AEO et GEO en 2026 : les 25 experts à suivre vraiment
Résumez cet article avec l’IA
87 noms, 17 000 pages : comment Ahrefs a trié les experts AEO/GEO
87 noms. Plus de 17 000 pages passées au crible. 25 survivants.
C’est le travail de Ryan Law, Director of Content Marketing chez Ahrefs, publié le 3 novembre 2026. Il part d’une longlist de 87 personnes : celles que l’on recommande partout comme « experts AEO et GEO », plus les chercheurs des sociétés d’AI visibility. Ensuite, il ne compte ni les followers, ni les conférences, ni les posts viraux. Il compte les études.
Je reçois la même question chaque semaine : « Qui dois-je suivre pour comprendre l’AI search ? » Mes clients me citent des noms vus sur LinkedIn. Des noms très visibles. Rarement des noms qui publient des données. Le problème n’est pas le manque de sources. C’est le tri.
La méthode d’Ahrefs fait ce tri. Elle récupère toutes les pages publiées sur les sites principaux de chaque personne depuis 2023, soit plus de 17 000 pages, puis applique quatre tests. Une page ne compte comme étude que si elle les réussit tous :
Les 4 tests d’Ahrefs
- Données originales — l’auteur ou son équipe a collecté ou analysé elle-même les données : prompts passés dans des assistants IA, résultats d’AI Overviews, jeux de citations, analytics, logs serveur, sondages ou expériences contrôlées.
- Sujet AI search — ChatGPT, Perplexity, Gemini, Claude, Copilot, Grok, AI Overviews ou AI Mode : comment ils trouvent, citent et recommandent du contenu, quel trafic ils envoient, comment les gens les utilisent pour chercher.
- Échantillon significatif — environ 50+ prompts, requêtes ou pages ; des analytics de 10+ sites ; 100+ répondants à un sondage ; ou une expérience contrôlée avec un protocole décrit.
- Publication écrite — un article, un rapport ou un papier publié entre janvier 2023 et novembre 2026.
Deux règles de crédit durcissent le filtre. Une étude n’est créditée qu’à la personne qui la signe, qui y figure comme co-autrice, ou qui est nommée comme analyste derrière les données. Une recherche d’entreprise sans auteur nommé ne compte pour personne. Les doublons (cross-post, traduction, mise à jour) sont comptés une seule fois.
Le classement suit le nombre d’études. En cas d’égalité, Ahrefs départage par le nombre de sites qui font un lien vers ces études.
Mécanisme : un critère vérifiable. Résultat : une liste que l’on peut contester ligne par ligne, ce qu’une liste d’influence n’autorise jamais.
Et ça change une habitude. Quand un prestataire vous parle d’AEO sans citer une seule étude dont l’échantillon est décrit, il vous demande de le croire sur parole. Vous gagnez à demander les pages. Ahrefs ajoute d’ailleurs en fin d’article un bonus : les 10 études AEO/GEO les plus populaires.
Comme l’analyse Ahrefs, l’essentiel des recherches originales sur l’AI search vient d’une poignée de noms. Ces quatre experts à eux seuls couvrent la majorité du volume étudié au podium.
Concentration des recherches : le podium en 4 noms
Les 4 experts les plus productifs concentrent 106 études.
Le podium : 106 études pour quatre noms
Kevin Indig : 36 études. Xibeijia Guan : 31. Dan Petrovic : 20. Louise Linehan : 19.
Additionnés, ces quatre noms pèsent 106 études. Sur les 20 premiers noms dont le décompte apparaît dans l’extrait d’Ahrefs que j’ai sous les yeux, le total atteint 235. Soit 45 % du volume pour quatre personnes (calcul personnel à partir du tableau d’Ahrefs, ordre de grandeur). L’essentiel des recherches sur l’AI search vient d’une poignée de noms.
| # | Nom | Études | Structure | Terrain d’étude |
|---|---|---|---|---|
| 1 | Kevin Indig | 36 | Growth Memo | Citations des LLM et comportement de l’AI search |
| 2 | Xibeijia Guan | 31 | Ahrefs | Citations IA et impact sur les clics |
| 3 | Dan Petrovic | 20 | DEJAN AI | Grounding et mécanique de citation |
| 4 | Louise Linehan | 19 | Ahrefs | Citations IA, approche data |
| 5 | Johannes Beus | 14 | SISTRIX | Citations et visibilité à grande échelle |
| 6 | Metehan Yeşilyurt | 14 | Peec AI | Rétro-ingénierie de la citation et du retrieval |
| 7 | Manick Bhan | 13 | Search Atlas | Comportement de citation des LLM à grande échelle |
| 8 | Josh Blyskal | 11 | Profound | Citations selon les moteurs de réponses |
| 9 | Ryan Law | 9 | Ahrefs | AI Overviews et citations IA à grande échelle |
| 10 | Aleyda Solís | 9 | Orainti | Citations IA et trafic |
Ce que j’en retiens : ces quatre premiers ne répondent pas à la même question.
Kevin Indig mesure des comportements. Quelles sources les LLM citent, et dans quelles conditions. Avec 36 études, il en publie presque deux fois plus que Dan Petrovic (36 contre 20). Xibeijia Guan et Louise Linehan, toutes deux chez Ahrefs, travaillent sur les citations et leur effet sur les clics, avec l’avantage de l’index web propriétaire d’Ahrefs. Dan Petrovic, chez DEJAN AI, creuse la mécanique : le grounding, c’est-à-dire la manière dont un modèle va chercher une source pour appuyer sa réponse.
Trois angles différents, donc : le comportement, l’impact, la mécanique.
Ce qui compte pour vous : lire dans le bon ordre, pas davantage. Commencez par les citations : qui est cité, sur quels types de requêtes. Une fois ce socle posé, la mécanique de grounding prend tout son sens, parce que vous savez déjà ce que vous cherchez à expliquer.
Et vous, combien de ces quatre noms figurent aujourd’hui dans vos favoris ?
Le deuxième cercle : des éditeurs d’outils qui font tourner des milliers de prompts
Regardez la colonne « Structure » du tableau. Un motif saute aux yeux.
SISTRIX : Johannes Beus, 14 études. Peec AI : Metehan Yeşilyurt, 14. Search Atlas : Manick Bhan, 13. Profound : Josh Blyskal, 11, et Davis McCain, 7. Soit 18 études pour deux noms chez Profound seulement. Tomek Rudzki, rattaché à Peec AI et ZipTie dans la liste, ajoute 6 études côté suivi des citations et des requêtes de fan-out.
Ces cinq structures sont des éditeurs d’outils d’AI visibility ou de SEO. Elles ont déjà l’infrastructure : des milliers de prompts exécutés, des historiques de citations, des bases de pages. Voilà pourquoi elles sortent autant d’études. Quand la collecte tourne en continu, chaque étude coûte moins cher qu’un audit fait à la main.
Ce tableau classe surtout les fournisseurs de données plutôt que les consultants.
Le reste du tableau montre d’autres profils d’analyse :
- Aleyda Solís (Orainti, 9 études) et Mitul Gandhi (seoClarity, 9) : citations IA et trafic pour la première, citations IA face aux positions organiques pour le second.
- Suganthan Mohanadasan (Snippet Digital, 7) : comment les moteurs d’IA choisissent leurs sources.
- Chris Long (Nectiv, 6) : requêtes de fan-out et crawl par les IA.
- Tom Capper (Moz / STAT, 6) : résultats IA comparés aux classements organiques.
- Lily Ray (Amsive, 5) : citations IA et fiabilité des sources.
- Hanns Kronenberg (GPT Insights, 5) : recherche IA et visibilité de marque sur le marché allemand.
- Rand Fishkin (SparkToro, 4) : mesurer la recherche IA face à la recherche classique.
- David Bell (Previsible, 4) : mesure du trafic de référence venant des LLM.
Les cinq derniers noms de la liste complètent les 25 : Ethan Smith, Mark Traphagen, Andy Crestodina, Jan Ehrlinspiel et Ross Hudgens. Leur décompte d’études n’apparaît pas dans l’extrait dont je dispose, je ne le cite donc pas. Le tableau complet se trouve chez Ahrefs.
Le résultat est simple. Les éditeurs d’outils vous donnent de la largeur : des échantillons massifs, les tendances. Les analystes indépendants vous donnent de la profondeur : l’interprétation et le contexte local. Les deux ensemble vous donnent une vraie vision.
Quel est le dernier chiffre AEO que vous avez cité en réunion, et de quel type de source venait-il ?
Le biais que personne ne souligne : le classement a été écrit par un des classés
Regardez le rang n° 9. Ryan Law. 9 études. Il est l’auteur de la liste.
Ahrefs place trois noms dans les 10 premiers : Xibeijia Guan (2e, 31 études), Louise Linehan (4e, 19) et Ryan Law (9e, 9). À eux trois, 59 études, soit plus que n’importe quel autre éditeur de la liste. La méthode est publiée, le classement reste vérifiable, et l’auteur ne cache pas sa propre présence. À mon avis, c’est la bonne approche : une règle ouverte que chacun peut rejouer.
Mais un classement publié par un acteur du classement se lit avec ses deux lunettes.
Le point de vigilance numéro un n’est pas la loyauté. C’est la nature du critère. Le diagnostic porte sur qui publie le plus de données originales. Les quatre tests vérifient la présence d’un échantillon, pas la justesse de l’interprétation. Une étude peut remplir tous les critères et tirer une conclusion discutable.
Le piège du chiffre rassurant. Lire « 36 études » donne au cerveau une impression de solidité. Un volume ne vaut pourtant pas une vérité. Avant de citer un nom, relisez l’échantillon derrière sa dernière étude.
Le point de vigilance numéro deux tient au seuil. Le test d’échantillon accepte « environ 50+ prompts, requêtes ou pages ». C’est un minimum raisonnable pour dégager une tendance. Pour fonder une règle d’optimisation, c’est court. Un assistant IA peut répondre différemment à la même question d’un jour à l’autre : un résultat sur 50 prompts vous indique une direction, pas une loi.
Le point de vigilance numéro trois concerne la fenêtre. Elle court de janvier 2023 à novembre 2026, près de quatre ans. Mécaniquement, une personne active depuis 2023 a plus de temps pour accumuler des études qu’une personne arrivée l’an dernier. Le classement reflète donc aussi l’ancienneté de publication.
Dernier point, et il me plaît : Lily Ray apparaît avec 5 études, Rand Fishkin avec 4. Leur place dans la liste reflète leur volume de research original, pas leur influence sur la profession. Voilà pourquoi la méthode est instructive. Elle sépare la notoriété de la production de données.
Ce que vous gagnez à faire : lire le tableau en deux colonnes. Le nombre d’études d’un côté. La taille et le protocole de l’échantillon de l’autre. Une liste d’experts devient alors un index de sources, plutôt qu’un palmarès à suivre les yeux fermés.
Avec cette grille, combien de vos « certitudes AEO » tiennent encore debout ?
Suivre par question, pas par notoriété : qui lire pour quel besoin
Un dirigeant m’interroge sur son trafic IA. Je ne lui conseille pas « suivez les 25 ». Je lui demande : « Quelle décision devez-vous prendre ce mois-ci ? »
Parce que les 25 noms de la liste couvrent au moins six questions différentes. Voici comment je les range, à partir des domaines que le tableau d’Ahrefs associe à chaque personne :
| Votre question | Noms à ouvrir en premier |
|---|---|
| Quelles sources les IA citent-elles le plus ? | Kevin Indig, Xibeijia Guan, Josh Blyskal, Davis McCain, Manick Bhan |
| Comment un modèle choisit-il ses sources ? | Dan Petrovic, Suganthan Mohanadasan, Metehan Yeşilyurt |
| Comment une question se décompose-t-elle en sous-requêtes (fan-out) ? | Chris Long, Tomek Rudzki |
| Citations IA ou positions organiques : quel lien ? | Mitul Gandhi, Tom Capper, Johannes Beus |
| Quel trafic les IA m’envoient-elles vraiment ? | David Bell, Rand Fishkin, Aleyda Solís |
| Fiabilité des sources et marché allemand | Lily Ray, Hanns Kronenberg |
À savoir : le rattachement de chaque nom à une question vient de la colonne « Known for » d’Ahrefs et de mon propre classement. Il ne remplace pas la lecture des études elles-mêmes.
Cette lecture par question change tout. Deux exemples.
Prenez le fan-out. Une question posée à une IA éclate en plusieurs sous-requêtes, et c’est sur ces sous-requêtes que les sources sont recherchées. Les travaux de Chris Long et de Tomek Rudzki portent précisément là-dessus. J’observe chez mes clients que cette logique rejoint ce que je construis depuis 2016 dans les cocons sémantiques : une page par intention, des liens internes qui montrent la hiérarchie du sujet. Un site structuré en cocon répond à plusieurs sous-requêtes à la fois, sur des pages reliées entre elles. C’est ma lecture de terrain, pas une conclusion d’étude. Elle mérite d’être testée page par page.
Prenez maintenant la mesure du trafic. David Bell (Previsible) travaille sur le trafic de référence venant des LLM, Rand Fishkin (SparkToro) sur la comparaison entre recherche IA et recherche classique. Si votre direction vous demande « combien de visites nous apporte ChatGPT ? », ces deux noms valent plus qu’un énième article d’opinion.
Le principe : une question, deux ou trois sources, jamais vingt-cinq.
Vous gagnez aussi à croiser. Quand une étude d’un éditeur d’outils (large échantillon) rejoint l’analyse d’un indépendant (contexte, nuance), la conclusion devient solide. Quand elles divergent, vous tenez une vraie question de test.
Quelle est la décision AEO la plus pressante de votre trimestre, et quel nom du tableau répond à celle-là ?
Mon protocole en 5 étapes pour transformer cette liste en veille utile
Une liste de 25 noms n’a aucune valeur tant qu’elle reste dans un onglet ouvert. Voici le protocole que je recommande, inspiré de la méthode d’Ahrefs.
Le protocole « une question, trois sources »
- Formulez la décision. Pas « comprendre l’AEO ». Plutôt : « Quelles pages de mon site faut-il restructurer en premier ? »
- Choisissez trois noms dans le tableau selon la question (voir la section précédente), dont au moins un éditeur d’outil et un analyste indépendant.
- Lisez l’échantillon avant la conclusion. Nombre de prompts, de pages, de sites, date de collecte, assistants testés. Si l’étude ne le dit pas, elle ne passe pas les quatre tests.
- Testez sur vos propres pages. Prenez un petit lot de pages représentatives, appliquez la recommandation, puis interrogez les assistants avec les prompts de votre marché.
- Documentez. Une ligne par test : hypothèse, source, résultat. Au bout de quelques mois, vous disposez de votre propre research original, ce que le classement d’Ahrefs récompense.
Dernier point : cette cinquième étape est la plus sous-estimée. Les quatre tests d’Ahrefs ne réservent rien aux grandes structures. Des analytics de 10+ sites, des logs serveur, un protocole décrit : un consultant, un directeur marketing ou un responsable e-commerce peut produire des observations originales sur son propre périmètre. C’est ainsi que se construit un avantage que les concurrents ne peuvent pas copier, parce qu’il repose sur vos données.
Et pour les dirigeants et les agences qui cherchent les bonnes ressources, la liste d’Ahrefs crée un langage commun. Quand un prestataire avance un chiffre, vous pouvez demander « sur quel échantillon, quelle période, quels assistants ? » Les bons répondent en trente secondes. C’est un excellent révélateur.
Ceux qui lisent vraiment les études plutôt que les titres voient la différence. Les 25 noms de cette liste, plus d’autres qui ne sont pas encore dedans, fournissent la matière première. L’avantage vient de la manière dont vous la triez, la testez et l’appliquez à vos pages.
Dans votre veille actuelle, combien de sources vous montrent un échantillon que vous pourriez vérifier vous-même ?
Audit live de votre visibilité dans les IA
Je ne vous vends pas la méthode. Je vous montre les pages : en direct, nous ouvrons vos pages clés et je vous montre lesquelles les assistants IA peuvent citer, lesquelles restructurer en cocon, et dans quel ordre.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Quelle différence entre AEO et GEO ?
L’AEO (Answer Engine Optimization) c’est être la réponse que les moteurs retiennent. Le GEO (Generative Engine Optimization) c’est être cité dans ce que les IA génèrent. Concrètement, tout se joue sur les citations et les recommandations.
Comment Ahrefs a-t-il sélectionné ses 25 experts AEO/GEO ?
Ahrefs a examiné 87 noms, analysé plus de 17 000 pages publiées depuis 2023 et appliqué quatre tests : données originales, sujet AI search, un vrai échantillon, publication écrite. Le classement suit le nombre d’études.
Qui publie le plus de research original sur l’AI search ?
Selon Ahrefs, Kevin Indig (Growth Memo) arrive en tête avec 36 études, devant Xibeijia Guan (Ahrefs, 31), Dan Petrovic (DEJAN AI, 20) et Louise Linehan (Ahrefs, 19).
Le classement d’Ahrefs est-il neutre ?
La méthode est publiée et vérifiable, mais l’auteur figure dans la liste et Ahrefs place trois noms dans le top 10. Le classement mesure le volume d’études, pas la justesse de leurs conclusions : lisez toujours l’échantillon.
Par où commencer pour suivre ces experts sans se disperser ?
Partez d’une décision, choisissez trois sources (un éditeur d’outils, un analyste indépendant), lisez leurs études, puis testez sur un petit lot de vos pages.

