On vous vend la citation IA comme le nouveau lien. Votre marque apparaît dans la réponse, un petit lien s’affiche à côté, et vous voilà visible. C’est le raisonnement implicite derrière chaque proposition GEO : être cité, c’est être vu, donc c’est du trafic.
Le raisonnement s’appuie sur une équivalence jamais vérifiée.
Une citation n’est pas un lien. Un lien dans une page de résultats est une invitation à partir. Une citation dans une réponse générée est une caution posée à côté d’une réponse déjà complète. Le lecteur a ce qu’il cherchait. Il n’a aucune raison de cliquer, et il ne clique pas.
Cet article mesure à quel point, et en tire les conséquences sur ce que vous devez suivre.
Le chiffre le plus inconfortable du dossier
Le Pew Research Center a publié en juillet 2025 une analyse portant sur près de 70 000 recherches Google réalisées par environ 900 utilisateurs au cours du mois de mars 2025. Provenance : institut de recherche indépendant, panel réel, méthodologie publiée. Google conteste publiquement cette méthodologie, ce qu’il faut mentionner.
Trois résultats.
Sans résumé généré affiché, une recherche produit un clic organique dans environ 15 % des cas. Avec un résumé généré, ce taux tombe à environ 8 %. La moitié.
Les liens affichés à l’intérieur du résumé généré sont cliqués dans environ 1 % des cas.
Et la session de navigation se termine dans 26 % des cas quand un résumé est affiché, contre 16 % sans.
Un pour cent. C’est le taux auquel un utilisateur ouvre la source que le moteur a jugée assez fiable pour la citer.
Une seconde mesure, sur un panel entièrement différent, converge. Un éditeur d’outil SEO a publié une analyse de 300 000 mots clés, en comparant les taux de clic avant et après le déploiement des résumés générés aux États Unis. Le clic sur le premier résultat organique passe de 7,3 % à 2,6 % lorsqu’un résumé est présent. Provenance : données propriétaires d’un éditeur, croisées avec la Search Console, périmètre limité aux requêtes informationnelles.
Le même éditeur, mesurant son propre site, note que les visiteurs venus de la recherche générative cliquent sur les liens 75 % moins souvent que ceux venus de l’organique classique. Ce chiffre est auto déclaré sur un seul site : à traiter comme un indice, pas comme une norme.
Ce que les utilisateurs font des références affichées
Un travail publié en mars 2026 s’est intéressé directement aux références elles mêmes, plutôt qu’au clic. Il analyse 1 517 références issues de trente paires question réponse sur neuf systèmes conversationnels, évaluées selon une grille de qualité documentaire standard, complétée par une étude utilisateur.
Marquage de provenance, et il est important ici : trente paires question réponse, c’est peu, et les auteurs qualifient eux mêmes leur étude utilisateur de préliminaire. À citer comme un indice convergent, pas comme une démonstration.
Deux résultats en ressortent.
La qualité et le nombre de références varient énormément d’un système à l’autre. Un système affiche en moyenne 9,5 références par réponse pour une note de qualité de 15,48 sur 20 ; un autre en affiche 4,0 pour une note de 11,65. Ce n’est pas le même produit, ce ne sont pas les mêmes garanties, et l’utilisateur ne le sait pas.
Et surtout : les utilisateurs interagissent rarement avec les références. Elles fonctionnent comme un signal de sérieux, pas comme un point de départ.
C’est exactement le rôle qu’elles jouent visuellement. Une petite pastille numérotée, en fin de phrase, dans une réponse qui se suffit à elle même. La citation rassure. Elle ne redirige pas.
Ce que le lecteur y perd, et pourquoi cela vous concerne
Une étude publiée dans la revue PNAS Nexus le 30 septembre 2025 apporte l’élément le plus solide de ce dossier, parce qu’il s’agit d’une publication en revue avec relecture par les pairs, appuyée sur sept expériences menées en ligne et en laboratoire auprès de milliers de participants assignés au hasard.
Le protocole : demander aux participants de rédiger des conseils sur un sujet, après leur avoir donné soit un modèle de langage, soit des liens web classiques.
Le résultat : les utilisateurs de modèles de langage développent une connaissance plus superficielle. Leurs conseils sont objectivement plus courts, contiennent moins de références factuelles, et se ressemblent davantage entre eux.
Ce dernier point est le plus intéressant commercialement. L’uniformisation des réponses signifie que les utilisateurs d’un même moteur ressortent avec la même représentation d’un marché. Si vous n’êtes pas dans cette représentation, vous n’existez pas dans la tête d’un segment entier d’acheteurs, et aucun clic manquant ne viendra vous le signaler.
Citation contre lien : ce que vous achetez réellement
| Lien classique | Citation dans une réponse générée | |
|---|---|---|
| Fonction pour le lecteur | Point de départ | Caution posée à côté d’une réponse complète |
| Taux d’ouverture mesuré | ~15 % de clic organique en l’absence de résumé | ~1 % sur les liens internes au résumé |
| Effet sur la session | Poursuite de la navigation | Fin de session dans 26 % des cas |
| Ce que vous obtenez | Une visite | Une mention, et un effet indirect difficile à attribuer |
| Ce que votre analytics voit | Tout | Presque rien |
La dernière ligne est celle qui piège tout le monde, dans les deux sens.
Ce qui contredit ce constat, et qu’il faut lire
Conclure « la citation IA ne sert à rien » serait aussi paresseux que de conclure l’inverse. Un travail publié en juin 2026 apporte la contradiction la plus sérieuse.
Son protocole est inhabituel et robuste : un panel joignant les données de navigation d’utilisateurs volontaires à leurs conversations réelles avec ChatGPT, Claude et Gemini. Les mêmes utilisateurs, des deux côtés. Avec étude d’événement sur les tendances antérieures, classification de la posture, conditionnement sur les non clients, contrôle interne à la même réponse, et placebos rétrogrades appariés.
Le résultat : quand une marque est recommandée à un utilisateur qui ne la connaissait pas, la recherche Google de son nom monte de 4,3 points, dans un intervalle de 3,1 à 5,5. Les visites du site de la marque montent de 2,4 points, et les pages produit chez les revendeurs de 1,0 point.
L’effet existe donc bel et bien. Mais regardez par où il passe : par une recherche Google ultérieure. C’est à dire par un canal que votre outil d’analyse attribuera à l’organique de marque, ou au direct, jamais à l’IA.
Réserve à porter au dossier : design observationnel, préprint, et aucune transaction observée.
La conclusion honnête n’est donc pas « personne ne clique donc rien ne se passe ». Elle est plus dérangeante : il se passe quelque chose, et votre mesure ne le voit pas, dans un sens comme dans l’autre. Ceux qui vous vendent du trafic IA mesurable exagèrent. Ceux qui concluent à l’inutilité à partir de leur tableau de bord se trompent aussi.
Ce que vous faites demain matin
Cessez de suivre le trafic référé par les plateformes IA comme indicateur principal. Il est structurellement minuscule, il l’était déjà avant vous, et il continuera de l’être.
Suivez plutôt trois choses.
La recherche de marque, dans la Search Console, sur les requêtes contenant votre nom. C’est là que l’effet mesuré par le panel se manifeste, avec un décalage.
La mention sans lien, c’est à dire les réponses où votre marque est nommée sans être citée en source. C’est un signal distinct, et souvent le plus fréquent.
Et la part de réponses où un concurrent est nommé à votre place sur vos requêtes de catégorie. C’est la seule métrique de cet ensemble qui ait une conséquence commerciale directe.
Une citation qu’un lecteur sur cent ouvre n’est pas un canal d’acquisition. C’est une caution. Cela a de la valeur, mais ce n’est pas la valeur qu’on vous facture.
Sources
- Pew Research Center (2025). Google users are less likely to click on links when an AI summary appears in the results
- Ahrefs (2025). AI Overviews Reduce Clicks by 34.5%
- Ahrefs (2025). AI search traffic and conversions
- Ouyang, J. & Narechania, A. (2026). Analyzing the Presentation, Content, and Utilization of References in LLM-powered Conversational AI Systems, arXiv:2604.15326
- Melumad, S. & Yun, J. H. (2025). Experimental evidence of the effects of large language models versus web search on depth of learning, PNAS Nexus 4(10)
- Iannelli, M. & Ai, A. (2026). From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web, arXiv:2606.10907
<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.