Live 18/11 · Cohorte 318 nov à 19h00 MSK — atelier pratique gratuit sur les agents IA · La Cohorte 3 démarre le 23/11Atelier 18/11 →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarHabr AI→ original

Dans 94% des sélections B2B, la synthèse IA n'affiche presque pas les sites des entreprises elles-mêmes

Le site d'un prestataire est dans le top 10 de Google, mais à la question « qui peut réaliser ce travail dans ma ville », ChatGPT cite des annuaires, pas lui. Sur 200 requêtes B2B, la synthèse IA s'est affichée dans 94 sélections sur 100, et les sites des entreprises ne figuraient presque pas dans la liste. Le modèle recoupe l'entreprise par son numéro fiscal dans des registres externes et ne croit pas à sa description d'elle-même. Il faut donc une fiche dans un registre externe, avec un lien vers le site.

Traité par IA depuis Habr AI ; édité par Hamidun News
Dans 94% des sélections B2B, la synthèse IA n'affiche presque pas les sites des entreprises elles-mêmes
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #1Le modèle extrait de la page l'UNP à 9 chiffres et vérifie la personne morale par une requête distincte
Chiffre clé #2llms.txt a été ouvert 14 fois sur 773 704 requêtes vers l'annuaire en 30 jours
Chiffre clé #3GPTBot a effectué 383 898 requêtes, PerplexityBot 308 764

Le problème : le site d'une entreprise peut figurer solidement dans le top 10 de la recherche classique, sans que l'IA le cite pour autant. Imaginez un client qui demande à ChatGPT, à Perplexity ou à la synthèse IA de Google « qui peut réaliser ce travail dans ma ville ». Au lieu des prestataires eux-mêmes, le modèle renvoie une sélection d'annuaires et de répertoires externes.

L'auteur d'une analyse publiée sur Habr a passé 200 requêtes B2B réelles, c'est-à-dire des questions de recherche de prestataire. Dans 94 sélections sectorielles sur 100, la synthèse IA s'est bien affichée, mais les sites d'entreprise n'y figuraient presque pas. Le titre sur « 94% des réponses » se lit plus justement ainsi : dans 94 sélections sur 100, les sites des entreprises elles-mêmes ne sont presque pas entrés dans la liste.

Si vous êtes responsable d'un site ou du marketing, cela indique quelles données sur l'entreprise publier en dehors de votre propre domaine.

Comment le modèle vérifie un prestataire

L'auteur a ensuite observé manuellement le comportement des modèles Gemini 3 Flash et gpt-5-mini avec recherche web (essais des 31 octobre et 1er novembre 2026). Le schéma s'est révélé similaire chez les deux :

  • d'abord, une recherche sur le nom de l'entreprise, la ville et la translittération latine ;
  • ensuite, le modèle extrait de la page le numéro fiscal à 9 chiffres (UNP) et envoie une requête distincte portant uniquement sur ces chiffres ;
  • enfin, il vérifie que la personne morale existe et que ses services correspondent à la description du site.

La logique est simple : pour le modèle, le texte hébergé sur le domaine de l'entreprise reste de l'autopromotion. Il ne confirme ni « vingt ans d'expérience » ni aucun prix. Si les résultats ne contiennent aucune confirmation indépendante par l'UNP, le modèle écarte le site ou se rabat sur de vieux fichiers d'archives. On y trouve souvent des numéros de téléphone périmés et des codes d'activité flous, du type « commerce de gros d'un large assortiment ».

Pourquoi llms.txt n'aide pas, et pourquoi les bots lisent JSON et Markdown

Le 15 juin 2026, le guide de Google Search a indiqué noir sur blanc que llms.txt n'est utilisé ni dans le classement ni dans les AI Overviews. Les logs d'un annuaire ouvert de 30 900 fiches le confirment. Sur 30 jours, 773 704 requêtes y ont été enregistrées. Parmi elles, 705 323 sont confirmées par les IP officielles et le DNS inverse : ce sont de vrais bots, pas des imitations.

La répartition est la suivante : sélections sectorielles — 616 242 requêtes, fiches en JSON — 38 139, fiches en Markdown — 20 110. Les fichiers /llms.txt et /llms-full.txt n'ont été ouverts que 14 fois. D'après le log journalier du 16 novembre, des clients externes ont envoyé 7 087 requêtes à l'API REST ouverte : ils filtraient les entreprises par ville, type de service et présence d'un site.

Côté bots : GPTBot — 383 898 requêtes, PerplexityBot — 308 764, ClaudeBot — 40 614. Parmi les moteurs de recherche classiques, YandexBot — 5 534, Applebot — 2 587, Googlebot — 1 956, bingbot — 975. Les requêtes d'utilisateurs en temps réel sont nettement plus modestes : ChatGPT-User — 82, OAI-SearchBot — 48. L'auteur note que les vieux annuaires renvoient souvent des erreurs 403 ou 429 aux parseurs, n'offrent pas de Markdown propre et sont saturés de publicité. Les données propres et lisibles par machine l'emportent simplement parce qu'elles sont faciles à récupérer.

Le « passeport numérique » de l'entreprise et les réserves

Selon les conclusions de l'auteur, optimiser la landing page seule ne suffit pas. Il faut une fiche externe dans un registre neutre, qui remplisse quatre exigences :

  1. Rattachement au registre d'État (UNP ou INN) : le statut de la personne morale, la date d'enregistrement et la région sont tirés des bases officielles, et on ne peut pas les corriger à la main.
  2. Des services et une zone géographique précis plutôt que des codes OKED génériques, avec des repères de prix et des réponses aux questions fréquentes.
  3. Une diffusion sans enrobage : une seule fiche en HTML côté serveur, en Markdown, en JSON et dans un balisage Schema.org avec le champ taxID.
  4. Un lien bidirectionnel avec le site : la simple déclaration du dirigeant ne suffit pas, il faut un lien du site vers la fiche ou la propriété sameAs dans le balisage Organization.

L'auteur relie cela à la fusion de Google AI Overviews et d'AI Mode (19 mai 2026) et à l'évolution de la spécification WebMCP au W3C : les agents de navigateur lisent de plus en plus les données structurées au lieu d'analyser la mise en page.

Il faut toutefois formuler des réserves. Les données proviennent du propre annuaire de l'auteur : il a donc un intérêt commercial, et le texte se lit par moments comme une présentation de produit. L'échantillon est réduit (200 requêtes), et le trafic de bots sur l'annuaire ne prouve pas encore que le modèle citera ensuite une entreprise précise.

La conclusion pratique reste utile, indépendamment de l'annuaire. Vérifiez que votre UNP ou INN est facile à trouver sur le site et qu'il correspond aux données des registres. Assurez-vous qu'il existe des pages indépendantes sur l'entreprise, avec des services et des numéros de téléphone à jour. Ajoutez un balisage Organization avec sameAs et taxID. Et ne comptez pas sur llms.txt : d'après ces données, presque personne ne le lit.

Dossier

Questions clés sur cet article

Comment le modèle vérifie un prestataire?

L'auteur a ensuite observé manuellement le comportement des modèles Gemini 3 Flash et gpt-5-mini avec recherche web (essais des 31 octobre et 1er novembre 2026). Le schéma s'est révélé similaire chez les deux : d'abord, une recherche sur le nom de l'entreprise, la ville et la translittération latine ; ensuite, le modèle extrait de la page le numéro fiscal à 9 chiffres (UNP) et envoie une requête distincte portant uniquement sur ces chiffres ; enfin, il vérifie que la personne morale existe et…

Pourquoi llms.txt n'aide pas, et pourquoi les bots lisent JSON et Markdown?

Le 15 juin 2026, le guide de Google Search a indiqué noir sur blanc que llms.txt n'est utilisé ni dans le classement ni dans les AI Overviews. Les logs d'un annuaire ouvert de 30 900 fiches le confirment. Sur 30 jours, 773 704 requêtes y ont été enregistrées. Parmi elles, 705 323 sont confirmées par les IP officielles et le DNS inverse : ce sont de vrais bots, pas des imitations. La répartition est la suivante : sélections sectorielles — 616 242 requêtes, fiches en JSON — 38 139, fiches en Markdown — 20 110.

Que sait-on sur Le « passeport numérique » de l'entreprise et les réserves ?

Selon les conclusions de l'auteur, optimiser la landing page seule ne suffit pas. Il faut une fiche externe dans un registre neutre, qui remplisse quatre exigences : Rattachement au registre d'État (UNP ou INN) : le statut de la personne morale, la date d'enregistrement et la région sont tirés des bases officielles, et on ne peut pas les corriger à la main. Des services et une zone géographique précis plutôt que des codes OKED génériques, avec des repères de prix et des réponses aux questions fréquentes.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
Qu'en pensez-vous ?
Chargement des commentaires…