ChatGPT : j’ai lu le trafic réseau, pas les réponses – ce que ça change
Résumez cet article avec l’IA
Un appel client qui oblige à sortir des croyances GEO
Un client m’appelle un mercredi après-midi. Il vend du matériel de jardin en ligne. 800 fiches produits. Trafic organique correct, 4 000 sessions par mois. Mais depuis deux mois, ses pages les plus techniques — comparatifs de tondeuses, guides d’entretien — ne sortent plus dans les réponses de ChatGPT.
« On a tout refait, Stéphane. Contenu long, balisage, listicles. Rien. »
Je ne lui réponds pas par une astuce GEO. J’ouvre la console réseau de mon navigateur. Je lance la même requête que ses clients potentiels : « quelle tondeuse électrique pour terrain en pente ». Et je lis, non pas le texte affiché par ChatGPT, mais le JSON qui a circulé en arrière-plan pour construire cette réponse.
Ce que j’y ai vu a changé ma façon de voir l’optimisation pour les IA génératives. Pas de magie. Des signaux bruts.
Pour comprendre comment ChatGPT sélectionne ses sources, il faut ouvrir la boîte noire. Voici les étapes que j’ai suivies avec mon client jardin — et que vous pouvez reproduire en 10 minutes.
Lire le trafic réseau de ChatGPT en 5 étapes
La méthode pour débusquer les vraies sources derrière les réponses
Lire le trafic réseau, pas la réponse visible
L’étude de Suganthan Mohanadasan (Snippet Digital, Search Engine Journal) rejoint ce que je vois chez mes clients. Il a capté 1 240 enregistrements de sources en quelques jours dans les échanges entre le serveur ChatGPT et son navigateur. Plutôt que de deviner les sources dans la réponse finale, il a déniché les instructions internes.
J’ai fait pareil pour un client en jardinage. Pendant une semaine, j’ai collecté les appels réseau pour 47 requêtes sur ses catégories. J’ai extrait les champs result_source, turn_use_case, les appels aux APIs de Bing, les search_query envoyés par l’IA, et le modèle réel utilisé (gpt-4o ou un dérivé).
Ce qu’on voit est cru et souvent à l’opposé des intuitions. L’IA ne cite pas forcément la meilleure page. Elle cite celle qui est fetchée par un processus dont les règles apparaissent dans ces échanges.
Exemple : 42 % des sources venaient d’une requête de recherche web lancée en direct, surtout Bing. Le reste mélangeait connaissances internes du modèle, données structurées et pages déjà validées dans d’autres sessions. La popularité générale n’est pas le critère. C’est le pipeline visible dans le JSON qui décide ce qui est trouvé et filtré.
Ce que la machine s’avoue à elle-même
Le champ le plus parlant s’appelle result_source. Il donne la catégorie administrative de chaque morceau de texte utilisé. J’ai relevé ces valeurs : organic (résultat web classique), news, knowledge_graph, citation, et internal_store (pour des fiches produits issues de bases partenaires).
Ce qui m’a sauté aux yeux : aucune source étiquetée organic n’était une page non crawlable. Aucune. L’IA pioche directement. Si votre page n’a pas été indexée par Bing et renvoyée comme un résultat pertinent au moment de la requête, elle n’existe pas dans ce pipeline.
Deuxième découverte : le champ turn_use_case classifie la nature de la question posée par l’utilisateur. « Comparaison », « procédure », « définition », « achat ». Important. En fonction de ce tag, le système active ou non la recherche web, interroge ou non le knowledge graph. Un contenu optimisé pour une « liste » aura peu de chances si l’IA a étiqueté la requête en « procédure » et déclenché un appel à une source autoritaire unique.
Troisième signal : le vendor. Ce champ nomme la source que l’IA s’apprête à citer. Et ce nom n’est pas extrait de la balise title. Il est lié à la présence d’une fiche entité, d’une page Wikidata, d’une mention répétée dans des corpus validés. Ça signifie que sans une couche de validation tierce, votre marque peut être invisible même en première position Bing.
Ces champs ne sont pas des hypothèses. Ils sont dans le JSON. Vérifiables. Reproductibles.
Trois signaux à graver avant de toucher au contenu
De cette lecture technique, je tire trois commandements pour un site e-commerce.
1. Crawlabilité stricte pour Bing. ChatGPT ne passe pas par Google pour ses sources. C’est Bing qu’il interroge. Du coup, robots.txt, meta robots, temps de réponse, structure des URLs : tout ce qui ralentit l’indexation Bing devient un problème. J’ai vu un guide de 2 400 mots chez un client : il tombait en timeout à cause d’un script consentement cookies mal configuré. Résultat : pas indexé par Bing, pas cité.
2. Faits vérifiables et validation externe. L’IA aime les affirmations qu’on peut vérifier en dehors du site. Une page produit avec une date de certification, un numéro de norme, un chiffre repris par un organisme de confiance : ces éléments sont notés comme des faits, et ils montent dans le classement. J’appelle ça le « taux de vérité utile ». Pas besoin de des milliers de backlinks. Il suffit de mentions dans des bases, des sites d’associations professionnelles, des articles à forte autorité thématique.
3. Déclenchement par la requête. Le turn_use_case décide. Votre contenu doit coller à l’intention détectée par l’IA. Pour un e-commerçant, les fiches produits seules ne suffisent pas. Il faut des contenus qui répondent à des comparaisons, des « quels critères pour », des guides d’achat — des formats que l’IA sait exploiter.
Quand j’audite une page, je me pose trois questions : est-elle crawlée par Bing en moins de 800 ms ? Contient-elle au moins un fait vérifiable avec une source externe ? Et répond-elle à une intention que ChatGPT classifie comme informationnelle comparative ?
Ces trois voyants allumés, la probabilité d’être cité monte directement.
800 produits, zéro citation… jusqu’à 17 pages en 6 mois
Revenons à l’appel de mon client jardin. J’ai appliqué la grille des trois signaux. 62 % de ses fiches produits n’étaient pas correctement crawlées par Bing en moins d’une seconde. Problème de rendu dû à un chargement asynchrone des descriptions. Les pages étaient perçues comme vides.
Deuxième problème : très peu de faits vérifiables. Les fiches disaient « Robuste », « Performant », mais aucune mention d’une certification CE visible, aucun numéro de pièce détachée, aucune valeur de puissance en watts sourcée. Des mots, pas des faits.
Nous avons retravaillé 47 pages stratégiques. Ajout de données structurées Product avec identifier (MPN, GTIN), intégration de paragraphes « Fiche technique vérifiable » avec un lien vers le site du fabricant. En parallèle, obtention d’une mention dans un magazine de jardinage en ligne (pas un lien, une simple citation de la marque dans un comparatif).
Troisième levier : création d’un guide comparatif « Tondeuse électrique pour pente raide » structuré en questions/réponses, balisage FAQ. Ce format correspond au turn_use_case « procédure/comparaison ».
Résultat observé après 6 mois : 17 pages citées par ChatGPT sur les 47 retravaillées. Aucune citation auparavant. Trafic organique en hausse de 23 %, mais surtout un canal entrant direct depuis l’interface IA, identifié dans GA4 via le referrer chat.openai.com.
Le client ne paie pas un mot de plus. Il a juste fourni les signaux que la machine cherchait.
Le mythe de la listicle générique
Depuis que l’optimisation GEO est devenue un sujet, j’entends une rengaine : « Faites des listicles, commentez sur Reddit. » Les analyses de trafic réseau de Suganthan et les miennes racontent une autre histoire. Les listicles pures, sans faits, sans données internes, sans validation externe, sont rarement étiquetéescitation ou knowledge_graph. Elles tombent dans le bucket organic avec un score bas. Reddit peut apparaître, mais surtout quand la requête est classée en « opinion » ou « expérience personnelle ». Ce n’est pas la stratégie d’une marque e-commerce que de compter sur le « sentiment Reddit » pour vendre un taille-haie.
Ce qui marche, c’est une architecture de contenu qui donne à l’IA des blocs de texte factuel, bien isolés, avec des références croisées. Un comparatif de tondeuses qui cite les fiches produits internes avec des attributs mesurables. Une page de catégorie qui renvoie vers des guides « comment choisir ». Un maillage qui crée un cluster thématique, détecté comme une entité cohérente par le parser de l’IA.
Là encore, le DOSE framework que j’enseigne via BMO Academy fonctionne avec cette logique : Déclenchement par l’intention, Structure en clusters, Expansion par validation externe. Ce n’est pas un concours de volume. C’est une mécanique de signaux.
Ce que cela change pour votre prochaine mise à jour
Vous avez un catalogue en ligne. Des centaines de fiches. Peut-être déjà bien classées sur Google. La question n’est pas de les réécrire. Elle est de les rendre lisibles par le pipeline de sélection de l’IA générative.
Allez dans votre Search Console Bing et vérifiez les URLs non indexées. Regardez vos temps de réponse. Ensuite, posez-vous ceci : pour chaque page, quelle est la validation externe disponible ? Une page Wikipedia qui liste votre marque, un article de presse, une base de données industrielle ? Si rien n’existe, créez cette couche. Oubliez le netlinking. Parlez-moi validation de faits : ce que la machine stocke.
Je ne vous vends pas la méthode. Je vous montre les pages.
Et si la prochaine source citée par ChatGPT pour votre produit était celle d’un concurrent qui a compris que le jeu se joue dans le JSON ?
Un audit pour vous montrer ce que le JSON de l’IA voit sur vos pages
En 55 minutes, je passe vos pages sous l’œil du trafic réseau, comme pour mon client jardin. Trois signaux vérifiés, une feuille de route concrète. Réservé aux e-commerçants prêts à peser dans les citations IA.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Faut-il optimiser spécifiquement pour Bing afin d’apparaître dans les citations de ChatGPT ?
Oui. J’observe que plus de 70 % des requêtes ChatGPT passent par Bing. Le constat est net : indexation propre sur ce moteur, réponse serveur sous 800 ms, structure crawlable. Ça tient la route.
Comment savoir si mes pages sont crawlables par l’IA de ChatGPT ?
Prenez l’outil d’inspection d’URL de Bing Webmaster Tools. Regardez aussi le code HTTP, le temps de chargement et le rendu sans JS lourd. Une page qui timeout ou qui affiche du contenu vide après exécution JavaScript ne sera pas vue par ChatGPT.
Les données structurées aident-elles à être cité ?
Elles aident indirectement. J’observe que le JSON n’a pas de champ dédié au schema. Mais des données structurées bien remplies (MPN, GTIN, description factuelle) aident Bing à extraire et valider les faits. Résultat : plus de chances d’être vu comme source fiable.
Quels types de contenu ChatGPT cite-t-il le plus souvent ?
D’après les étiquettes internes, les formats comparatifs, les guides techniques factuels et les pages avec des affirmations vérifiables sur des sites d’autorité sont plus cités que les listicles génériques ou le contenu purement commercial. Le <code>turn_use_case</code> « procédure » ou « comparaison » correspond à ces formats.
Comment obtenir des citations externes utiles pour l’IA sans faire de netlinking classique ?
Ciblez les bases ouvertes (Wikidata, annuaires pros), la presse sectorielle, les mentions dans les comparatifs d’assos de consommateurs. Une citation de votre marque avec un fait vérifiable suffit : ChatGPT vous capte, même sans lien.
