GEO par moteur : 4 mécaniques qui dictent les réponses IA
Résumez cet article avec l’IA
Le même catalogue, les mêmes requêtes, deux moteurs : et les pages citées ne se recoupent presque jamais. La preuve en un coup d’œil avant d’entrer dans les mécaniques.
Les moteurs IA ne citent pas les mêmes pages
62 % des pages citées par un moteur échappent au suivant.
Pourquoi la même page sort sur ChatGPT et pas sur Gemini
Je regarde 47 fiches produits. Quatre assistants différents. Une seule fiche ressort.
ChatGPT la cite en première réponse. Claude l’ignore. Gemini propose un concurrent que personne n’a référencé. Perplexity répond avec un comparatif de 2024.
Aucun hasard là-dedans.
Une mécanique tourne.
Un site e-commerce de 3 400 références a obtenu 7 mentions sur 10 requêtes testées dans ChatGPT. Le même catalogue, les mêmes requêtes, passées dans Gemini : 1 mention sur 10.
Sur 50 requêtes échantillonnées chez trois autres clients, 62 % des pages citées par un moteur n’étaient pas citées par un deuxième. Un ordre de grandeur. Mais parlant.
La différence ne tient ni aux backlinks, ni à la longueur des descriptions produits. Elle tient à la mécanique de décision propre à chaque assistant.
L’article de Neil Patel, GEO by Engine, le décrit enfin en détail. ChatGPT fractionne la requête. Claude vérifie la stabilité du document. Gemini s’appuie sur le graphe d’entités de Google. Perplexity exige de la fraîcheur et des sources multiples.
Quatre moteurs. Quatre logiques. Quatre leviers e-commerce différents.
La plupart des contenus sur le GEO traitent ces moteurs comme un bloc homogène. Résultat : les équipes appliquent une recette moyenne. Une page optimisée pour tous, citée par aucun.
Chez mes clients, le décalage est identique. Les pages qui remontent dans ChatGPT ne sont pas celles qui remontent dans Perplexity. Et rarement celles qui remontent dans Gemini.
Le problème, c’est la mécanique qu’on ignore. Pas le contenu.
Les 4 mécaniques réelles, détaillées à partir des schémas de Neil Patel et de mes déploiements. Pour chaque mécanique : un cas, un levier, un test.
Pas de théorie floue.
De l’action.
L’approche classique, c’est de cartographier les citations. Utile. Mais insuffisant. Une carte vous dit où vous êtes cité. Elle ne vous dit pas pourquoi l’autre moteur vous ignore.
La question qui compte : « comment chaque moteur décide ? », pas « comment être cité ? ».
Une fois la mécanique comprise, l’action devient mécanique. Un test. Une mesure. Une décision.
ChatGPT ne classe pas des pages : il ferme des sous-questions. Voici le trajet d’une requête jusqu’à la citation.
Le query fanout : la requête se divise
Comment ChatGPT décompose une question avant de choisir ses sources.
ChatGPT : la requête se divise en sous-questions, votre page doit toutes les fermer
La mécanique de ChatGPT tient à un éventail de requêtes. Le classement de pages ne l’intéresse pas.
Quand un utilisateur demande « quel aspirateur robot pour poils d’animaux sur moquette », ChatGPT décompose. Prix. Puissance d’aspiration. Niveau sonore. Entretien du filtre. Compatibilité avec les tapis épais. Disponibilité. Garantie.
Il envoie ces sous-questions à plusieurs sources. Les pages qui couvrent le plus grand nombre de sous-questions dans un même contenu ont plus de chances d’être citées.
C’est ce que Neil Patel appelle le query fanout.
La difficulté se joue sur la couverture, pas sur le contenu.
Une fiche produit classique répond à deux questions : description et prix. ChatGPT en pose 7. La page qui répond aux 7 remonte.
Chez un client spécialisé dans les purificateurs d’air, 12 pages de collection couvraient chacune une sous-question : bruit, consommation, surface couverte, filtre HEPA.
Résultat initial : 2 mentions sur 20 requêtes testées.
On a restructuré chaque page produit en ajoutant des onglets HTML. Un onglet caractéristiques techniques. Un onglet compatibilité pièces. Un onglet entretien. Un onglet livraison et retour.
Sans changer le produit. Sans écrire 3 000 mots par fiche.
11 mentions sur les 20 mêmes requêtes, 6 semaines plus tard.
Le levier e-commerce : transformez chaque fiche produit en hub de réponses structurées. Ajoutez une section « questions que les acheteurs posent » avec 4 à 6 questions factuelles. Répondez en une phrase. Laissez le moteur agréger.
Voilà pourquoi les pages longues et structurées remontent plus souvent dans ChatGPT. La longueur n’y est pour rien : ce sont les sous-questions fermées qui comptent.
Les pages produits avec FAQ en accordéon, les guides d’achat avec tableau comparatif, les fiches techniques avec données structurées : elles couvrent le fanout.
À l’inverse, une fiche produit qui ne mentionne pas le niveau sonore, même si l’utilisateur ne l’a pas demandé explicitement, perd la sous-question. ChatGPT passe à la source suivante.
Le query fanout est un comportement observable dans les réponses : ChatGPT cite souvent des pages qui répondent à des aspects périphériques.
Test à lancer : prenez 20 requêtes ChatGPT sur votre catalogue. Notez le nombre de mentions de vos pages. Ajoutez un onglet « compatibilité » et un onglet « entretien » sur 10 fiches. Re-testez 30 jours plus tard.
Tout se joue sur la couverture.
Claude : la stabilité du document compte plus que la popularité du domaine
Chez Claude, la mécanique est différente. Il vérifie la stabilité documentaire.
Une étude citée par Neil Patel montre que l’édition par des modèles de langage corrompt silencieusement les documents. Les phrases bougent, les chiffres changent, les dates disparaissent.
Claude privilégie les documents stables. Ceux qui n’ont pas été réécrits 10 fois par une IA sans contrôle humain. Ceux dont la version est explicite.
Le contenu est bon. C’est l’instabilité qui pose problème.
Sur un catalogue de 7 800 fiches, un client e-commerce a vu Claude citer seulement 5 de ses pages sur 40 requêtes testées. Les fiches étaient complètes. Mais elles étaient régénérées par un outil d’IA chaque trimestre. Les descriptions changeaient sans traces.
On a figé 300 fiches à forte marge. Chaque fiche a reçu un numéro de version, une date de dernière vérification, et un lien vers la fiche technique PDF non modifiée.
Résultat : 19 mentions Claude sur les 40 requêtes, 8 semaines plus tard.
Ce que j’en retiens : si votre contenu change sans versioning, Claude le traite comme instable. Il préfère citer un document plus ancien mais stable.
Le levier e-commerce : publiez des fiches techniques en PDF, versions datées. Ajoutez sur la page un bloc « Document version 3.1 — vérifié le 12 mai 2025 ». Ne laissez pas un outil d’IA réécrire sans validation humaine.
Autre cas : une marque de compléments alimentaires régénérait 1 200 descriptions par mois avec un outil d’IA. Claude la citait 2 fois sur 25 requêtes. Après avoir stoppé la régénération automatique et ajouté un changelog, 9 citations sur 25 en 5 semaines.
Pourquoi Claude se comporte ainsi ? Quand il récupère un document, il regarde d’abord l’intégrité. Un document qui change souvent passe pour moins fiable, même s’il est optimisé. La stabilité, c’est un signal de confiance, pas un argument marketing.
Pas besoin de refondre votre CMS. Un simple bloc HTML avec version suffit.
Trois pratiques signalent l’instabilité à Claude :
- Régénération automatique sans validation humaine
- Réécriture partielle sans numéro de version
- Modification silencieuse des dates de publication
Évitez-les. La stabilité paie.
Test à lancer : identifiez 20 pages produits qui ont subi plus de 3 réécritures en 6 mois. Figez-les avec un numéro de version. Mesurez les mentions Claude avant et après 30 jours.
La stabilité paie plus que l’optimisation.
Gemini : le graphe d’entités de Google dicte la réponse avant même la page
La mécanique de Gemini tient au Knowledge Graph et aux entités reconnues par Google.
Gemini ne part pas de zéro. Il interroge la base d’entités de Google : marques, produits, catégories, fabricants, GTIN, avis, prix. Si votre produit n’est pas une entité structurée et connectée, Gemini ne sait pas quoi dire.
C’est la mécanique la plus sous-estimée du GEO.
Sur 1 200 pages produits d’un site de matériel de randonnée, Gemini ne mentionnait que 3 pages sur 30 requêtes. Les pages étaient indexées. Mais aucune donnée structurée Product, Offer, Brand, Review n’était présente.
On a ajouté un balisage Schema.org complet. Product, Offer, Brand, AggregateRating, SKU, GTIN. On a synchronisé les données avec Google Merchant Center. On a harmonisé le nom du fabricant sur toutes les pages.
12 mentions Gemini sur les 30 requêtes, 5 semaines plus tard.
Le levier e-commerce : si vous vendez un produit, donnez à Google une fiche d’identité structurée. Pas seulement un titre et un prix. Une entité complète.
Autre exemple : un site de pièces détachées automobiles avec 4 500 références. Gemini mentionnait 4 produits sur 35 requêtes. Après ajout du GTIN et du numéro OEM dans le balisage, 14 mentions sur 35 en 6 semaines.
Le mécanisme est simple : Gemini relie les entités entre elles. Si votre produit partage le même constructeur que trois marques reconnues, il entre dans le graphe. Sans cette connexion, il reste invisible.
Pour entrer dans le graphe d’entités, c’est la structuration qui compte, pas le classement. Un petit site avec du schema complet peut être cité par Gemini plus qu’un gros site sans schema.
Test à lancer : prenez 30 requêtes Gemini sur votre catalogue. Vérifiez dans les outils Google si vos produits apparaissent comme entités. Ajoutez le balisage Product + Offer sur 50 pages prioritaires. Re-testez 3 semaines plus tard.
Pour Gemini, la donnée structurée est un signal de décision. Le reste, c’est du détail technique.
Perplexity : la fraîcheur et le consensus des sources avant tout
La mécanique de Perplexity est brutale. Elle répond toujours avec des citations. Des sources fraîches. Des sources multiples qui se corroborent.
Si votre fiche produit date de 14 mois, sans mise à jour visible, Perplexity l’ignore. Il préfère un comparatif publié il y a 3 jours, même s’il est moins complet.
Ici, la fraîcheur passe avant l’autorité du domaine.
Sur 15 requêtes testées concernant des compléments alimentaires, une marque n’obtenait qu’une seule citation Perplexity. Les pages étaient riches. Mais la date de mise à jour affichait 2023.
On a ajouté un badge « Vérifié le 18 juin 2025 » avec un lien vers le bulletin d’analyse indépendant. On a aussi mis à jour la date de publication, et croisé les informations avec deux études publiques.
8 citations Perplexity sur les 15 requêtes, 4 semaines plus tard.
Côté e-commerce : chaque page produit ou collection affiche une date de dernière vérification récente. Ajoutez des sources externes indépendantes. Faites des mises à jour visibles, avec une date qui bouge.
Un autre client, une boutique de matelas en ligne, n’obtenait aucune citation sur 12 requêtes. Après avoir ajouté un encart « Testé par un laboratoire indépendant — rapport mis à jour le 3 juillet 2025 » et un lien vers une étude de sommeil, 6 citations sur 12 en 3 semaines.
Pourquoi Perplexity cite un comparatif et pas votre fiche produit ? Parce que le comparatif a une date fraîche et des sources multiples.
Pour Perplexity, le consensus repose sur trois sources distinctes qui confirment la même donnée. Les backlinks seuls ne pèsent rien. Perplexity recoupe. Si vous êtes seul à dire que votre matelas réduit les douleurs, Perplexity vous ignore.
Test à lancer : prenez 15 requêtes Perplexity. Notez les citations de votre site. Mettez à jour 10 pages piliers avec une date et une source externe. Re-testez dans 3 semaines.
Les 4 tests par moteur : transformez la théorie en boucle d’action
Le framework DOSE, enseigné par Guillaume Attias (BMO Academy), transforme la lecture en action. Dopamine d’abord : un test simple, un résultat visible, une récompense immédiate.
4 tests à lancer cette semaine. Un par moteur.
| Moteur | Mécanique | Test e-commerce | Mesure |
|---|---|---|---|
| ChatGPT | Query fanout | Ajouter 4 onglets FAQ sur 10 fiches produits | Mentions sur 20 requêtes |
| Claude | Stabilité documentaire | Figer 20 fiches avec numéro de version | Mentions Claude sur 40 requêtes |
| Gemini | Graphe d’entités | Baliser Product + Offer sur 50 pages | Mentions Gemini sur 30 requêtes |
| Perplexity | Fraîcheur + consensus | Ajouter date de vérification et source externe sur 10 pages | Citations Perplexity sur 15 requêtes |
Un de mes clients a lancé deux de ces tests en parallèle : ChatGPT (onglets FAQ) et Perplexity (dates + sources). En 6 semaines, les sessions issues des assistants IA sont passées de 1 400 à 2 300 par mois.
+64% de trafic organique IA sans produire un seul article de blog supplémentaire.
La boucle est simple.
Testez. Mesurez. Doublez ce qui marche.
Pour chaque test, le protocole est identique :
- Sélectionnez 10 à 50 pages représentatives
- Appliquez le levier en 48 heures
- Re-testez avec les mêmes requêtes 3 à 6 semaines plus tard
- Loggez les mentions avant/après dans un tableau
La dopamine monte quand vous voyez le premier passage de 2 à 7 mentions. Le cerveau enregistre. Vous continuez.
Le DOSE de Guillaume Attias (BMO Academy) est un système de récompense opérationnel.
À mon avis, la plus grosse erreur des équipes SEO en 2026 est de continuer à produire du contenu pour Google alors que les assistants décident ailleurs.
Chaque moteur a sa mécanique de décision. Une fois testée, vous savez où investir l’heure suivante.
Vos cocons sémantiques peuvent satisfaire les quatre mécaniques à la fois. Voici la structure qui tient debout.
Un cocon sémantique, quatre lectures
Un pillar, vingt clusters. Les trois constellations dorées captent 42 % des citations AI Overview. Survolez pour explorer.
Ce que ces 4 mécaniques changent pour vos cocons sémantiques
Les cocons sémantiques que je livre depuis 2016 : 1 300 au total. La logique bouge pas. Une page pilier, des pages satellites, un maillage précis.
Mais en 2026, le cocon doit répondre à quatre lectures différentes.
ChatGPT lit le cocon comme un ensemble de sous-questions fermées. Claude, comme un document stable. Gemini, comme un graphe d’entités. Perplexity, comme un réseau de sources fraîches, recoupées.
Un cocon bien construit remplit ces quatre conditions sans se contredire.
En pratique :
- La page pilier couvre les sous-questions majeures, comme le query fanout.
- Chaque page satellite garde un numéro de version et une date de vérification stable.
- Le balisage Schema.org relie la page pilier aux entités produits, marques, catégories.
- Chaque page satellite possède au moins une source externe fraîche et croisée.
Un client dans la sellerie équestre a appliqué cette logique sur 27 pages d’un cocon. Avant : 3 mentions toutes IA confondues sur 40 requêtes. Après 8 semaines : 22 mentions. Et les 4 moteurs citent désormais des pages différentes du cocon, pas la même.
De la structure, pas du contenu en plus. Une structure alignée sur les mécanismes de décision.
Le framework DOSE, appliqué aux cocons, donne un ordre de priorité. D’abord Gemini : posez le schema. Puis ChatGPT : structurez les FAQ. Ensuite Claude : figez les versions. Enfin Perplexity : ajoutez la fraîcheur.
La question qui reste : votre cocon actuel répond-il à une mécanique unique ou aux quatre ?
Quelle est la prochaine requête sur laquelle vous testez la stabilité de vos documents avant de produire encore un article ?
Audit GEO par moteur en 90 minutes
Je prends vos 5 requêtes stratégiques. Je vous montre en direct la mécanique de décision qui bloque sur ChatGPT, Claude, Gemini ou Perplexity — et la première page à restructurer pour être cité.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Est-ce que je dois optimiser chaque page pour un seul assistant IA ?
Non. Listez vos 20 requêtes stratégiques. Regardez quel moteur répond le mieux sur chacune. Puis poussez le levier prioritaire sur les pages concernées. Les mécaniques se cumulent, elles ne se contredisent pas.
Quel moteur génère le plus de trafic e-commerce aujourd’hui ?
Chez mes clients, Perplexity envoie le trafic le plus qualifié. ChatGPT, le plus gros volume. Gemini, lui, dépend de votre place dans le Knowledge Graph. Testez vos 10 requêtes clés sur chaque moteur.
Les cocons sémantiques fonctionnent-ils pour ChatGPT et Claude ?
Oui, mais le maillage seul ne suffit pas. ChatGPT demande de couvrir le fanout. Claude, lui, veut un document stable. Un cocon avec des pages stables et des FAQ structurées marche sur les deux.
Comment mesurer les mentions dans les assistants IA ?
Pas de recette miracle. Export manuel, outil de suivi de marque, ou script maison : les trois marchent. Le point qui compte : mesurer les mêmes requêtes, avec le même protocole, avant et après.
Par quoi commencer si j’ai 10 000 fiches produits ?
Je prends mes 50 fiches à plus forte marge. Test Gemini (schema Product + Offer), test ChatGPT (onglets FAQ). Je mesure sur 4 semaines. Puis j’étends aux collections.
