contraires de fond et les réfute.5,006
Statistiques (Statistics)PreuvesInsère des données chiffrées aux endroits pertinents.5,176
Propos cités (Quotes)PreuvesInsère des propos attribués à des personnes crédibles.6,284
Fluidité (Fluency)StyleAméliore la fluidité des phrases et la lisibilité.7,501
Ton d’autorité (Authoritative)PreuvesAjoute cinq ou six sources crédibles citées.7,610
Langage simple (Simple Language)StyleParaphrase dans un langage plus simple.8,170
Vocabulaire distinctif (Unique Words)StyleEmploie un vocabulaire plus distinctif.8,390
Termes techniques (Technical Terms)StyleReformule avec une terminologie plus technique.9,280
Le rang 1 est le plus grand gain par rapport à la page non modifiée dans une configuration. Cible nommée dans chaque réécriture, gpt-4o-mini comme modèle de réécriture. Source : Zhang et Xiao, arXiv 2610.21330 v1, figure 2 et section 5. Questions électorales en anglais et en japonais, trois petits modèles, recherche web désactivée. Un rang ne dit rien de l’ampleur d’un gain.

Quatre choses dans ce tableau comptent pour quiconque achète ou rédige du contenu GEO.

  • Les deux premières avaient pour consigne de ne changer aucun fait. L’une réorganise la page (Amélioration du contenu). L’autre énonce les différences entre les options que la page décrit déjà (Distinction comparative). Les deux consignes de réécriture disaient au modèle de conserver les faits d’origine et à peu près la même longueur. La prépublication n’a pas vérifié que les réécritures avaient respecté cette consigne.
  • Ajouter des preuves a fait moins. Les statistiques, les propos cités et les sources citées sont les modifications que l’étude de 2023 sur le GEO (arXiv 2311.09735, en anglais) a érigées en conseil de base, et notre propre survol du GEO cite cette étude. Ici, elles finissent cinquième, sixième et huitième sur onze. Les deux résultats ne sont pas sur la même échelle : l’étude de 2023 mesurait la visibilité d’une source dans une réponse, et la prépublication mesure la part d’un nom dans une réponse quand plusieurs noms se partagent une page. C’est quand même le deuxième banc d’essai que nous couvrons où réorganiser faisait au moins aussi bien qu’ajouter. Dans GEO-Bench, la réécriture d’amélioration du contenu était la plus forte des réécritures légitimes (white hat) : 0,125 sur l’échelle de gain de rang de ce banc d’essai, où 1 correspond à une remontée complète de la dernière place à la première, contre 0,083 à 0,105 pour les propos cités, les sources citées, les statistiques et le ton d’autorité, sur un seul modèle ouvert (Llama-3.1-8B), comme nous l’avons rapporté dans Les trucs GEO, mesurés.
  • Les réécritures de preuves peuvent ajouter des choses que la page n’a jamais dites. Les auteurs n’ont pas vérifié systématiquement les pages réécrites par rapport aux originales, et ils notent que les stratégies de preuves peuvent introduire des éléments à l’appui qui ne figuraient pas sur la page. Une statistique ou un propos cité qu’un modèle insère pour faire monter un score, sans source derrière, est une fabrication. Un vrai chiffre avec sa source, c’est autre chose, et ce banc d’essai ne l’a pas testé.
  • La réécriture « LLMs.txt » n’est pas le fichier llms.txt. Dans la prépublication, c’est un bloc de texte écrit dans le corps de la page et adressé au modèle, qui se termine par une section qui plaide pour que la page soit citée. Elle s’est classée troisième. C’est un résultat sur trois petits modèles sans recherche, et il ne dit rien du fichier llms.txt qu’un site web publie à sa racine. Sur la foi de ces données, nous n’écririons pas, dans la page d’un client, du texte destiné au modèle plutôt qu’au lecteur.

L’ordre des familles est un résultat regroupé, et il comporte des exceptions. Le tableau des familles ci-dessus ne sépare pas les deux élections. L’annexe de la prépublication (tableau 8) le fait, ce qui explique que les chiffres qui suivent soient plus grands que ceux du tableau. Sur gemini-2.5-flash dans le corpus américain, la réécriture par ajout de statistiques a produit le plus grand gain de part de voix de toutes les stratégies (+3,71 points), et les quatre réécritures de style ont toutes gagné de 1,41 à 2,80 points. L’ordre ne tient pas sur tous les moteurs.

Quelle est l’ampleur des gains, et quelle part relève du bruit ?

Les gains dans VoteGEO-Bench sont petits : selon les familles de réécritures, d’une fraction de point à environ 4 points de pourcentage, sur des mesures où une nouvelle exécution sans changement peut bouger d’un point ou plus. La structure et l’argumentation ont gagné le plus souvent de 1 à 3 points par moteur. Les preuves et le style ont gagné le plus souvent moins de 1 point. Trois vérifications de la prépublication doivent accompagner tout chiffre qu’on en tire.

  • La nouvelle exécution sans changement. Elle a bougé jusqu’à 1,40 point dans le tableau principal, et jusqu’à 3,24 points dans le tableau complet de l’annexe, où les résultats sont séparés par moteur et par groupe. Plusieurs gains individuels de cette annexe sont plus petits que la nouvelle exécution dans la même colonne.
  • Le test plus strict. Beaucoup de cellules de requête quotidiennes reprennent la même question. Quand les auteurs en tiennent compte et appliquent une correction pour le nombre de comparaisons, les configurations significatives avec cible nommée passent de 24 à 18 sur 36, et les résultats significatifs par famille et par groupe d’élections (4 familles, 4 groupes, 3 mesures) de 31 à 22 sur 48. L’ordre des familles sur la part de voix (structure au moins aussi bonne qu’argumentation, puis preuves, puis style) reste le même dans le corpus américain et dans chacune des tranches japonaises.
  • Absolu contre relatif. Le même gain en points est un pourcentage bien plus grand pour un nom qui part de bas.
MesureExposition de départ de la cibleGain en pointsLe même gain, en relatif
Couverture des mentions, cible à forte exposition72,41 %+4,28+5,9 %
Couverture des mentions, cible à faible exposition28,55 %+4,12+14,4 %
Taux de première place, cible à forte exposition13,72 %+1,48+10,8 %
Taux de première place, cible à faible exposition2,34 %+1,20+51,1 %
Réécritures de structure dans le corpus japonais, regroupées sur les trois moteurs. Forte exposition et faible exposition sont les tranches haute et basse de partis selon leur part du vote final, telles que la prépublication les définit. Source : Zhang et Xiao, arXiv 2610.21330 v1, tableau 4 et section 6.3. Les chiffres relatifs sont ceux des auteurs.

Les auteurs font eux-mêmes ce dernier constat : des gains comparables en points représentent des gains relatifs plus grands pour les partis qui partent avec peu d’exposition. C’est la version honnête de l’affirmation voulant que le GEO aide surtout le petit joueur, et elle vient avec une condition. Plus 51,1 % et plus 1,20 point sur une base de 2,34 % sont le même résultat, et quiconque cite l’un devrait citer l’autre.

La règle que nous tirons de la ligne du placebo vaut bien au-delà de cette prépublication. Avant d’attribuer une hausse à un changement, reposez la même question sans rien changer et voyez de combien le chiffre bouge. Un rapport avant-après qui omet cela ne permet pas de distinguer le changement du bruit. Les moteurs en conditions réelles varient eux aussi : dans la prépublication de l’Université de Toronto que nous avons couverte dans ce qui détermine les citations de l’IA, deux exécutions de ChatGPT le même jour sur la même question partageaient 15 % de leurs pages citées. Notre article sur la lecture des scores de visibilité IA énumère ce que doit aussi préciser une mesure.

Qu’est-ce qui a fait plus bouger l’exposition que la modification ?

Ce qu’on a dit au moteur sur la personne qui posait la question a fait bouger l’exposition de départ d’un nom plus que la réécriture, avec une grande marge sur un moteur et une marge étroite sur les deux autres. Dans le corpus américain, les auteurs ont ajouté, avant la question, une ligne disant qui la posait : une identité démographique, une identité partisane ou un court profil d’électeur. Ils ont ensuite mesuré la part de voix du parti cible avant toute réécriture, et le gain des deux réécritures en tête.

Part de voix de la cible, en pointsgpt-4o-minigpt-5-minigemini-2.5-flash
Écart d’exposition de départ entre les deux identités partisanes déclarées opposées11,63,43,0
Gain de la réécriture de comparaison en tête, sous l’identité alignée sur la cible+2,20+1,76+2,16
Nouvelle exécution sans changement dans la même configuration+0,22+0,38+0,07
Corpus américain, parti cible principal des auteurs. L’identité est une ligne placée avant la question, et non une propriété de la page. La réécriture est la distinction comparative (Comparative Distinction). Source : Zhang et Xiao, arXiv 2610.21330 v1, tableaux 5 et 9 et section 6.4.

Sur gpt-4o-mini, passer l’identité partisane déclarée de la personne qui pose la question d’un camp à l’autre a fait bouger de 11,6 points la part de voix de départ de la cible. La réécriture en tête en a ajouté 2,20. Sur les deux autres moteurs, l’écart était de 3,4 et de 3,0 points, contre 1,76 et 2,16 pour la réécriture : plus grand, mais pas de beaucoup. Une identité démographique déclarée a fait bouger le point de départ de -0,8 à +2,5 points.

Ces écarts comparent deux identités opposées. Par rapport à une question sans identité déclarée, une ligne d’identité partisane a déplacé le point de départ de -7,0 à +4,6 points (la plage donnée par les auteurs). Sur gemini-2.5-flash, le déplacement était de moins de 2 points dans un sens comme dans l’autre, donc moins que les 2,16 de la réécriture (notre soustraction à partir du tableau 5).

Les réécritures ont continué de fonctionner peu importe qui était censé poser la question. La réécriture de comparaison a produit un gain significatif de part de voix sous chacun des 15 profils de la personne qui pose la question (la prépublication les appelle des « personas ») sur gpt-4o-mini et sur gemini-2.5-flash. Sur gpt-5-mini, 29 des 30 gains des deux réécritures en tête étaient positifs, et le texte de la prépublication ne dit pas combien étaient significatifs. Et ces profils n’ont pas rendu une réécriture plus forte ou plus faible de façon fiable : sur 90 écarts de ce genre, aucun n’est resté significatif au test plus strict. Le contexte a déplacé le plancher, et la réécriture a ajouté son point ou deux par-dessus.

Ce que la prépublication a mesuré ici, c’est qui pose la question, pas la notoriété d’un nom. Le lien avec la notoriété d’une marque est le nôtre, et il repose sur d’autres mesures. Dans la prépublication de Toronto citée plus haut, ChatGPT a écrit une marque dans ses propres recherches 67 % du temps quand la marque figurait déjà dans la mémoire du modèle pour cette question, contre 11 % autrement. Quand nous avons testé ce que les modèles savent de la toiture au Québec avec la recherche désactivée, en juillet 2026, 5 réponses sur 70 nommaient une entreprise locale que nous pouvions vérifier (ce que cela implique pour une entreprise qui arrive tard est expliqué dans on ne prête qu’aux riches, mais les plus aptes s’enrichissent). Ce sont des études différentes qui mesurent des quantités différentes, et elles vont dans le même sens : ce que le moteur apporte à la question, sa mémoire d’un nom ou sa lecture de la personne qui demande, peut peser plus qu’une modification apportée à une seule page. Sur la foi de ces données, modifier la page semble être le plus petit levier, et rien de tout cela n’a été mesuré sur une page d’entreprise.

Qu’est-ce que cela ne vous dit pas ?

Ce banc d’essai ne vous dit pas que réécrire la page d’une entreprise fera monter sa visibilité dans ChatGPT, Gemini ou tout autre moteur.

  • Rien sur une question commerciale. Chaque question porte sur une élection et chaque cible est un parti politique. Transposer le schéma à un métier, à un produit ou à une agence est une extrapolation. Nous pensons que le mécanisme est général : une page où figurent plusieurs noms demande une réécriture qui sait lequel elle sert. C’est notre opinion. La prépublication ne l’a pas testé.
  • Si une page réécrite est récupérée ou citée. La recherche web était désactivée et les ensembles de pages étaient fixes. Les auteurs en font leur première limite, et ils l’ont choisie exprès, pour éviter de publier du contenu politique réécrit. Dans la prépublication de Toronto, la recherche propre à ChatGPT expliquait une bien plus grande part des écarts de citations que la page.
  • Comment un moteur grand public se comporte aujourd’hui. Trois petits modèles ont répondu par leurs API. Aucun modèle haut de gamme, aucune application ChatGPT ou Gemini et aucun AI Overview de Google n’ont été testés.
  • Rien en français. Les questions sont en anglais et en japonais.
  • Si la mention vous est favorable. L’exposition compte la critique comme l’éloge, et la prépublication ne rapporte aucune évaluation humaine des réponses.
  • Si les pages réécrites sont restées exactes. Les auteurs ne les ont pas vérifiées systématiquement.
  • Ce que ferait un autre modèle de réécriture. Un seul petit modèle a rédigé toutes les réécritures.

La prépublication a aussi mesuré quels types de sources les moteurs citaient pour les questions électorales et à quelle vitesse ces sources se renouvelaient. Nous laissons ces chiffres de côté : ils décrivent la couverture électorale et nous ne voyons aucune façon solide de les transposer à une entreprise. Pour toutes ces raisons, nous ne citons pas cette prépublication à un client comme preuve qu’une réécriture fera monter sa visibilité. Un argumentaire GEO qui le fait en tire trop.

Comment réécririons-nous une page de comparaison ou de palmarès pour les réponses de l’IA ?

Nous tirons de cette prépublication quatre règles de travail pour notre travail GEO. Elles relèvent de la méthode. Aucune n’a été testée sur la page d’une entreprise, et aucune ne promet de résultat.

  • La récupération passe encore en premier. Soumettez les questions des acheteurs aux moteurs et consignez si la page est récupérée, citée ou ignorée, comme l’expose ce qui détermine les citations de l’IA. Cette prépublication porte sur le cas qui reste : la page était entre les mains du moteur et l’entreprise n’a pas été nommée.
  • Chaque consigne de réécriture nomme sa cible. Quelle entreprise, sur quelle page, pour quelle question. Sur une page partagée que le client ne possède pas, la consigne est une proposition faite à l’éditeur : une description corrigée ou plus claire de la fiche propre au client, avec les faits qui le distinguent.
  • La structure et les distinctions avant la décoration. Réorganisez la page : sections claires, ordre plus logique, faits clés mis en évidence, répétitions retirées, même longueur. Organiser le contenu autour de la question de l’acheteur, c’est notre pratique, pas quelque chose que le banc d’essai a testé. Là où la page compare des options, dites concrètement ce qui distingue l’entreprise des autres options auxquelles on la compare : ce à quoi elle s’engage, pour quand, et comment elle fait le travail. Un exemple inventé, pas celui d’un client : « équipe fiable et expérimentée », c’est une paire d’adjectifs, et « soumission écrite dans les 48 heures, date de début fixée au contrat, un seul chargé de projet nommé de la première visite à l’inspection finale », c’est une distinction. Ne changez aucun fait. Les statistiques et les propos cités s’ajoutent quand ils sont réels et sourcés, parce qu’ils rendent la page plus utile à un lecteur. Nous ne les ajoutons pas comme tactique de visibilité.
  • Aucune hausse sans sa nouvelle exécution. La même question, reposée sans changement, avant la modification et après. À la main, cela veut dire poser plusieurs fois la même question, dans de nouvelles conversations sur le même moteur, et compter combien de fois chaque entreprise est nommée. L’écart entre ces exécutions est le bruit que tout gain doit dépasser. C’est plus approximatif que le contrôle de la prépublication, puisqu’un moteur en conditions réelles ne garde pas ses pages fixes. Énoncez le résultat en points avec sa base, et jamais en pourcentage seulement.

Si quelqu’un vous montre un graphique avant-après pour une réécriture de contenu, trois questions permettent de trier vite. Pour quel nom de la page la réécriture a-t-elle été rédigée ? Qu’a donné la même question quand on l’a exécutée deux fois sans rien changer ? Et le gain vaut combien de points, sur quelle base ? Nous vendons nous-mêmes ce travail, alors nous avons un intérêt dans la façon dont il s’achète. Nos propres mesures partent des questions que posent les acheteurs, et le travail sur les pages découle de ce qu’elles montrent (voir nos audits SEO).