Glossaire
GEO & IA

Terme parfois utilisé en anglais pour désigner la même discipline que le GEO. L'AEO (Answer Engine Optimization) recouvre l'ensemble des pratiques visant à ce qu'une marque ou un contenu soit cité dans les réponses générées par les LLMs. En France, le terme GEO est davantage adopté.

Processus d'évaluation systématique de la visibilité d'une marque dans les modèles génératifs interrogés (ChatGPT, Claude, Gemini). L'audit SOM envoie un portefeuille de requêtes représentatives du parcours client et calcule le taux de citation de la marque, sa position dans les réponses, le sentiment associé et les erreurs détectées.

Le Brand Mention Rate mesure la part des requêtes ou une marque apparaît dans la réponse. Une marque a 15 % est citee dans 15 réponses sur 100 pour ses requêtes cibles. Deux precautions. Ce taux n'a de sens qu'accompagne du nombre de répétitions par requête : la génération reste variable, y compris au réglage cense la figer, et une passe unique produit une anecdote. La phrase affirmant que les marques exposant davantage d'attributs structures sont davantage citées a ete retirée le 16 aout 2026 : aucune source primaire ne l'établit.

Une citation IA se produit lorsqu'un LLM mentionne explicitement le nom d'une marque dans sa réponse à une requête. La citation peut être positive (recommandation directe), neutre (mention comparative) ou négative (mise en garde). La fréquence et la qualité des citations constituent le cœur du Share of Model.

Format de contenu structuré pour maximiser les chances d'être repris par un LLM. Les caractéristiques du contenu GEO efficace : réponses directes aux questions en langage naturel, données chiffrées avec sources, définitions claires, FAQ en JSON-LD, structure HTML sémantique (H1-H3, listes). Selon les recherches Princeton et Georgia Tech (Aggarwal et al., KDD 2024), les contenus avec statistiques et citations obtiennent une visibilité sensiblement supérieure dans les réponses IA.

Le Citability Score evalue si un passage est structure de manière a être facilement extractible par un modèle. Deux affirmations ont ete retirées de cette definition le 16 aout 2026. La longueur optimale de 134 a 167 mots etait attribuée a l'étude Aggarwal et al., KDD 2024 : la lecture de la source primaire ne retrouve pas ce résultat, et preter a une publication réelle un chiffre qu'elle ne contient pas est plus grave qu'un chiffre sans source. Le multiplicateur de 2,3 attribue a un éditeur d'outil a ete retire pour la même raison. Ce qui reste soutenable, et que la source primaire etablit bien : les stratégies d'optimisation de contenu evaluees sur le banc d'essai GEO-bench, soit environ 10 000 requêtes sur neuf jeux de données, augmentent la visibilité jusqu'a 40 %, avec une efficacite qui varie selon les domaines.

Le consensus inter-modeles mesure combien de moteurs citent simultanément une marque sur la meme requête. Deux elements ont ete retires de cette definition le 16 aout 2026 : un taux de reproductibilite attribue a un éditeur d'outil, dont la publication primaire n'a pas ete retrouvee, et les coefficients exacts du facteur de consensus, qui relèvent de la couche interne et n'ont pas vocation a être publies. Ce qui fonde l'interet du consensus est ailleurs et se vérifie : l'instabilite de la génération est documentée par un travail de laboratoire reproductible, ou un meme prompt repete mille fois a température 0 produit 80 completions distinctes ; et le Barometre du numérique edition 2026 du CREDOC relève que 51 % des utilisateurs d'IA generative en emploient au moins deux. Un accord entre plusieurs moteurs est donc une observation plus robuste qu'une réponse isolee.

Le content decay désigne la perte de visibilité d'un contenu au fil du temps. Les deux taux chiffres qui figuraient ici, attribues a un éditeur d'outil et a un consultant, ont ete retires le 16 aout 2026 : aucune publication primaire consultable ne les soutient, et « la fraîcheur est un facteur de classement majeur pour tous les LLM » était une generalisation qu'aucun fournisseur ne documente. Ce qui reste vrai et vérifiable : un modèle sans accès web au moment de la requête ne connaît rien de posterieur a sa coupure d'entrainement, et les versions de modèles changent vite. Dater un contenu et le maintenir a jour a donc un intérêt de justesse, indépendamment de tout effet de classement suppose.

Les crawlers IA sont des robots qui parcourent le web pour alimenter les modèles de langage. Les principaux sont GPTBot (OpenAI/ChatGPT), ClaudeBot (Anthropic/Claude), PerplexityBot (Perplexity), Google-Extended (Gemini). Verifiez votre fichier robots.txt : un blocage involontaire peut retirer votre site des réponses de recherche de l'assistant concerne, ce que la documentation d'OpenAI indique explicitement pour son agent de recherche. Le fichier llms.txt est une proposition de format documentaire : sa consommation par ces robots n'est documentée par aucun fournisseur a ce jour.

Les données structurees (Schema.org) sont un balisage standardise qui permet aux moteurs IA de comprendre le contenu de vos pages sans parser le HTML. Le pourcentage de pages citées comportant des données structurées, attribué ici à un éditeur d'outil, a été retiré le 16 août 2026 : la publication primaire n'a pas été retrouvée, et une corrélation ne démontrerait pas qu'agir sur le balisage modifie la citation. Les types les plus utiles : Organization (entreprise), Product ou Service (offre), FAQPage (questions frequentes), Review (avis), LocalBusiness (commerce local). Validez votre balisage avec le Rich Results Test de Google.

Concept propriétaire ELMARQ. L'Empreinte Narrative désigne l'ensemble des représentations, faits, associations, positionnement, réputation, qu'un LLM a internalisé sur une marque à partir de ses données d'entraînement. Elle se construit progressivement à partir des sources web accessibles aux crawlers IA : site de la marque, presse, Wikipedia, forums, avis, réseaux sociaux. Une Empreinte Narrative forte = des informations exactes, cohérentes et favorables dans les réponses IA mesurées.

Concept propriétaire ELMARQ. La Fatigue Synthétique décrit le phénomène d'épuisement et de méfiance croissante des utilisateurs envers les contenus générés massivement par IA, contenus identiques, sans point de vue, sans données propriétaires, sans preuve d'expertise. Dans ce contexte, les marques qui publient du contenu vérifiable, sourcé et authentiquement humain obtiennent un avantage différenciant dans la confiance accordée par les LLMs et leurs utilisateurs.

Le fan-out désigne la décomposition d'une question d'utilisateur en plusieurs recherches internes. Google le documente publiquement pour ses fonctionnalites d'IA : elles peuvent emettre plusieurs recherches liees, sur des sous-thèmes et des sources de données distinctes, pour construire une réponse. Les deux chiffres qui figuraient ici, un nombre de sous-requêtes et une part de pages recuperees mais non citees, ont ete retires le 16 aout 2026 : ils provenaient d'un éditeur d'outil et aucune source primaire ne les soutient. La conséquence pratique tient sans eux : la phrase exacte tapee par un client n'est pas celle qui interroge l'index, donc un contenu qui traite une decision complete est atteignable par plusieurs branches, la ou un contenu centre sur un mot-cle n'en atteint qu'une.

Le GEO (Generative Engine Optimization) est la discipline qui vise à améliorer la visibilité, la représentation et la recommandation d'une marque dans les réponses générées par les LLMs (Large Language Models) comme ChatGPT, Gemini, Claude et Perplexity. C'est l'équivalent du SEO pour l'ère des moteurs IA. Là où le SEO optimise pour apparaître dans les pages de résultats Google, le GEO optimise pour être cité dans les réponses conversationnelles des IA.

Le terme a été formalisé par six chercheurs de Princeton, du Georgia Institute of Technology, de l'Allen Institute for AI et de l'IIT Delhi (Aggarwal et al., KDD 2024, arXiv:2311.09735). Sur leur banc d'essai GEO-bench, soit environ 10 000 requêtes réparties sur neuf jeux de données, leurs méthodes d'optimisation augmentent la visibilité jusqu'à 40 %. Les auteurs précisent que l'efficacité varie selon les domaines, et ce résultat porte sur un banc d'essai de recherche, pas sur une marque ni sur un marché.

Concept propriétaire ELMARQ. Une approche GEO-First signifie que chaque décision de contenu, chaque publication, chaque campagne est conçue en priorité pour optimiser la visibilité dans les LLMs, avant le SEO classique, avant les réseaux sociaux, avant les relations presse. Dans une stratégie GEO-First, la question centrale n'est pas 'Ce contenu va-t-il ranker sur Google ?' mais 'Ce contenu va-t-il être cité par ChatGPT ?'

Une hallucination IA est une information incorrecte produite par un LLM avec une confiance apparente. Pour les marques, les hallucinations les plus courantes sont : adresse ou coordonnées erronées, date de fondation incorrecte, prix ou tarifs obsolètes, fonctionnalités ou services inventés, noms de dirigeants erronés, description de l'offre inexacte. Les hallucinations surviennent lorsque le LLM n'a pas de données fiables sur un sujet et 'comble les blancs' à partir d'inférences probabilistes.

Le chiffre attribué ici à une étude de Nature Medicine a été retiré le 16 août 2026 : la publication d'origine n'a pas été retrouvée. La formulation opposable est celle de l'International AI Safety Report 2026, rapport mandaté par les nations réunies au sommet de Bletchley et présidé par Yoshua Bengio, avec plus de cent experts contributeurs : les modèles restent moins fiables lorsqu'une tâche comporte de nombreuses étapes, et produisent toujours des énoncés faux.

JSON-LD (JavaScript Object Notation for Linked Data) est le format recommandé par Google et compris par les LLMs pour ingérer des données structurées sur une entité. Pour le GEO, le JSON-LD est un levier fondamental : il permet de définir explicitement ce qu'est une organisation (Organization), un produit (Product), un service (Service), une FAQ (FAQPage), une personne (Person), dans un format que les crawlers IA peuvent directement parser. Ce qu'un balisage établit : une description explicite et lisible par machine de l'entité décrite. Ce qu'il n'établit pas : une reprise par un modèle. La documentation de Google sur l'optimisation pour la recherche générative indique qu'aucun balisage spécifique à l'IA n'est nécessaire pour y apparaître.

Le Keyword Gap Analysis croise les requêtes sectorielles avec les modèles IA pour identifier exactement ou votre marque est absente. Pour chaque requête, on mesure si la marque est citee ou non par chaque moteur (ChatGPT, Claude et Gemini). Chaque absence est une opportunité : en créant du contenu repondant directement a cette requête, vous pouvez apparaître dans les réponses de ce modèle. C'est l'équivalent du gap analysis SEO, adapte a l'ère des moteurs IA.

Un LLM (Large Language Model) est un modèle d'IA entraîné sur de très grands volumes de texte pour générer des réponses en langage naturel. Les noms de versions vieillissent vite : au 16 août 2026, la documentation officielle d'Anthropic classe Claude Sonnet 4.6 parmi les modèles hérités au profit de Claude Sonnet 5, le catalogue d'OpenAI met en tête la famille GPT-5.6, et celui de Google la génération Gemini 3. Citer un numéro de version dans un texte durable est donc un piège. Ce qui compte pour une marque n'est pas la version mais le fait que ces modèles servent d'intermédiaires de recommandation. La liste exacte des versions interrogées par AI COMMAND, avec leur statut chez chaque fournisseur, est publiée sur la page Modèles interrogés.

Le fichier llms.txt est un format documentaire propose en septembre 2024 par Jeremy Howard, place a la racine d'un site (ou dans /.well-known/), qui décrit en Markdown les ressources jugees importantes. Il inclut généralement le nom, la description, les produits, les services et les contacts. Ce qu'il établit : une représentation structurée et maintenable d'un corpus public. Ce qu'il n'établit pas : sa consommation par un assistant, ni une amélioration de la probabilite d'être cite, classe ou recommande. Google Search indique ne pas l'utiliser comme signal spécial pour ses fonctionnalites de recherche, y compris generatives ; cette portée est celle de Google Search et ne prejuge pas des autres fournisseurs. AI COMMAND publie le sien sur ai-command.elmarq.fr/llms.txt, comme documentation et non comme levier.

L'approche multi-modèle est utile car chaque LLM a ses propres biais de citation: ils ne puisent pas dans les mêmes sources et ne classent pas les marques de la même façon. Mesurer sur un seul moteur revient a décrire une seule de ces lectures. Les repartitions chiffrées par plateforme qui figuraient ici ont ete retirées le 16 aout 2026, faute de publications primaires retrouvees.

Le role narratif décrit la place qu'une réponse accorde a une marque. « Hero » : la marque est la réponse. « Primary » : recommandation principale parmi deux ou trois options. « Supporting » : une option parmi plusieurs. « Passing » : mention breve. « Negative » : mise en garde. Les ponderations exactes associees a ces niveaux ont ete retirées de cette page le 16 aout 2026 : elles relèvent de la couche interne de calcul, qui n'a pas vocation a être publiee. La grille publique du Barometre, elle, est intégralement documentée sur la page methodologie.

Concept propriétaire ELMARQ. Le Pivot Agentique désigne la transition en cours des LLMs conversationnels vers des agents IA autonomes capables de prendre des décisions d'achat, de réservation et de sélection de fournisseurs au nom des utilisateurs. Lorsqu'un agent IA achète un billet, choisit un prestataire ou souscrit à un abonnement de manière autonome, la visibilité dans les LLMs devient directement un facteur de revenu, et non plus seulement d'image. La prévision chiffrée d'un cabinet d'analystes qui figurait ici a été retirée le 16 août 2026 : une projection commerciale n'est pas une mesure. Ce qui est vérifiable est l'infrastructure : le protocole de passage en caisse porté par OpenAI et Stripe est publié sous licence ouverte et reste en bêta, et le protocole d'autorisation de paiement porté par Google a été transféré à la FIDO Alliance en mai 2026. L'International AI Safety Report 2026 identifie les agents comme un axe majeur de développement, sans avancer de date de bascule.

Méthode propriétaire ELMARQ structurée en trois phases séquentielles :

• Évaluation, Audit complet du Share of Model sur les requêtes clés de la marque, dans les modèles génératifs interrogés. Cartographie des hallucinations existantes. Benchmark concurrentiel.

• Mapping, Identification des sources d'information qui alimentent les LLMs sur la marque (Wikipedia, presse, forums, avis, annuaires). Analyse des lacunes : quelles informations manquent, lesquelles sont erronées, lesquelles sont sous-représentées.

• Qualification, Plan d'action GEO priorisé par impact attendu sur le SOM. Génération des contenus correctifs. Definition du rythme de re-audit.

Dans une réponse generee, une marque nommée en tête n'occupe pas la même place qu'une marque nommée en cinquième position. Les coefficients et la formule exacte de decroissance ont ete retires de cette page le 16 aout 2026 : ils appartiennent a la couche interne de calcul. Le rapport de clics attribue a un éditeur d'outil a ete retire pour absence de source primaire. Un point de méthode merite en revanche d'être connu : un travail publié en août 2025 par Bito, Ren et He montre que, dans les tâches de recommandation, l'ordre des elements candidats fournis dans un prompt pèse de façon disproportionnée sur le résultat. Un protocole serieux ne fournit donc pas au modèle la liste des marques qu'il doit classer.

Fonctionnalité d'AI COMMAND. Le Repair Generator analyse les hallucinations détectées lors de l'audit SOM et génère automatiquement les contenus correctifs prêts à publier : FAQ structurées, pages de réponses directes, données structurées JSON-LD, mises à jour Wikipedia suggestions, contenus de blog GEO-optimisés. L'objectif est de corriger les informations publiques erronées là où elles sont publiées. Aucune relation causale n'est établie entre cette correction et le contenu d'une réponse générée : ce qui est observable est l'état des sources publiques avant et après, et l'état des réponses obtenues à chaque audit, avec les limites d'attribution que cela implique.

Le RAG est la technique par laquelle un modèle Récupère des documents avant de générer sa réponse. La part de réponses générées sans recours au RAG, attribuee ici a un consultant, a ete retirée le 16 aout 2026 faute de source primaire. Le point qui reste utile est structurel et ne demande aucun chiffre : deux familles de réponses coexistent, celle qui s'appuie sur une récupération au moment de la requête et celle qui ne mobilise que les paramètres du modèle. Face a la première, un éditeur agit sur ce qui est accessible et sur ce qui est écrit. Face a la seconde, il agit sur un corpus fige a la coupure d'entrainement, avec un délai qui se compte en mois.

Schema.org est le vocabulaire standardisé de données structurées créé par Google, Microsoft, Yahoo et Yandex. Il définit des types d'entités (Organization, Product, Person, FAQPage, Article…) et leurs propriétés dans un format compréhensible par les moteurs de recherche et les LLMs. Pour le GEO, un balisage Schema.org correctement renseigné a un mérite vérifiable : il lève l'ambiguïté sur l'identité de l'entité décrite, et c'est le format que consomment les points d'accès conversationnels adossés à ce vocabulaire. Le présenter comme un signal de classement serait excessif : Google écrit qu'aucun balisage spécifique à l'IA n'est requis pour apparaître dans ses fonctionnalités génératives.

Le sentiment IA mesure si les LLMs parlent d'une marque de manière positive, neutre ou négative dans leurs réponses. Un sentiment positif est caractérisé par des recommandations directes, des qualificatifs favorables et l'inclusion en tête de shortlist. Un sentiment neutre se traduit par des mentions comparatives sans jugement. Un sentiment négatif peut inclure des mises en garde, des avertissements ou une association avec des controverses. AI COMMAND mesure le sentiment IA à chaque audit SOM.

Le Share of Model (SOM) est la métrique fondamentale du GEO. Il mesure le pourcentage de requêtes IA pertinentes pour une marque, sur ses catégories, use cases et questions de parcours client, pour lesquelles cette marque est citée dans la réponse des LLMs. Un SOM de 0 = invisibilité totale. Un SOM de 100 = citation systématique. En pratique, un SOM > 60 est considéré comme dominant, 30 à 60 comme compétitif, < 30 comme à risque.

Le SOM se calcule moteur par moteur, sur les seules versions listées comme interrogées sur la page Modèles interrogés, et peut varier d'un modèle à l'autre.

Fonctionnalité d'AI COMMAND. Le Sources Explorer identifie et hiérarchise les sources web les plus fréquemment déclarées par les LLMs sur une marque ou un secteur : Wikipedia, presse nationale et spécialisée, forums (Reddit, Quora, forums métier), sites d'avis (G2, Capterra, Trustpilot), annuaires professionnels, documentation officielle. En comprenant quelles sources alimentent les LLMs, on sait où intervenir en priorité pour modifier l'Empreinte Narrative.

Concept propriétaire ELMARQ. La Souveraineté Narrative est l'état atteint lorsqu'une marque maîtrise activement ce que les LLMs disent d'elle, informations exactes, cohérentes et avantageuses dans l'ensemble des réponses IA, sur tous les LLMs majeurs. Une marque souveraine narrativement n'est pas à la merci des hallucinations ou des représentations construites par ses concurrents dans les données d'entraînement. La Souveraineté Narrative est l'objectif stratégique ultime du GEO.

Les Source Opportunities identifient les domaines que les moteurs IA citent a la place de votre marque lorsque vous êtes absent des réponses. Si les réponses observees citent des plateformes d'avis ou un titre de presse la ou la marque est absente, ces domaines deviennent des cibles de travail plausibles. Le mot juste est plausible : observer une source dans une réponse n'établit pas qu'elle a produit cette réponse, et y obtenir une présence ne garantit aucune citation. La formulation « augmentera mecaniquement votre taux de citation » a ete retirée le 16 aout 2026 comme promesse causale non demontrable.

Les sources observees dans les réponses ne se valent pas toutes du point de vue de la vérification : une source institutionnelle, une plateforme d'avis et un blog n'offrent pas le meme niveau de recoupement. Deux elements ont ete retires de cette definition le 16 aout 2026. Les coefficients exacts par palier relèvent de la couche interne de calcul et n'ont pas vocation a être publies. La progression de LinkedIn citee ici provenait d'un éditeur concurrent : une donnée publiée par un acteur commercial est une donnée de première partie, pas un travail de recherche, et elle n'est pas opposable.

Le training cutoff (ou coupure d'entraînement) est la date jusqu'à laquelle un LLM a ingéré des données pour construire ses représentations. Les informations publiées après cette date ne sont pas connues du modèle, sauf si une récupération de documents est déclenchée au moment de la requête. Les fournisseurs publient cette date dans leur documentation, et elle diffère d'un modèle à l'autre : au 16 août 2026, la documentation d'Anthropic distingue même la coupure des données d'entraînement de la date jusqu'à laquelle la connaissance du modèle est la plus fiable. Une correction publiée aujourd'hui n'atteint donc pas de la même façon un modèle qui consulte le web et un modèle qui ne le consulte pas.

Wikidata est la base de données structurées qui alimente Wikipedia et le Knowledge Graph de Google. Ce qu'une fiche correctement renseignee etablit : une identite d'entite non ambigue, avec des faits dates et rattaches a des sources secondaires. Ce qu'elle n'établit pas : une consultation prioritaire par un modèle, ni un effet sur la citation. La part de citations attribuée a Wikipedia et Wikidata, ainsi que la promesse d'un impact mesurable en quelques semaines, ont ete retirées le 16 aout 2026 : la première provenait d'un éditeur concurrent, la seconde était une promesse causale sans mesure. Les critères d'admission de Wikidata doivent par ailleurs être respectes : une fiche créée sans notoriété vérifiable est supprimee.

Un zero-click IA se produit lorsqu'un utilisateur obtient une réponse complète directement dans le LLM, sans avoir besoin de cliquer sur un lien externe. C'est le phénomène symétrique du zero-click SEO (AI Overview de Google qui répond sans générer de clic). Pour les marques, le zero-click IA signifie que leur visibilité dépend de plus en plus de leur citation dans les réponses, pas de leur position sur une SERP.