On lit partout la même phrase. Le GEO augmenterait la visibilité d’un contenu de 30 à 40 % dans les réponses générées par l’IA. Le chiffre revient dans les pages de vente, les publications LinkedIn, les propositions commerciales. Il est présenté comme la preuve que la discipline fonctionne.
Le chiffre est vrai. L’étude existe, elle est sérieuse, elle est publiée.
Et elle ne dit pas ce qu’on lui fait dire.
Le problème n’est pas la statistique. Le problème est la condition expérimentale qui l’accompagne, et que personne ne recopie. Cet article restitue cette condition, montre ce que le chiffre prouve réellement, et ce qu’il ne prouve pas.
L’étude, et ce qu’elle a effectivement mesuré
Le travail fondateur du GEO est un papier de fin 2023, référencé arXiv:2311.09735, mené par une équipe emmenée depuis Princeton. Il porte le nom qui a baptisé la discipline entière : Generative Engine Optimization.
Son protocole : prendre des contenus, leur appliquer différentes modifications, puis mesurer la visibilité obtenue dans les réponses d’un moteur génératif. Les modifications gagnantes sont connues, et elles sont raisonnables. Ajouter des statistiques chiffrées. Insérer des citations attribuées. Mentionner explicitement ses sources.
Le gain mesuré : de 30 à 40 % de visibilité supplémentaire dans la réponse générée.
Jusque là, rien à redire. C’est un résultat propre, obtenu dans un cadre expérimental documenté.
La condition que personne ne recopie
Voici la phrase qui change tout, et elle vient du survey critique publié le 15 juillet 2026, qui a passé en revue quarante cinq études sur la période novembre 2023 à juillet 2026.
Les gains du papier fondateur sont valides dans leur cadre expérimental, mais ils sont conditionnés au fait que la source soit déjà présente dans un contexte fixe. Ils n’établissent ni la découvrabilité organique, ni un effet durable sur le trafic.
Relisez la condition. Le contenu testé était déjà dans le contexte du modèle. L’expérience ne mesure pas comment y entrer. Elle mesure ce qui se passe une fois qu’on y est.
L’analogie est celle d’une vitrine. Vous mesurez l’effet d’un nouvel agencement de vitrine sur des gens qui sont déjà entrés dans le magasin, puis vous en concluez que le nouvel agencement fait venir plus de monde dans la rue. Ce n’est pas la même mesure. Ce n’est même pas la même question.
Or c’est précisément la question que se pose une entreprise qui achète du GEO. Elle ne demande pas comment mieux figurer dans une réponse où elle est déjà présente. Elle demande comment y apparaître.
Le pipeline, et l’étape où agit réellement le chiffre
Le survey de juillet 2026 apporte une contribution utile pour comprendre pourquoi la confusion est si facile : il décompose la production d’une réponse générative en étapes successives, au lieu de la traiter comme une tâche unique de classement.
La chaîne, dans l’ordre : activation de la recherche, exploration et indexation, récupération des documents, reclassement, allocation dans la fenêtre de contexte, citation, mise en avant, absorption factuelle, fidélité, comportement de l’utilisateur.
Le gain de 30 à 40 % agit sur les étapes tardives : citation et mise en avant. Il ne touche ni l’activation, ni l’exploration, ni la récupération, ni le reclassement. Les quatre premières étapes, celles qui déterminent si votre page a la moindre chance d’être vue, restent hors du périmètre de l’expérience.
C’est aussi ce qui explique un résultat contre intuitif du même survey : les réécritures orientées citation peuvent dégrader la récupération. Vous optimisez l’étape six en abîmant l’étape trois. La page devient plus citable et moins retrouvable. Le solde peut être négatif, et rien dans le chiffre de 40 % ne vous le dira.
Ce que le chiffre prouve, ce qu’il ne prouve pas
| Affirmation | Statut |
|---|---|
| Ajouter statistiques et citations augmente la citation d’un contenu déjà présent dans le contexte | Établi, dans le cadre expérimental d’origine |
| Ces modifications améliorent la découvrabilité organique | Non établi. Hors du périmètre de l’étude |
| Ces modifications produisent un effet durable sur le trafic | Non établi. Aucune mesure longitudinale |
| L’effet se transfère d’une plateforme à l’autre | Non établi. Le survey signale que les heuristiques génériques transfèrent mal |
| L’effet résiste quand les concurrents font la même chose | Contredit. Le gain individuel s’effondre en compétition |
| L’effet de +40 % est le bon ordre de grandeur à promettre à un client | Non. C’est un résultat de laboratoire vendu comme un résultat de terrain |
Le verdict global du survey, sur les quarante cinq études examinées, tient en une phrase : un contenu déjà récupéré peut voir sa citation modifiée de façon causale, mais aucune technique examinée ne démontre d’effet causal stable, longitudinal et multiplateforme sur la découvrabilité organique ou sur le comportement en aval.
Trois ans de littérature. Aucune technique.
Ce que d’autres travaux ont mesuré depuis
Deux résultats postérieurs affinent le tableau, et ils vont dans le même sens.
Le premier vient d’une étude de mai 2026 portant sur 252 000 essais, six modèles, un plan factoriel testant dix huit facteurs de contenu, avec anonymisation des marques et contrebalancement de l’ordre des sources. Provenance à signaler : le travail émane d’une équipe de Sprinklr, éditeur de logiciel marketing, ce qui constitue un conflit d’intérêt déclarable même si le protocole est publié.
Ses deux déterminants principaux de la citation : la pertinence thématique et la position dans la liste. Et son résultat le plus gênant pour le marché : les éditions de pur formatage n’ont quasiment aucun effet. Structure, listes à puces, découpage, balisage. Rien.
Le second est plus fondamental encore. Un travail publié dans la revue TACL en 2024, sous le titre Lost in the Middle, établit que la performance d’un modèle sur une information suit une courbe en U selon la position de cette information dans le contexte. Bien exploitée en début et en fin, mal exploitée au milieu. Marquage de provenance : c’est ici une publication en revue avec relecture par les pairs, le niveau de preuve le plus élevé du corpus.
Conséquence directe : la position dans le contexte est l’un des deux leviers les plus reproductibles, et vous n’avez aucun contrôle dessus. C’est le moteur qui décide de l’ordre. Une part de ce qu’on vend comme de la visibilité GEO est un artefact de placement.
La part d’honnêteté due à l’étude d’origine
Il faut être juste avec le papier fondateur, parce qu’il n’a rien fait de malhonnête.
Il a défini un protocole, mesuré un effet, publié ses conditions expérimentales. Le résultat est réel à l’intérieur de son périmètre. Les auteurs n’ont jamais prétendu établir un effet sur le trafic organique, et le survey qui les critique reconnaît explicitement la validité du résultat dans son cadre.
La déformation n’est pas dans l’étude. Elle est dans sa reprise commerciale, qui a gardé le chiffre et jeté la condition.
C’est un mécanisme banal et il ne concerne pas que le GEO. Un résultat de laboratoire circule, perd ses réserves de méthode à chaque recopie, et arrive en proposition commerciale sous forme de promesse. La seule protection consiste à remonter à la source, systématiquement, y compris quand le chiffre arrange.
Ce que vous faites demain matin
Prenez la dernière proposition GEO que vous avez reçue et cherchez le chiffre de 30 ou 40 %. S’il y figure, posez trois questions à son auteur.
Dans l’étude d’origine, le contenu testé était il déjà présent dans le contexte du modèle ? La réponse est oui, et elle est écrite dans le papier.
L’étude mesure t elle un effet sur le trafic organique ? Non, et le survey qui a examiné quarante cinq études le confirme.
Quelle mesure votre agence propose t elle pour établir ce même effet chez moi ? C’est la seule question qui compte, et c’est celle qui fait le tri.
Un chiffre sans sa condition expérimentale n’est pas une preuve. C’est un argument de vente qui a l’apparence d’une preuve, ce qui est pire.
Sources
- Aggarwal, P. et al. (2023). GEO: Generative Engine Optimization, arXiv:2311.09735
- Martinez, O. (2026). Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026), arXiv:2607.14035
- Vishwakarma, R., Kumar, S. & Jamidar, R. (2026). What Gets Cited: Competitive GEO in AI Answer Engines, arXiv:2605.25517
- Liu, N. F. et al. (2024). Lost in the Middle: How Language Models Use Long Contexts, Transactions of the ACL, vol. 12
- Chu, X. & Hou, Y. (2026). Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems, arXiv:2606.17443
<strong>LaFactory</strong> mesure la visibilité IA avec un protocole publié : mesures répétées, paraphrases, groupe de contrôle. Pas de position garantie, jamais. Contactez nous pour cadrer un audit.