Les sources des API et des interfaces de ChatGPT et Gemini ne coïncident qu’à 12–15 %

Les équipes SEO sont habituées à une logique simple : autoriser un robot à explorer une page, attendre son indexation, puis observer son classement. Avec la recherche par IA, ce schéma ne tient plus. L’accès au contenu, son utilisation pour entraîner un modèle et l’apparition d’un lien dans une réponse générée constituent trois opérations distinctes. Un seul commutateur ne permet pas de les contrôler simultanément.

Prenons un exemple simple. Une boutique en ligne autorise Googlebot à explorer ses fiches produit, interdit l’utilisation de ses contenus pour l’entraînement et souhaite apparaître dans AI Overviews. Ces décisions ne sont pas contradictoires, mais elles nécessitent des réglages différents. Si l’équipe modifie uniquement le fichier robots.txt et ne constate aucune hausse des citations une semaine plus tard, cela ne permet encore de tirer aucune conclusion sur la qualité du contenu ni sur l’efficacité de l’interdiction.

Il faut dissocier l’accès, l’entraînement et la recherche par IA

Google prévoit de prendre en charge en 2027 un signal commun de préférences pour l’entraînement des IA fondé sur AIPREF. Avant son lancement, il ne faut pas le considérer comme un paramètre universel que tous les modèles respecteraient déjà. Les règles actuelles propres à chaque fournisseur ne disparaîtront pas non plus : Google-Extended, par exemple, contrôle certains scénarios d’utilisation des contenus, mais n’exclut pas un site de la recherche classique et ne constitue pas un facteur de classement.

Un mécanisme distinct a été annoncé pour les fonctionnalités génératives de Google Search. Il doit permettre aux propriétaires de sites de gérer, depuis Search Console, la participation de leurs contenus à AI Overviews et AI Mode. Ce réglage n’équivaut pas à une interdiction d’entraînement. Avant de le modifier, il convient d’enregistrer le trafic initial, l’ensemble des pages concernées et le résultat attendu de l’expérience. Sinon, l’équipe obtiendra un graphique sans pouvoir expliquer précisément ce qui l’a fait évoluer.

Screaming Frog SEO Spider 25.0 simplifie la dimension technique du processus. La configuration d’exploration peut désormais être enregistrée au format JSON, versionnée et réutilisée. C’est utile pour les audits réguliers : le même ensemble d’URL est contrôlé avec les mêmes paramètres, tandis que les modifications de configuration restent visibles dans l’historique du projet. Cependant, un crawler confirme qu’une page est accessible, pas la probabilité qu’elle apparaisse dans la réponse d’un modèle.

Les citations deviennent plus mesurables, mais pas automatiquement plus exactes

Bing a ajouté l’outil Topics Portfolio à AI Performance. Celui-ci regroupe les requêtes par thème, affiche les citations et suggère les requêtes pour lesquelles un site pourrait présenter une lacune. Pour une rédaction, c’est plus utile qu’un simple compteur global de mentions : elle peut constater, par exemple, qu’une marque est visible sur le thème des sauvegardes, mais presque absente de celui de la sécurité des données.

Une réserve importante s’impose. Les groupes sont créés automatiquement et les valeurs peuvent être approximatives. Un petit site peut même ne pas voir cet onglet, faute de données suffisantes. La liste des possibilités ne doit donc pas être immédiatement transformée en plan éditorial. Il faut d’abord vérifier manuellement les requêtes, éliminer les marques étrangères au sujet et rapprocher les thèmes du produit et de l’intention de l’utilisateur.

Une étude sur les recommandations de produits générées par l’IA a mis en évidence une autre limite. Sur un échantillon de 1 536 réponses, le chevauchement moyen des domaines affichés entre l’interface utilisateur et l’API atteignait 12,0 % pour ChatGPT et 14,8 % pour Gemini. Il ne s’agit pas d’un indicateur universel applicable à tous les secteurs : l’étude portait sur 117 requêtes en anglais concernant des produits physiques, exécutées depuis les Pays-Bas. Le signal opérationnel reste néanmoins fort : un audit automatisé via une API ne peut pas être présenté comme une reproduction exacte de l’expérience utilisateur.

Ce qu’il faut changer dans le processus de travail

Commencez par dresser un inventaire. Pour chaque projet, consignez les règles d’exploration, les interdictions d’entraînement, les paramètres de participation à la recherche par IA et les sources d’analyse disponibles. Choisissez ensuite un petit ensemble stable de requêtes et testez-le simultanément via les API et les interfaces réelles. Enregistrez la date, la région, la formulation de la requête, le modèle, les liens trouvés et les citations visibles.

Enfin, intégrez les métadonnées au processus de validation éditoriale. Le titre, la description, le JSON-LD et le texte alternatif doivent faire l’objet de la même vérification factuelle que le contenu principal. La conclusion est simple : un audit GEO ne devient reproductible que lorsque l’équipe dissocie les paramètres d’accès et les méthodes de mesure. Un rapport, un crawler ou une requête API pris isolément ne donne pas une vue d’ensemble.