Liste Ahrefs AEO/GEO 2026 : les 25 noms à suivre, et comment la lire
Résumez cet article avec l’IA
87 noms, 17 000 pages : comment Ahrefs a construit sa liste
87 noms. Plus de 17 000 pages passées au crible. C’est le matériau de départ de la liste publiée par Ryan Law, directeur du marketing de contenu chez Ahrefs, le 3 novembre 2026. L’objectif : identifier les 25 personnes qui publient le plus de recherche originale sur l’AI Search.
Pas les plus suivies, pas les plus bruyantes. Les plus productives en données.
La nuance change tout. Sur LinkedIn, n’importe quel profil peut se proclamer spécialiste AEO ou GEO. Ici, un seul critère compte : combien d’études vérifiables portent votre signature ?
La méthode, telle qu’Ahrefs la décrit
Ahrefs part d’une longlist de 87 noms : des personnes largement recommandées comme spécialistes de l’AEO et du GEO, plus des chercheurs employés par des sociétés de visibilité IA. Ensuite, chaque nom est passé au compteur. Combien d’études originales sur ses principaux sites de publication depuis 2023 ? Quand une même étude apparaît à plusieurs endroits (republication, traduction, mise à jour), elle n’est comptée qu’une seule fois.
Une page devient une « étude » si elle franchit quatre tests :
- Des données originales. L’auteur ou son équipe a collecté ou analysé lui-même : prompts passés dans des assistants IA, résultats d’AI Overviews, extraits de citations, analytics, logs serveur, sondages, expériences contrôlées.
- Un sujet AI Search. ChatGPT, Perplexity, Gemini, Claude, Copilot, Grok, AI Overviews ou AI Mode : comment ils trouvent, citent et recommandent des contenus, quel trafic ils envoient, comment les gens s’en servent pour chercher.
- Un volume suffisant. Au moins 50 prompts, requêtes ou pages ; analytics de 10+ sites ; 100+ répondants à un sondage ; ou une expérience contrôlée bien documentée.
- Un write-up publié. Un article, un rapport ou un papier paru entre janvier 2023 et novembre 2026.
Dernière règle : seules les études signées comptent. Un crédit d’auteur, un statut de co-auteur, ou la mention de l’analyste derrière les données. Une recherche d’entreprise sans auteur nommé ne profite à personne. Le classement se fait au nombre d’études, puis, en cas d’égalité, au nombre de sites qui renvoient vers elles.
Les seuils à garder en tête : 50+ prompts ou pages, 10+ sites pour des analytics, 100+ répondants. Ce sont les chiffres d’Ahrefs, et ils servent de barre minimale pour juger une étude.
Je lis cette méthode comme un filtre anti-bruit. Le marché de l’AEO regorge de promesses. Chaque semaine, un nouveau « framework » sort. Très peu de gens publient leurs prompts, leur échantillon, leur protocole. Un seuil à 50+ prompts élimine déjà une bonne part du discours.
Combien de comptes que vous suivez aujourd’hui passeraient ces quatre tests ?
Le haut du classement : six noms, un seul objet d’étude
En haut du tableau : six noms, six profils qui tournent tous autour du même objet, la citation.
| # | Nom | Études | Structure | Spécialité (selon Ahrefs) |
|---|---|---|---|---|
| 1 | Kevin Indig | 36 | Growth Memo | Citations LLM et comportement de l’AI Search |
| 2 | Xibeijia Guan | 31 | Ahrefs | Citations IA et impact sur les clics |
| 3 | Dan Petrovic | 20 | DEJAN | Grounding IA et mécanique des citations |
| 4 | Louise Linehan | 19 | Ahrefs | Recherche data sur les citations IA |
| 5 | Johannes Beus | 14 | SISTRIX | Données de citations et de visibilité à grande échelle |
| 6 | Metehan Yeşilyurt | 14 | Peec AI | Rétro-ingénierie des citations et du retrieval |
Kevin Indig ouvre la liste avec 36 études, publiées via Growth Memo. Xibeijia Guan, chez Ahrefs, suit avec 31. Cinq études d’écart. Derrière, le décrochage est net : Dan Petrovic (DEJAN) arrive à 20, Louise Linehan (Ahrefs) à 19. Puis Johannes Beus (SISTRIX) et Metehan Yeşilyurt (Peec AI) à égalité, 14 chacun. Indig signe 16 études de plus que Petrovic. L’écart se creuse vite.
Ce que mesurent ces six-là
Une citation, c’est le moment où un assistant IA nomme votre page comme source dans sa réponse. Les études du top 6 comptent, comparent et analysent ces moments. Qui est cité ? À quelle fréquence ? Avec quel effet sur les clics ?
Dan Petrovic travaille un cran plus bas dans la mécanique : le grounding. C’est l’étape où le modèle va chercher des sources web pour ancrer sa réponse au lieu de répondre de mémoire. En comprenant ce passage, vous saurez pourquoi telle page figure dans la réponse et pas l’autre.
Xibeijia Guan relie citations et clics. C’est l’angle qui compte. Être cité ne remplit pas un compte de résultats. Savoir ce que la citation rapporte, si.
Le contre-intuitif du top 6
La colonne « spécialité ». Six sur six parlent de citations, de grounding ou de visibilité mesurée. Aucune ne parle de « méthode miracle » ou de checklist en 10 points.
Le haut du classement regroupe ceux qui mesurent, pas ceux qui vendent des recettes. Ce qui compte ici : savoir qui publie les données sur lesquelles toute méthode se construit. Pas qui en a la meilleure.
Pour votre veille, ce top 6 forme un socle. Indig et Guan pour la vue d’ensemble des citations et de leur impact. Petrovic pour la mécanique interne. Beus pour la visibilité à grande échelle. Yeşilyurt pour le retrieval.
Savez-vous combien de clics vos pages citées génèrent réellement ?
Du 7e au 25e rang : les spécialistes par angle d’attaque
Le haut du classement raconte la citation. Le milieu raconte la spécialisation. Chaque nom a pris un angle précis, et c’est là que la liste devient un annuaire exploitable.
| # | Nom | Études | Structure | Spécialité (selon Ahrefs) |
|---|---|---|---|---|
| 7 | Manick Bhan | 13 | Search Atlas | Comportement de citation des LLM à grande échelle |
| 8 | Josh Blyskal | 11 | Profound | Citations à travers les moteurs de réponse |
| 9 | Ryan Law | 9 | Ahrefs | AI Overviews et citations IA à grande échelle |
| 10 | Aleyda Solís | 9 | Orainti | Citations IA et trafic, approche data |
| 11 | Mitul Gandhi | 9 | seoClarity | Citations IA face aux classements organiques |
| 12 | Suganthan Mohanadasan | 7 | Snippet Digital | Comment les moteurs IA choisissent leurs sources |
| 13 | Davis McCain | 7 | Profound | Citations et comportement de recherche à grande échelle |
| 14 | Tomek Rudzki | 6 | Peec AI / ZipTie | Citations, requêtes fan-out et suivi |
| 15 | Chris Long | 6 | Nectiv | Requêtes fan-out et crawl IA |
| 16 | Tom Capper | 6 | Moz / STAT | Résultats IA face au classement organique |
| 17 | Lily Ray | 5 | Amsive | Citations IA et fiabilité des sources |
| 18 | Hanns Kronenberg | 5 | GPT Insights | AI Search allemand et visibilité de marque |
| 19 | Rand Fishkin | 4 | SparkToro | Mesurer l’AI Search face à la recherche classique |
| 20 | David Bell | 4 | Previsible | Mesure du trafic de référence venu des LLM |
Les cinq derniers noms de la liste sont Ethan Smith, Mark Traphagen, Andy Crestodina, Jan Ehrlinspiel et Ross Hudgens, du 21e au 25e rang.
Trois lectures croisées
Première lecture : les sociétés qui publient. Profound place deux noms dans la liste, Josh Blyskal (11) et Davis McCain (7), soit 18 études au total. Peec AI apparaît aussi deux fois dans le top 14. Quand une société met des chercheurs nommés derrière ses données, elle gagne en visibilité dans ce type de classement.
Deuxième lecture : l’égalité à 9. Ryan Law, Aleyda Solís et Mitul Gandhi totalisent chacun 9 études. Le départage se fait au nombre de sites qui renvoient vers les études, d’où les rangs 9, 10 et 11.
Troisième lecture : la spécialisation. Chris Long et Tomek Rudzki travaillent les requêtes fan-out. Tom Capper et Mitul Gandhi confrontent résultats IA et classements organiques. David Bell et Rand Fishkin mesurent. Hanns Kronenberg couvre le marché allemand. Lily Ray creuse la fiabilité des sources.
À mon avis, un 17e rang n’est pas une moindre autorité. Lily Ray, Aleyda Solís ou Rand Fishkin pèsent aussi par leurs conférences, leurs newsletters et leurs analyses, que ce classement ne compte pas. Il compte les études signées avec échantillon. Rien d’autre.
Lequel de ces angles correspond au problème que vous voulez résoudre cette semaine ?
Une liste publiée par Ahrefs avec trois Ahrefs dans le top 10 : comment la lire
Soyons précis. Xibeijia Guan, 31 études, 2e. Louise Linehan, 19 études, 4e. Ryan Law, 9 études, 9e. Trois noms du même éditeur dans les dix premiers, soit 59 études cumulées. Et l’auteur de la liste figure lui-même au classement.
Faut-il en conclure que le classement est biaisé ? Non. La méthode est décrite en détail, les critères sont publics, les seuils sont chiffrés. C’est justement ce qui permet de la discuter.
Le cœur du sujet : ce que mesure la liste, pas sa partialité.
Ce que le classement compte
- Du volume. Le rang vient du nombre d’études, pas de leur portée. Une étude sur 50+ prompts et une étude sur des milliers de pages comptent chacune pour une.
- Du nominatif. Une recherche d’entreprise sans auteur identifié ne profite à personne. Les équipes qui publient de façon anonyme sont donc invisibles ici.
- Une fenêtre précise. Janvier 2023 à novembre 2026, sur une longlist de 87 noms. Quelqu’un hors de la longlist ne pouvait pas entrer.
- Des études publiées. Les expérimentations menées chez des clients et jamais mises par écrit n’existent pas pour ce classement.
Pourquoi ce n’est pas un défaut
Une liste qui avoue ses limites vaut mieux qu’une qui feint d’être exhaustive. Celle-ci vous dit exactement ce qu’elle mesure : la production de recherche publique, signée, avec un échantillon minimal.
Elle fonctionne donc comme un annuaire de sources primaires. Pas comme un palmarès de talent. Vous gagnez à la lire ainsi : en cherchant où se trouvent les données, pas qui mérite la médaille.
Le réflexe qui change la lecture : devant une étude, posez trois questions. Combien de prompts ou de pages ? Quel protocole décrit ? Qui signe ? Si les trois réponses sont claires, vous avez une source. Sinon, vous avez un avis.
Ce classement soulevait une pratique clé : publier ses données avec un auteur nommé. Les entreprises qui le font bénéficient d’une meilleure visibilité : citations, partages, liens. La liste elle-même a été citée par 45 sites liants au moment de la capture Ahrefs, selon l’indicateur affiché sur la page.
Et vous, vos propres travaux de terrain, ceux que vous refaites chaque trimestre sur vos pages, sont-ils écrits quelque part avec un nom dessus ?
Plutôt que de lire 25 noms, trouvez vos deux ou trois experts. Cette matrice croise votre question métier avec ses spécialistes.
Qui consulter selon votre question ?
Trouvez le spécialiste qui a étudié votre question métier.
De la liste à la veille : qui lire selon votre question
Une liste de 25 noms ne sert à rien si vous la gardez en favori. Elle sert si vous la transformez en circuit de lecture. Chaque question métier correspond à deux ou trois noms.
| Votre question | Qui lire | Pourquoi (selon Ahrefs) |
|---|---|---|
| Qui l’IA cite, et avec quel effet sur les clics ? | Kevin Indig, Xibeijia Guan, Louise Linehan | Citations LLM et impact sur les clics |
| Comment le modèle choisit-il ses sources ? | Dan Petrovic, Suganthan Mohanadasan | Grounding et sélection des sources |
| Comment une question se décompose-t-elle ? | Chris Long, Tomek Rudzki | Requêtes fan-out |
| Classement organique ou citation IA ? | Mitul Gandhi, Tom Capper | Résultats IA face aux classements organiques |
| Comment mesurer le trafic venu des IA ? | David Bell, Rand Fishkin | Trafic de référence LLM, mesure comparée |
| Mes sources sont-elles jugées fiables ? | Lily Ray | Fiabilité des sources |
| Mon marché est germanophone ? | Hanns Kronenberg | AI Search allemand |
Pourquoi le fan-out est la ligne la plus rentable pour un cocon
Le fan-out, c’est la décomposition d’une question en plusieurs sous-questions que l’assistant cherche en parallèle. Chris Long (Nectiv) et Tomek Rudzki (Peec AI / ZipTie) l’étudient, selon la liste d’Ahrefs.
Pour quelqu’un qui construit des cocons sémantiques depuis 2016, la logique est directe. Un cocon est une réponse structurée à un ensemble de sous-questions autour d’un sujet. Quand l’assistant éclate une demande en plusieurs recherches, un site qui répond à chacune de ces sous-questions, avec des pages reliées entre elles, a plus de portes d’entrée.
J’observe chez mes clients que les sites dont l’architecture couvre un sujet de bout en bout sont ceux pour lesquels le travail de citation devient le plus lisible : on sait quelle page doit répondre à quelle sous-question. Je n’ai pas de chiffre public à vous donner sur ce point. C’est une observation de terrain, pas une étude. Je vous renvoie donc vers les chercheurs de cette liste pour les mesures à grande échelle.
Le catalogue ne suffit pas, l’architecture décide
Le problème n’est presque jamais le contenu. C’est l’architecture. Un site peut avoir 800 pages bien rédigées et ne répondre à aucune sous-question de façon identifiable. L’assistant ne cite pas un volume. Il cite une page qui répond.
Deux sources à ajouter pour l’actualité : Search Engine Land et Search Engine Journal relaient régulièrement les travaux de ces chercheurs. Utilisez-les comme radar, puis allez lire l’étude d’origine.
Quelle sous-question de votre secteur n’a, à ce jour, aucune page du site qui la traite à fond ?
Ce que je ferais lundi matin avec cette liste
Une liste, c’est de l’information. Un plan, c’est un résultat. Voici comment je structurerais cette veille en cinq mouvements.
1. Choisir cinq noms, pas vingt-cinq
Prenez un nom par thème dans le tableau précédent : citations, grounding, fan-out, organique contre IA, mesure du trafic. Cinq flux de lecture. Pas un de plus. Une veille qui déborde n’est plus une veille.
2. Lire une étude complète, protocole inclus
Pas le résumé. L’étude entière. Repérez la taille d’échantillon, la façon dont les prompts ont été choisis, le moteur testé, la période. C’est ce qui sépare une donnée utilisable d’un titre accrocheur.
3. Refaire le test sur votre propre site
Ahrefs fixe le seuil à environ 50+ prompts pour qu’une étude compte. Reprenez cette barre pour votre propre mesure. Construisez une liste d’au moins 50 prompts représentatifs de votre secteur et passez-les dans les assistants qui comptent pour vos clients.
4. Noter ce qui est cité, et ce qui manque
Deux colonnes. Les pages de votre site que l’assistant cite. Les sous-questions pour lesquelles il cite quelqu’un d’autre. La deuxième colonne est votre feuille de route de contenu.
5. Restructurer avant de produire
Avant d’écrire une page de plus, regardez si la réponse existe déjà sur votre site, mal placée, mal reliée, noyée dans un article trop large. La restructuration précède la production. C’est le réflexe que j’applique en cocon : on arrête, on réorganise, puis on investit au bon endroit.
Le test qui prend un après-midi : 50 prompts, un tableur, deux colonnes. Pages citées, sous-questions sans réponse chez vous. Vous obtenez une photo exploitable de votre visibilité IA, sans outil payant.
Ce que la liste vous apprend
Le top 25 d’Ahrefs ne vous dit pas qui suivre pour son charisme. Il vous montre qui publie des données qu’on peut vérifier : prompts, échantillons, protocoles, noms. Ce sont les seules sources sur lesquelles bâtir une stratégie AEO qui tienne dans le temps.
Faites de même sur votre propre site : mesurez, écrivez, signez. Les assistants IA et les lecteurs récompensent le même réflexe.
Si l’un des 25 lançait demain 50 prompts sur votre secteur, combien de vos pages sortiraient dans les réponses ?
Votre site est-il cité par les IA ?
Dans l’audit live, je passe vos pages au crible : quelles sous-questions de votre secteur sont couvertes, lesquelles manquent, et quelle architecture les relie. Je vous montre les pages, pas une méthode.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Qui sont les deux premiers de la liste Ahrefs des experts AEO/GEO 2026 ?
Kevin Indig (Growth Memo) arrive premier avec 36 études, suivi de Xibeijia Guan (Ahrefs) avec 31. On compte les études originales signées depuis 2023.
Comment Ahrefs a-t-il sélectionné les 25 noms ?
Ahrefs a examiné 87 noms, puis analysé plus de 17 000 pages publiées depuis 2023. Il a retenu les études répondant à quatre critères : données originales, sujet AI Search, échantillon conséquent, publication signée.
Qu’est-ce qui compte comme une étude dans ce classement ?
Une page avec données originales sur l’AI Search, un échantillon d’à peu près 50+ prompts ou pages (ou 10+ sites, ou 100+ répondants), publiée entre janvier 2023 et novembre 2026, avec auteur nommé.
Ce classement est-il biaisé parce qu’il vient d’Ahrefs ?
Trois noms d’Ahrefs figurent dans le top 10, mais la méthode et les seuils sont publics. La liste mesure le volume d’études signées, pas la qualité ni l’influence. À lire comme un annuaire de sources.
Comment utiliser cette liste pour améliorer ma visibilité dans les IA ?
Choisissez un chercheur par thème (citations, grounding, fan-out, mesure du trafic), lisez une étude complète, puis testez au moins 50 prompts de votre secteur sur votre site pour repérer les sous-questions sans réponse.

