GEO : ChatGPT, Claude, Gemini, Perplexity décident quoi répondre
Résumez cet article avec l’IA
Un client m’appelle un mardi. 4 700 $ investis dans l’IA. Zéro résultat.
Un client m’appelle un mardi matin. Il a investi 4 700 $ dans des contenus « optimisés pour l’IA ». Rédigés par un outil. Publiés sur son blog. Résultat : zéro mention sur ChatGPT, une seule apparition sur Perplexity, et rien sur Claude ni Gemini. Il croyait que le contenu était le souci. En fait, c’est la couche de décision de chaque moteur qui posait problème.
Je regarde 15 sites par semaine. Tous ont le même réflexe. Ils produisent du contenu générique. Ils cochent des cases SEO classiques. Puis ils se demandent pourquoi l’IA ne les cite pas. La réponse est simple : ChatGPT, Claude, Gemini et Perplexity ne décident pas pareil. Chacun a sa mécanique de sélection, de composition, d’arbitrage.
Selon Neil Patel, la plupart des contenus sur le GEO s’arrêtent aux définitions et aux comparaisons d’outils. Ce qui manque, c’est la différence mécanique entre les plateformes. Chercher à être cité ne sert à rien tant qu’on n’a pas compris comment chaque moteur décide quoi répondre.
Chez ce client, on a arrêté la production. On a analysé la façon dont chaque moteur interrogeait son corpus. On a reconstruit l’architecture. Le résultat : 47 requêtes conversationnelles testées, 12 mentions obtenues sur ChatGPT en 6 semaines, 9 sur Perplexity, 5 sur Claude. Et une page produit qui est passée de 0 à 2 300 visites organiques en 3 mois.
Je détaille cette refonte juste après.
Avant de citer quoi que ce soit, un moteur traverse plusieurs couches de décision. Voici le trajet type, du découpage de la requête jusqu’à l’arbitrage final.
La couche de décision, étape par étape
De la question brute à la citation finale : le trajet que parcourt chaque moteur.
La couche de décision : l’arbitrage avant la citation
Un LLM ne « trouve » pas une page comme Google. Il la sélectionne, la reformule, la combine. La décision se joue à trois niveaux : la récupération des sources, la composition de la réponse, l’arbitrage final entre plusieurs candidats. Chaque moteur pèse ces trois niveaux différemment.
Prenez une requête simple : « meilleure montre GPS pour trail en 2026 ». Sur ChatGPT, la réponse cite souvent 4 à 5 sources, parfois Reddit, parfois des tests spécialisés. Sur Perplexity, elle aligne 7 citations avec des extraits courts. Sur Claude, elle devient plus narrative, moins citée. Sur Gemini, elle s’appuie sur le Knowledge Graph de Google et sur les données structurées.
La mécanique change d’un moteur à l’autre. Selon Neil Patel, trois choses les différencient : la logique de fanout de requête, les préférences de sources, la pondération de l’autorité. ChatGPT éclate la requête initiale en sous-requêtes. Claude mise sur la cohérence contextuelle. Gemini s’appuie sur l’index de Google. Perplexity optimise pour la preuve par la citation.
Un client qui me dit « je suis cité nulle part » a souvent un problème d’arbitrage, pas de contenu. Son corpus n’est pas structuré pour la mécanique du moteur qu’il vise. Je découpe les intentions, je renforce les sources secondaires, je crée des pages « preuve » qui alimentent les réponses.
J’observe chez mes clients un schéma récurrent : un site avec 80 pages produit, zéro page de comparaison, zéro donnée chiffrée indépendante, zéro encart d’expert. Résultat : ChatGPT ignore le site, Perplexity le cite une fois sur 20. Le contenu existe, mais la décision du moteur ne le retient pas.
La suite de l’article décortique chaque moteur.
ChatGPT : la fanout de requêtes et la préférence pour les sources cohérentes
ChatGPT ne prend pas votre requête telle quelle. Il la découpe. Neil Patel appelle ça le « query fanout ». Une question comme « quel CRM choisir pour une TPE » devient en interne une série de sous-requêtes : « quels CRM sont populaires pour une TPE », « quels avis d’utilisateurs récents », « quels prix constatés en 2026 », « quelles fonctionnalités différencient les leaders ».
Chaque sous-requête va chercher ses propres sources. ChatGPT remonte en priorité les pages qui répondent à une sous-requête précise, pas forcément celle qui traite la question globale. Le SEO classique fonctionne autrement : on optimise une page principale.
L’étude « Inside ChatGPT’s Source Preferences », relayée par Neil Patel, donne des préférences de sources chiffrées : les résultats de recherche liés à son partenariat avec Bing, les contenus fraîchement indexés, les pages avec une structure de données claire. Les sites qui publient des tableaux comparatifs et des avis sourcés remontent plus souvent.
Un cas vu chez mes clients : un e-commerce avec 600 fiches produit. Aucune mention de ChatGPT sur les requêtes produit. On a créé 17 pages comparatif et 6 guides d’achat, avec tableaux de prix et données chiffrées indépendantes. En 30 jours, le site est apparu dans 23 réponses ChatGPT sur 47 requêtes testées. La différence : chaque page répondait à une sous-requête précise.
Pour ChatGPT, l’architecture prime. Un maillage de réponses courtes, sourcées, factuelles. Les longs contenus narratifs passent après. Le moteur aime la densité d’information par section. Une page qui démarre par une conclusion chiffrée a plus de chances d’être extraite.
La leçon : pour ChatGPT, on rédige pour les fragments. Pas pour Google.
Claude : l’arbitrage contextuel et la synthèse narrative
Claude fonctionne autrement. ChatGPT fragmente. Claude compose. Le moteur d’Anthropic parie sur la compréhension contextuelle longue. Ses réponses sont plus structurées, plus rédigées, et s’appuient moins sur des citations multiples.
Selon Neil Patel, Claude accorde moins d’importance au « query fanout » et davantage à la cohérence de l’ensemble documentaire. Il préfère les sources qui développent un raisonnement complet, avec une intro, une argumentation et une conclusion. Les pages produit isolées sont peu citées. Les guides longs avec une thèse claire remontent.
Une observation de terrain : sur 15 sites audités ce trimestre, 9 obtiennent de meilleures mentions sur Claude quand le contenu inclut une section « notre analyse » en fin de page. Cette section résume le positionnement éditorial. Elle cite les limites, propose une recommandation argumentée. Claude extrait souvent cette conclusion synthétique.
Le mécanisme d’arbitrage de Claude tient aussi compte de la fraîcheur. Une page datée, avec un auteur identifié et des références internes croisées, pèse plus lourd. Le moteur lit l’article entier, il ne le découpe pas en fragments.
J’ai vu un client B2B avec 40 articles de blog. Aucune citation Claude. On a ajouté une structure « analyse » en fin de chaque article, avec une recommandation en 3 points et des liens vers des sources primaires. 6 semaines plus tard, 4 articles sont cités par Claude sur des requêtes de niche. Le trafic en provenance de Claude est passé de 0 à 310 visites mensuelles.
Pour Claude, écrivez des démonstrations, pas des listes. Le moteur aime les textes qui concluent.
Gemini : l’héritage Google et l’effet Knowledge Graph
Gemini fonctionne autrement. Il part de l’index Google, du Knowledge Graph, des signaux de pertinence accumulés. Sa décision ressemble à celle de Google, avec de la génération en plus. Le moteur aime les entités reconnues, les données structurées, les pages qui montrent du E-E-A-T.
Neil Patel le dit : Gemini donne un gros poids aux sources déjà présentes dans les résultats Google classiques. Position 3 sur Google, plus de chances d’être cité par Gemini que position 25. L’effet « Knowledge Graph » joue aussi. Si votre entreprise est une entité reconnue, avec un panneau de connaissances, vos contenus remontent.
Un cas client. Une PME de services, 120 avis Google, une fiche business complète. Sur Gemini, elle était citée sur 3 requêtes locales sur 10 testées. On a optimisé les données structurées Schema.org, renforcé les mentions d’entités dans le contenu, aligné les signaux de notoriété (annuaires, presse locale). En 8 semaines, la citation sur Gemini est passée à 7 requêtes sur 10. Sans toucher au contenu principal.
Gemini est le moteur le plus proche du SEO traditionnel. Avec une exigence en plus : l’extractabilité. Il aime les réponses courtes, factuelles, directement intégrables dans un carrousel ou un extrait. Les tableaux, les listes à puces, les encadrés « réponse directe » : ça marche.
Chez mes clients, je vois un levier sous-exploité : les pages FAQ au format JSON-LD. Gemini s’en sert pour générer des réponses directes. 30 questions structurées peuvent rapporter des mentions Gemini sans changer le contenu éditorial.
Pour Gemini, soignez l’entité, la structure, la concision. Le moteur récompense ce que Google sait déjà.
Perplexity : la machine à citer et la preuve par la source
Perplexity est un moteur de réponse qui cite ses sources à chaque fois. Sa décision repose sur l’agrégation de résultats web et la sélection des extraits les plus pertinents. La citation y est plus transparente que sur ChatGPT ou Claude.
D’après Neil Patel, Perplexity privilégie les pages récentes, les forums, et les contenus avec une forte densité d’informations factuelles. Le moteur a un biais pour la « preuve par la source » : plus une page contient de chiffres, de dates, de citations externes, plus elle a de chances d’être retenue.
Un comparatif observé chez un client e-commerce : sur la requête « meilleure crème solaire SPF 50 », Perplexity citait 3 pages de blog et 2 forums. La page du client, pourtant en position 4 sur Google, n’apparaissait pas. Elle ne contenait aucun chiffre indépendant, aucun protocole de test, aucune date de mise à jour visible. On a ajouté un tableau comparatif avec 14 critères, 6 tests indépendants sourcés, et une date de mise à jour. En 3 semaines, la page est devenue la première citation de Perplexity sur cette requête.
Perplexity récompense les pages qui empilent les preuves. Un chiffre seul ne suffit pas. Il faut la source du chiffre, la méthode et la date. Les contenus qui citent des études primaires, des tests tiers, des avis d’experts identifiés, montent plus vite.
J’observe aussi un effet de bord : Perplexity cite parfois des extraits de pages qui n’ont aucun backlink, mais qui répondent pile à la sous-question. C’est une opportunité pour les nouveaux sites.
Pour Perplexity, chaque phrase doit pouvoir être sourcée. Le moteur cherche la preuve, pas l’opinion.
Chaque moteur ne pèse pas les mêmes signaux. Ce tableau synthétise, moteur par moteur, les critères qui font réellement basculer la citation.
Quatre moteurs, six critères de décision
L’intensité de chaque critère, moteur par moteur, pour cadrer votre architecture.
Adapter l’architecture par moteur : le système que je forge
La conclusion va contre l’intuition. Il n’y a pas une recette GEO. Il y a quatre mécaniques de décision. Un contenu optimisé pour ChatGPT ne l’est pas pour Claude. Un site taillé pour Gemini ne perce pas sur Perplexity.
Ma méthode, inspirée du framework DOSE enseigné par Guillaume Attias à la BMO Academy : je cartographie la couche de décision de chaque moteur avant de produire quoi que ce soit. J’identifié les sous-requêtes probables, les sources privilégiées, le format de réponse attendu. Ensuite je forge une architecture qui alimente chaque moteur séparément.
Chez le client dont je parlais au début : on a créé 12 pages comparatives pour ChatGPT, 4 guides narratifs avec section « analyse » pour Claude, 6 pages FAQ structurées pour Gemini, et 8 tableaux de preuves sourcées pour Perplexity. Le tout relié par une arborescence sémantique cohérente. Résultat après 90 jours : 37 mentions sur les 4 moteurs, contre 2 avant. Le trafic organique global a grimpé de 142 %. Et une page « comparatif » est devenue la première source citée par Perplexity sur sa requête principale.
Le piège classique : pondre un contenu « compatible IA » générique. Ça ne marche pas. Ce que je forge, c’est un système par moteur, avec des actifs dédiés. Vous y gagnez en clarté et en résultats.
Posez-vous la bonne question : quel moteur décide pour votre marché ? Pas comment être cité par l’IA. Commencez par observer. Ensuite, forgez pour ce moteur précis. Pas pour les quatre en même temps.
Quel moteur d’IA décide déjà pour vos clients ?
Audit GEO par moteur : je vous montre les pages
Pendant 45 minutes, j’analyse en direct quel moteur décide pour votre marché, quelles pages sont retenues, et quels actifs créer pour chaque plateforme. Vous repartez avec un plan d’architecture précis.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Quelle est la différence entre GEO et SEO classique ?
Le SEO classique, c’est le classement dans Google. Le GEO, c’est la place que vous prenez dans ce que répond un LLM : est-ce qu’il vous sélectionne, comment il vous cite à côté d’autres sources. Chaque moteur a ses règles.
Faut-il optimiser son site pour ChatGPT ou pour Gemini en priorité ?
Ça dépend de votre marché. Regardez où vos clients posent leurs questions. Sur un B2B technique, je vois surtout Claude et Perplexity. Sur du local, Gemini domine. ChatGPT, lui, marche partout.
Comment savoir si mon site est cité par les moteurs d’IA ?
Je passe 20 à 30 requêtes conversationnelles sur chaque moteur. Je note les citations, les sources reprises, les formats extraits. Je remets ça chaque mois. C’est le protocole d’audit live que j’applique avec mes clients.
Quel type de contenu fonctionne le mieux pour Perplexity ?
Perplexity cite ce qui se vérifie. Alors j’empile les preuves sur la page : tableaux comparatifs, chiffres sourcés, dates de mise à jour, citations d’études primaires.
Le framework DOSE s’applique-t-il au GEO ?
Oui. La dopamine de la révélation, l’ocytocine de la confiance, la sérotonine de la preuve, l’endorphine de la clarté. Je mappe ces leviers pour chaque moteur : c’est ce qui déclenche la citation.
