Les trucs GEO, mesurés : ce qui fait bouger un classement IA, ce qui se fait repérer, et de qui vient le test

En bref

• Les trucs GEO fonctionnent-ils ? Certains font monter un peu un classement IA, sur les listes où ils ont été testés. Parmi les réécritures que vendent la plupart des argumentaires GEO (ajout de propos cités, de statistiques ou de sources citées), celles qui le font monter le plus sont celles qu’un filtre signale le plus. Et le chiffre de gain qu’on vous cite dépend de qui a rédigé le test.
• La preuve, c’est GEO-Bench, un banc d’essai universitaire de la University of Southern California et de l’Arizona State University (arXiv 2605.29107, en anglais, version 3, 12 octobre 2026, non évalué par des pairs). Il évalue 15 façons de modifier un contenu pour qu’il monte dans une liste classée par un modèle d’IA.
• Sur Llama-3.1-8B, les réécritures qui ajoutent des propos cités, des statistiques ou des sources citées ont fait monter une cible davantage que les chaînes optimisées sur le modèle de classement lui-même. Une attaque qui procédait par recherche, en s’appuyant sur les réponses du modèle, l’a fait monter le plus.
• Le même texte d’attaque a obtenu un score environ cinq fois plus élevé avec le script d’évaluation publié par ses auteurs qu’avec le script commun du banc d’essai (Llama-3.1-8B, moyenne sur les cinq jeux de données). Sans sa méthode, un chiffre de gain GEO ne peut pas être vérifié.
• Tout cela se passe après la récupération, sur une liste déjà figée. Rien dans le banc d’essai n’explique comment entrer dans cette liste, et cette étape passe en premier.

Le GEO (generative engine optimization, ou optimisation pour moteurs génératifs) se vend aujourd’hui comme le SEO d’autrefois : une liste de tactiques, un pourcentage avant-après, et la promesse que les réponses de l’IA vont vous nommer. Si le GEO est nouveau pour vous, notre survol du GEO couvre les bases. Cet article s’adresse à la personne qui doit évaluer l’argumentaire d’une agence de SEO IA ou de GEO. Un banc d’essai a maintenant soumis la plupart des tactiques de cet argumentaire au même test, et ses résultats sont plus utiles à l’acheteur qu’au vendeur.

Qu’est-ce que GEO-Bench ?

Avant GEO-Bench, chaque méthode de manipulation avait été testée avec ses propres données, sa propre consigne, sa propre mesure et son propre modèle de classement IA, si bien que personne ne pouvait dire laquelle était la plus forte. GEO-Bench soumet 15 méthodes à un seul protocole. Elles se répartissent en trois familles :

• Attaques par consigne en boîte noire : un attaquant IA rédige un texte conçu pour propulser une cible vers le haut de la liste, et certaines méthodes interrogent le modèle de classement et apprennent de ses réponses.
• Attaques par gradient en boîte blanche : des chaînes de jetons (tokens) optimisées directement sur les poids mêmes du modèle de classement. Elles se lisent généralement comme du charabia.
• Réécritures légitimes (white hat) : les tactiques de la plupart des argumentaires GEO. Ajouter des propos cités, ajouter des statistiques, ajouter des sources citées, adopter un ton d’autorité, ou réécrire pour la qualité générale du contenu.

GEO-Bench reprend ces réécritures de l’article d’origine sur le GEO, publié en 2023 (arXiv 2311.09735, en anglais), et d’un banc d’essai de suivi paru en 2025, C-SEO Bench. L’article de 2023 est la source du chiffre « jusqu’à 40 % » que cite notre survol du GEO. Ce chiffre mesurait la visibilité dans des réponses générées, sur le propre banc d’essai des auteurs. GEO-Bench mesure le rang dans une courte liste, sous un seul script commun. Les deux chiffres mesurent des choses différentes et ne se comparent pas directement, ce qui est justement le propos de la section sur les scripts plus bas.

Le jeu d’essai compte 729 cibles réparties en 83 listes de 7 à 10 éléments, tirées de cinq jeux de données de la littérature sur le GEO, dont la quasi-totalité sont des listes de produits en anglais. Chaque modification est notée selon deux critères : jusqu’où elle fait monter sa cible, et à quel point elle est détectable. Le mouvement est exprimé en gain de rang normalisé (NRG, pour normalized rank gain) : 1 signifie que la cible est passée de la dernière place à la première, 0 qu’elle n’a pas bougé. Le modèle de classement principal est Llama-3.1-8B, un modèle ouvert, et les résultats sont notés de nouveau sur trois autres (Qwen2.5-14B, Mistral-7B et GPT-4o-mini) ainsi que sur un reclasseur à encodeur croisé (cross-encoder).

Gardez les limites de l’étude en tête pour tout ce qui suit. Il s’agit d’un article universitaire, pas encore évalué par des pairs. Il utilise un seul juge IA avec une seule consigne pour mesurer la détectabilité, ne comporte aucune évaluation humaine, et classe de courtes listes en anglais avec des modèles ouverts de 7 à 14 milliards de paramètres et GPT-4o-mini, et non avec la recherche ChatGPT, Perplexity ou les fonctions IA de Google telles qu’elles sont déployées. Il n’y a pas de première étape de récupération : la liste est remise toute faite au modèle.

Quels trucs GEO font vraiment monter un classement IA ?

Dans GEO-Bench, sur Llama-3.1-8B et en moyenne sur cinq jeux de données, les réécritures qui n’ont jamais vu le modèle ont fait monter une cible plus haut dans une liste classée par IA que les chaînes optimisées sur ses poids, et une attaque par recherche qui apprenait des réponses du modèle l’a fait monter le plus (0,179 NRG).

Méthode	Famille	Gain de rang (NRG)	Signalé par le juge IA, à un taux de faux positifs de 6 %	Gain restant après l’un ou l’autre filtre
TAP, une attaque par recherche arborescente qui interroge le modèle de classement (attaquant Llama-3.1-8B)	Attaque en boîte noire	0,179 (24 % des cibles passées en première place)	60 %	0,054
Réécriture d’amélioration du contenu	Réécriture légitime (white hat)	0,125	31 %	0,015
Ajout de propos cités	Réécriture légitime (white hat)	0,105	76 %	0,007
Ajout de sources citées	Réécriture légitime (white hat)	0,098	63 %	0,023
Ajout de statistiques	Réécriture légitime (white hat)	0,090	74 %	0,022
Ton d’autorité	Réécriture légitime (white hat)	0,083	10 %	0,043
Zero-shot, un attaquant IA sans rétroaction du modèle de classement	Attaque en boîte noire	0,053	15 %	0,030
Suffixes STS, RAF et StealthRank	Attaque par gradient en boîte blanche	0,013 à 0,031	55 % à 100 %	0,000 ou moins

Trois constats tiennent la route. Premièrement, les gains sont modestes. Sur Llama-3.1-8B, en moyenne sur les cinq jeux de données, une réécriture d’amélioration du contenu a gagné 0,125 NRG, soit un huitième d’une montée complète de la dernière à la première place. Deuxièmement, ce qui séparait la meilleure attaque de l’attaque zero-shot, c’était la rétroaction du modèle de classement, pas un attaquant plus intelligent : un attaquant Qwen2.5-14B a égalé celui de Llama-3.1-8B (0,177 contre 0,179 NRG, modèle de classement Llama-3.1-8B, moyenne sur les cinq jeux de données). Sur Llama-3.1-8B, l’avance de TAP sur la réécriture d’amélioration du contenu n’est pas statistiquement significative une fois corrigées les comparaisons multiples. Troisièmement, l’accès aux poids du modèle ne s’est pas traduit en avantage. Les chaînes à gradient avaient été optimisées sur les poids mêmes de Llama-3.1-8B et sont quand même restées derrière chaque attaque et chaque réécriture efficace du tableau (0,013 à 0,031 NRG, moyenne sur les cinq jeux de données). Elles ont été notées avec une consigne de classement sur laquelle elles n’avaient pas été ajustées, ce qui est la position de quiconque ne voit pas la consigne de classement d’une plateforme. Selon les auteurs, cela suggère que le contenu persuasif se transfère mieux d’une consigne à l’autre que des jetons optimisés. Ils notent aussi qu’un attaquant par gradient qui connaîtrait la consigne déployée pourrait être plus fort.

Les trucs GEO se font-ils repérer ?

Dans GEO-Bench, les tactiques GEO qui fonctionnent peuvent être détectées, mais un filtre appliqué à un seuil fixe, comme le ferait une plateforme, n’en signale qu’une partie. GEO-Bench a demandé à un juge IA (Qwen2.5-14B) si chaque texte était « manipulative toward a ranking system » (en anglais dans l’original, soit « manipulateur à l’égard d’un système de classement »). Mesuré sur l’ensemble des seuils, le juge sépare du texte propre toute méthode qui gagne au moins 0,05 NRG, avec une AUROC (aire sous la courbe ROC) entre 0,72 et 0,98 (Llama-3.1-8B, moyenne sur les cinq jeux de données ; 0,5 équivaut à un tirage à pile ou face, 1 à une séparation parfaite). Un vrai filtre ne fonctionne pas sur tous les seuils. Il en utilise un seul, choisi pour éviter de signaler du contenu honnête.

À un taux de faux positifs de 6 %, en moyenne sur les cinq jeux de données, le juge ne signale que 10 % des modifications de ton d’autorité et 31 % des modifications d’amélioration du contenu, et, face au juge seul, celles-ci gardent l’essentiel de leur gain sur Llama-3.1-8B. Un simple filtre à mots-clés en signale un autre ensemble : 74 % des modifications d’amélioration du contenu, mais seulement 19 % des modifications de statistiques (taux de violation des mots-clés, moyenne sur les cinq jeux de données). En combinant les deux, de sorte qu’une modification est signalée si l’un ou l’autre filtre se déclenche, la paire étant réglée pour signaler 10 % des originaux honnêtes, chaque réécriture tombe à 0,046 NRG ou moins (Llama-3.1-8B, moyenne sur les cinq jeux de données). L’attaque par recherche a le mieux résisté : menée avec un attaquant Qwen, elle a conservé 0,081 NRG sur Llama-3.1-8B après les deux filtres (moyenne sur les cinq jeux de données), plus que toute autre méthode. Mesurer le degré de prévisibilité du texte (la perplexité) n’a exposé que les chaînes à gradient. Toute attaque et toute réécriture hors de la famille à gradient se lisait comme plus prévisible que l’original (moyenne sur les cinq jeux de données).

Pour un acheteur, ce qu’il faut retenir, c’est le lien entre le gain d’une tactique et la facilité avec laquelle on la signale. Dans ce banc d’essai, les réécritures qui font monter le plus (amélioration du contenu, propos cités, sources citées, statistiques) sont aussi celles qu’un filtre à mots-clés ou un juge IA signale le plus. Une simple réécriture au ton d’autorité gagne moins, et le juge IA la signale à peine (10 % des modifications à un taux de faux positifs de 6 %, moyenne sur les cinq jeux de données), bien que 31 % de ses modifications aient déclenché le filtre à mots-clés (taux de violation des mots-clés, moyenne sur les cinq jeux de données). Le gain qu’une tactique procure dépend de l’endroit où la plateforme règle son filtre, et elle peut modifier ce réglage à tout moment.

Pourquoi les résultats GEO varient-ils d’une agence à l’autre ?

GEO-Bench n’a pas testé de rapports d’agence, mais il montre pourquoi leurs chiffres divergent : le script de test peut faire bouger le gain mesuré autant que la tactique. C’est le résultat le plus utile de l’article pour qui lit une étude de cas GEO.

Les auteurs ont pris les chaînes d’attaque produites par une méthode publiée, StealthRank, et les ont soumises à deux évaluations sur le même modèle de classement, Llama-3.1-8B. Avec le script publié par la méthode elle-même, sur Llama-3.1-8B, le NRG moyen sur les cinq jeux de données était de 0,25. Avec le protocole commun de GEO-Bench, sur Llama-3.1-8B et les mêmes cinq jeux de données, il était de 0,05. Rien n’avait changé dans l’attaque. Il s’agit des chaînes produites par le code publié de StealthRank lui-même : la nouvelle exécution de la méthode par GEO-Bench, dans le tableau plus haut, a obtenu 0,031. Les scripts diffèrent par le gabarit de conversation (chat template), la mise en forme de la liste, la formulation de la requête, et le recours du protocole commun au rang médian sur dix ordres aléatoires de produits. Les auteurs n’ont pas testé ces facteurs un à un, alors ils ne peuvent pas dire lequel pèse le plus.

Le jeu de données compte aussi. Avec le même protocole, sur Llama-3.1-8B, l’attaque par recherche a atteint 0,32 NRG sur un jeu de données (Ragroll), alors que sur un autre (STSData), aucune méthode n’a dépassé 0,07. Un gain mesuré sur un jeu de données dit comment ce jeu s’est comporté. Il ne dit pas ce qui arrivera à vos pages.

Un pourcentage de gain, seul, vous renseigne donc sur le test qui l’a produit. Deux pourcentages issus de deux tests différents ne se comparent pas directement.

Qu’est-ce que le banc d’essai ne vous dit pas ?

• Si on vous trouve. Chaque liste de GEO-Bench est figée avant que le modèle la voie. La vraie recherche IA décide d’abord quelles pages elle peut consulter et lesquelles elle récupère, et le banc d’essai ne mesure rien de cela. Nous avons traité de la partie documentée de cette couche, soit le robot d’exploration qu’utilise chaque moteur, dans comment l’IA choisit ses citations, et de ce que les modèles préfèrent une fois les candidats fixés dans pourquoi l’IA cite toujours les mêmes sources.
• L’ampleur de l’effet sur le moteur qui vous intéresse. L’ordre des méthodes se maintenait d’un modèle de classement IA à l’autre sur les quatre (corrélation de rang de 0,84 à 0,94), mais pas l’ampleur des gains. La réécriture d’amélioration du contenu a gagné 0,082 NRG sur GPT-4o-mini et 0,279 sur Mistral-7B (moyenne à poids égal sur les jeux de données), et GPT-4o-mini était le modèle de classement le plus difficile à faire bouger. Le reclasseur à encodeur croisé a ordonné les méthodes autrement encore, et les propos cités, les statistiques et les sources citées l’ont laissé stable ou plus bas.
• Comment une personne lit le texte modifié. Il n’y a aucune évaluation humaine, et la détectabilité repose sur un seul juge avec une seule consigne.
• Quoi que ce soit sur ChatGPT, Perplexity ou les fonctions IA de Google tels qu’ils fonctionnent aujourd’hui. Aucun n’a été testé, et aucun ne publie sa méthode de classement.

Comment évaluer l’argumentaire d’une agence GEO ?

• Quel moteur, et quel modèle ? Un gain sur un modèle n’est pas un gain sur un autre. Même dans ce banc d’essai, l’ampleur d’un gain pouvait varier du simple au triple, voire plus, d’un modèle à l’autre.
• Quelles questions, et quand ? La visibilité IA est une mesure sur un ensemble fixe et daté de questions, répétée au fil du temps. Notre entonnoir de visibilité IA présente ce qu’il faut mesurer à chaque étape.
• Le script de qui ? Demandez la méthode derrière le chiffre : la consigne, la liste, le modèle, le nombre d’essais. Sans elle, le chiffre ne peut être ni vérifié ni comparé.
• La récupération a-t-elle été mesurée d’abord ? Si vos pages ne sont pas récupérées pour les questions que posent vos acheteurs, les tactiques de classement travaillent sur une liste où vous ne figurez pas.
• La tactique est-elle de celles qu’un filtre signalerait ? Les réécritures qui ajoutent des propos cités ou des statistiques étaient celles que le juge IA de ce banc d’essai a signalées le plus souvent : 76 % des modifications par ajout de propos cités et 74 % des modifications par ajout de statistiques, à un taux de faux positifs de 6 % (réglage Llama-3.1-8B, moyenne sur les cinq jeux de données).

Rien de tout ça ne veut dire que les réécritures légitimes (white hat) ne valent rien. Ajouter une vraie statistique avec sa source, ou citer quelqu’un qui connaît le sujet, peut rendre une page plus utile. Le gain est réel sur une liste, mais il est petit, il dépend du modèle de classement, et les plus gros gains sont les plus faciles à signaler. À lui seul, ce gain n’est pas une stratégie.

Ce que nous faisons plutôt

Notre travail GEO commence par la mesure : nous soumettons les questions que posent réellement les acheteurs aux moteurs IA qui comptent, nous relevons si les pages d’un client sont récupérées, citées ou ignorées, puis nous mesurons ce qui se passe, gardons ce qui fonctionne et laissons tomber le reste. Les changements aux pages viennent ensuite et visent à bien répondre à ces questions plutôt qu’à appliquer des tactiques qu’un filtre apprend à signaler (voir nos audits SEO).