AEO 2026 : les 25 chercheurs qui publient vraiment en AI search
Résumez cet article avec l’IA
87 noms, 17 000 pages : comment trier les chercheurs des commentateurs ?
87 noms. 17 000 pages. 25 survivants.
Voilà le tri fait par Ryan Law, directeur du marketing de contenu chez Ahrefs, dans son classement publié le 3 novembre 2026. Il part d’une longlist de 87 personnes : des noms recommandés partout comme « experts AEO et GEO », plus des chercheurs employés par des éditeurs d’outils de visibilité IA. Puis il compte. Pas les abonnés. Pas les passages en conférence. Les études.
Chaque page publiée depuis 2023 sur les sites principaux de chaque candidat passe au crible : plus de 17 000 pages au total. Une traduction, une republication ou une mise à jour comptent une seule fois. Pour être classée « étude », une page doit cocher quatre cases.
- Données originales. L’auteur ou son équipe a collecté ou analysé lui-même : prompts soumis à des assistants IA, résultats d’AI Overviews, jeux de citations, analytics, logs serveur, sondages, expériences contrôlées.
- Sujet AI search. Comment ChatGPT, Perplexity, Gemini, Claude, Copilot, Grok, AI Overviews ou AI Mode trouvent, citent et recommandent des contenus, quel trafic ils envoient, comment les gens s’en servent pour chercher.
- Échantillon de taille. Environ 50 prompts, requêtes ou pages au minimum ; des analytics issus d’au moins 10 sites ; 100 répondants et plus pour un sondage ; ou une expérience contrôlée au protocole décrit.
- Publication écrite. Article, rapport ou papier paru entre janvier 2023 et novembre 2026, avec la signature de la personne, ou son nom comme coauteur ou analyste des données.
Dernier détail, et il compte : 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.
Pourquoi je vous raconte la méthode avant les noms ? Parce que la leçon, c’est la méthode. Le problème de votre veille n’est pas le manque d’information. C’est le manque de tri.
Chez mes clients e-commerce, le même réflexe revient : on partage le post le plus commenté de la semaine, rarement l’étude qui le soutient. C’est une observation de terrain, sans chiffre précis à vous donner. Ce classement propose l’inverse : un filtre qui récompense l’échantillon, le protocole et la signature.
Quatre tests. Trois lignes de défense contre le bruit. Un seuil que vous pouvez réutiliser dès demain sur n’importe quel « insight » croisé sur LinkedIn.
Qui occupe le haut du tableau, et que disent vraiment les chiffres ?
Voici les 20 premiers du classement, avec le nombre d’études qui passent les quatre tests (source : Ahrefs, Ryan Law, 3 novembre 2026).
| Rang | Nom | Études | Structure | Spécialité |
|---|---|---|---|---|
| 1 | Kevin Indig | 36 | Growth Memo | Citations LLM et comportement de l’AI search, par la donnée |
| 2 | Xibeijia Guan | 31 | Ahrefs | Citations en AI search et impact sur les clics |
| 3 | Dan Petrovic | 20 | DEJAN | Mécanique du grounding et des citations |
| 4 | Louise Linehan | 19 | Ahrefs | Recherche sur les citations en AI search |
| 5 | Johannes Beus | 14 | SISTRIX | Citations et visibilité IA à grande échelle |
| 6 | Metehan Yeşilyurt | 14 | Peec AI | Rétro-ingénierie des citations et du retrieval |
| 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 |
| 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, fan-out et suivi |
| 15 | Chris Long | 6 | Nectiv | Requêtes fan-out et crawl IA |
| 16 | Tom Capper | 6 | Moz / STAT | Résultats IA face aux classements organiques |
| 17 | Lily Ray | 5 | Amsive | Citations IA et fiabilité des sources |
| 18 | Hanns Kronenberg | 5 | GPT Insights | Recherche IA allemande 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 des LLM |
Cinq autres noms complètent le top 25 : Ethan Smith, Mark Traphagen, Andy Crestodina, Jan Ehrlinspiel et Ross Hudgens. L’extrait de l’article ne détaille pas leurs scores.
L’écart, d’abord. Kevin Indig cumule 36 études, Xibeijia Guan 31. À elles deux : 67. Si vous additionnez les 20 lignes du tableau, vous obtenez 235. Deux personnes pèsent donc plus d’un quart du total, d’après mon addition.
La courbe tombe ensuite. 36, 31, 20, 19. Puis 14, 14, 13, 11. À partir de la 9e place, on est à 9 études ou moins. Rand Fishkin et David Bell ferment le tableau avec 4 études chacun. Quatre études avec échantillon et protocole publié, c’est du travail.
Notoriété et volume : deux choses différentes. Lily Ray occupe le 17e rang avec 5 études. Aleyda Solís le 10e avec 9. Marie Haynes n’est pas dans le top 25. Un classement par études mesure une chose précise : publier des jeux de données. Commenter, enseigner, auditer, c’est un métier différent, tout aussi précieux. On les lit pour d’autres raisons.
Pas besoin de suivre les 25. Le tableau sert à en choisir cinq, pas à remplir un lecteur RSS.
Qui étudie quoi ? Six familles de questions pour cartographier la recherche
Le tableau donne un rang. La carte donne un usage. En relisant la colonne « spécialité », six familles de questions apparaissent. Chacune correspond à une décision concrète d’un responsable e-commerce.
- Qui se fait citer, et pourquoi. Kevin Indig, Xibeijia Guan, Louise Linehan, Johannes Beus (SISTRIX), Manick Bhan (Search Atlas), Josh Blyskal et Davis McCain (Profound) travaillent sur les jeux de citations à grande échelle. Vous devez décider : quelles pages de votre catalogue méritent d’être pensées comme des sources.
- La mécanique interne. Dan Petrovic (DEJAN) étudie le grounding, Metehan Yeşilyurt (Peec AI) fait de la rétro-ingénierie, Suganthan Mohanadasan (Snippet Digital) observe comment les moteurs choisissent leurs sources. Avant de produire du contenu, il faut comprendre le comment.
- Le fan-out. Tomek Rudzki (Peec AI / ZipTie) et Chris Long (Nectiv) étudient les requêtes fan-out et le crawl des IA. Une question posée à un assistant se décompose en plusieurs sous-requêtes. C’est la structure de vos contenus qui change.
- IA contre organique. Mitul Gandhi (seoClarity), Tom Capper (Moz / STAT) et Ryan Law (Ahrefs) comparent les citations IA et les classements classiques. Où concentrer votre énergie SEO classique.
- Trafic et mesure. David Bell (Previsible) sur le trafic de référence des LLM, Rand Fishkin (SparkToro) sur la mesure comparée, Aleyda Solís (Orainti) sur citations et trafic, Xibeijia Guan sur l’impact sur les clics. Ce qu’il faut lire dans vos analytics change.
- Fiabilité et marchés locaux. Lily Ray (Amsive) sur la fiabilité des sources, Hanns Kronenberg (GPT Insights) sur le marché allemand. À quel point une étude américaine se transpose chez vous.
Un détail frappe dans cette carte. Seul le marché allemand a droit à sa ligne dédiée dans la colonne spécialité. Le marché francophone reste à documenter. C’est une opportunité : les résultats publiés ailleurs servent d’hypothèses, et vos propres tests deviennent la donnée locale que personne d’autre n’a publiée.
Une même question, six angles. Citations, mécanique, fan-out, organique, trafic, fiabilité. Quand deux chercheurs de familles différentes convergent sur un constat, vous tenez un signal. Quand un seul le publie, vous tenez une piste.
Voilà le diagnostic. Vous n’avez pas trop de chercheurs à lire. Ce qui vous manque, c’est de savoir quelle décision chaque lecture doit nourrir.
Ahrefs expose la composition de son classement avec transparence : trois chercheurs de la société figurent dans les dix premiers. En tout, ils représentent 59 des 235 études du top 25, soit un quart. Ce contexte aide à évaluer le potentiel biais dans le tri.
La composition du classement
Part des études signées par Ahrefs dans le top 25
Que vaut ce classement, et comment le lire sans se tromper ?
Un classement par volume d’études est un outil de tri. Pas un verdict. Trois précautions de lecture vous feront gagner du temps.
Première précaution : qui a construit la liste. Ahrefs publie le classement, et trois de ses chercheurs y figurent : Xibeijia Guan (2e, 31 études), Louise Linehan (4e, 19) et Ryan Law lui-même, auteur de l’article (9e, 9). Total : 59 études sur les 235 du tableau, soit un quart. Ryan Law expose sa méthode, affiche ses critères et se classe là où le décompte le place. Cette transparence est appréciable. À mon avis, elle invite aussi à un réflexe sain : recouper avec des chercheurs hors de l’écosystème Ahrefs. La liste le permet largement, avec DEJAN, SISTRIX, Profound ou Moz / STAT.
Deuxième précaution : volume ne veut pas dire profondeur. 36 études ne valent pas 36 découvertes. Le seuil d’environ 50 prompts est un plancher, rien de plus. Une étude à 50 prompts sur un secteur ne se transpose pas telle quelle à votre catalogue. Elle vous donne une hypothèse à vérifier.
Troisième précaution : ce que la liste ne voit pas. Une recherche d’entreprise sans auteur nommé compte zéro pour tout le monde. Des travaux solides peuvent donc rester invisibles ici. Les éditeurs d’outils de mesure y sont aussi très présents : Peec AI, Profound, Search Atlas, SISTRIX, seoClarity. Leurs données sont précieuses. Vous gagnez à les croiser avec une source indépendante avant de déplacer un budget.
Le contre-intuitif du tableau. Dans la colonne spécialité, 14 lignes sur 20 mentionnent les citations. Aucune ne mentionne la conversion ou le chiffre d’affaires. La recherche la plus abondante répond à « comment être cité ? ». La question qui vous concerne, « est-ce que ça vend ? », reste à votre charge.
Pas un défaut du classement. Un constat sur l’état du terrain en novembre 2026. La recherche publique mesure la visibilité. Vos ventes, vous les mesurez avec vos propres données.
Le plus grand risque n’est donc pas de suivre un mauvais chercheur. C’est de lire une étude sur des citations et d’en conclure que votre chiffre d’affaires va bouger. Entre les deux, il y a un test à mener. Qui le mènera, sinon vous ?
Pourquoi suivre des chercheurs plutôt que des influenceurs change votre façon de décider ?
Le cadre DOSE, de Guillaume Attias (BMO Academy), relie nos comportements à quatre circuits : dopamine, ocytocine, sérotonine, endorphines. Appliqué à la veille, on voit pourquoi tant de dirigeants consomment du contenu AEO sans l’appliquer dans leur boutique.
Comment lire votre veille sur les AI search avec le cadre DOSE
- Dopamine : la nouveauté. Un nouveau chiffre, un nouveau graphique, la promesse d’un secret. Les posts viraux nourrissent ce circuit. Une étude de 50 prompts le nourrit aussi, mais elle s’appuie sur un protocole solide.
- Ocytocine : l’appartenance. Suivre un chercheur, c’est rejoindre une communauté de pairs qui se lisent, se recoupent, se corrigent. La confiance naît de la donnée partagée, pas du charisme.
- Sérotonine : le statut. Un classement active ce circuit. Être « suivi par les meilleurs » rassure. Transformez ce réflexe en critère explicite : le nombre d’études, pas un réflexe social.
- Endorphines : l’effort récompensé. Reproduire un test sur votre catalogue demande du travail. Le résultat, même petit, vous satisfait bien plus que la lecture seule.
Un cadre pour lire, pas une expérience de labo.
Le leadership cognitif, c’est décider où va votre attention. Un dirigeant e-commerce qui suit 25 sources sans filtre laisse l’algorithme choisir pour lui. Celui qui se concentre sur cinq chercheurs, sur cinq domaines, reprend la main.
Deuxième observation : l’influence dans ces communautés. Ces 25 personnes ne dominent pas par la force du ton. Elles dominent en publiant des données que d’autres discutent, reproduisent, contestent. Dans une discipline qui bouge chaque trimestre, l’autorité naît de la donnée partagée, pas de l’assurance du ton.
Appliquez le même principe chez vous. Dans votre équipe, qui obtient l’écoute : celui qui affirme, ou celui qui apporte un test ? Une culture où la preuve circule plus vite que l’opinion produit de meilleures décisions SEO. Et elle rend la veille vivante : un test partagé donne envie d’en lancer un autre.
Dopamine pour lancer. Ocytocine pour partager. Sérotonine pour assumer ses critères. Endorphines pour terminer le test. Les quatre circuits travaillent pour vous quand la veille débouche sur une action. Ils vous freinent quand la veille reste à la lecture.
Qu’est-ce que ces recherches changent concrètement pour un catalogue e-commerce ?
Reprenons les six familles et traduisons-les en décisions de boutique.
Le fan-out rejoint l’architecture. Tomek Rudzki et Chris Long étudient les requêtes fan-out : une question posée à un assistant se décompose en sous-requêtes. Ma lecture, et c’est une hypothèse de travail, pas un résultat publié : un cocon sémantique bien construit couvre justement ces sous-questions. Catégorie, comparatifs, critères de choix, objections, entretien. Chaque page répond à un morceau de la question éclatée. J’observe chez mes clients que les catalogues déjà structurés en cocons ont une longueur d’avance pour être traités comme des sources cohérentes. Observation de terrain, sans mesure chiffrée à vous présenter.
IA contre organique : une question à poser à votre site. Mitul Gandhi (seoClarity) compare les citations IA aux classements organiques. Tom Capper (Moz / STAT) compare les résultats IA aux résultats classiques. Vous gagnez à poser la même question à votre catalogue : les pages citées sont-elles celles qui se classent ? Si la réponse varie selon les catégories, vous venez de repérer où investir.
Trafic de référence : lire vos analytics autrement. David Bell (Previsible) mesure le trafic envoyé par les LLM. Rand Fishkin (SparkToro) compare l’AI search à la recherche classique. Dans vos analytics, isolez les visites issues des assistants IA et suivez-les à part. Leur volume peut être modeste, leur comportement mérite un segment dédié.
Le test des 50 prompts, à mener sur une catégorie
- Choisissez une catégorie stratégique de votre catalogue.
- Rédigez 50 questions réelles de vos acheteurs : comparer, choisir, entretenir, se rassurer. Le chiffre reprend le plancher d’échantillon des études du classement.
- Soumettez-les à ChatGPT, Perplexity, Gemini et aux AI Overviews. Notez les domaines cités.
- Comparez avec vos classements organiques sur les mêmes sujets.
- Rapprochez le résultat des visites IA de vos analytics : y a-t-il des ventes derrière ?
Ce test comble la lacune repérée plus haut. La recherche publique mesure la citation. Votre test relie la citation à vos ventes, ce que personne ne peut faire à votre place.
Gardez une règle : une étude sert à formuler une hypothèse, vos données servent à décider. Un catalogue n’est pas un échantillon statistique. Il a son vocabulaire, sa saisonnalité, ses clients. Ce premier test, cette catégorie, ces résultats : c’est là que votre veille cesse d’être de la lecture.
Comment construire une veille AEO qui tourne sans vous ?
Je construis des systèmes qui tournent sans moi. Votre veille mérite la même logique : un rythme, des sources choisies, un registre de décisions. Quatre gestes suffisent.
Geste 1 : retenir cinq noms, pas vingt-cinq. Prenez un chercheur par grande question : citations (Kevin Indig ou Xibeijia Guan), mécanique (Dan Petrovic), fan-out (Chris Long ou Tomek Rudzki), organique contre IA (Tom Capper ou Mitul Gandhi), trafic (David Bell ou Aleyda Solís). Cinq noms, cinq décisions couvertes. Remplacez-en un si sa production ralentit.
Geste 2 : vérifier les quatre tests avant de partager. Données originales ? Sujet AI search ? Taille d’échantillon ? Publication signée ? Si l’une des cases manque, l’information devient une piste, pas une preuve. Poser ces quatre questions à voix haute en réunion élève le niveau de la conversation.
Geste 3 : reproduire à petite échelle. Chaque trimestre, choisissez une étude et rejouez-la sur une catégorie de votre catalogue, avec vos prompts, vos concurrents, votre langue. L’écart entre leur résultat et le vôtre vaut souvent plus que le résultat lui-même.
Geste 4 : consigner chaque décision. Une ligne par test : source, hypothèse, résultat chez vous, action décidée. Dans six mois, ce registre sera votre propre recherche originale, sur votre marché, avec votre signature.
Un point d’attention pour la suite. Ce classement est daté du 3 novembre 2026. Dans une discipline qui bouge à ce rythme, une liste de noms vieillit vite, alors que la méthode de tri reste valable. Gardez les quatre tests. Remplacez les noms quand les études changent de main.
Je forge ces dispositifs de veille avec mes clients en partant de leurs pages, pas de slides. L’idée est simple : un catalogue qui comprend ce que les chercheurs publient, et qui le vérifie sur ses propres données.
Quelle décision de votre boutique repose aujourd’hui sur un article que personne n’a vérifié, et quelle étude à 50 prompts pourrait la confirmer ou la corriger ?
Votre audit AEO sur vos propres pages
Je prends l’une de vos catégories, je soumets les questions de vos acheteurs aux assistants IA et je vous montre les pages citées, celles qui manquent et celles à restructurer.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Qui sont les chercheurs AEO/GEO les plus prolifiques en 2026 ?
Selon le classement d’Ahrefs (3 novembre 2026) : Kevin Indig (36 études), Xibeijia Guan (31), Dan Petrovic (20) et Louise Linehan (19). Le tri repose sur les études originales avec échantillon et signature.
Comment Ahrefs a-t-il construit ce classement ?
Ahrefs est parti de 87 noms et a analysé plus de 17 000 pages publiées depuis 2023. Une page est une étude si elle contient des données originales sur l’AI search, avec un bon volume de données et une signature.
AEO et GEO, est-ce la même chose dans cette étude ?
Le classement traite les deux termes ensemble : avoir ses contenus cités et recommandés par ChatGPT, Perplexity, Gemini ou les AI Overviews. L’étiquette compte moins que la donnée collectée.
Comment exploiter ces chercheurs pour mon e-commerce ?
Retenez cinq noms sur cinq thèmes (citations, mécanique, fan-out, organique contre IA, trafic). Rejouez une de leurs études sur une catégorie de votre catalogue, avec environ 50 prompts de vos acheteurs, puis consignez le résultat.
Pourquoi croiser plusieurs sources avant d’agir ?
Trois des neuf premiers du classement travaillent chez Ahrefs, qui l’a publié, et beaucoup d’autres chez des éditeurs d’outils de mesure. Croiser avec une source indépendante vous sécurise avant de déplacer un budget.

