On vous explique que si l’IA ne vous cite pas, c’est que votre contenu n’est pas à la hauteur. Pas assez structuré. Pas assez clair. Pas assez autoritaire. Il faudrait le réécrire, le découper, l’enrichir.
Parfois c’est vrai.
Souvent, c’est une question de place. Votre page a été récupérée, elle est bien dans le contexte du modèle, elle est pertinente, et elle est septième sur quinze. Elle est dans la zone morte, et aucune réécriture ne l’en sortira.
Cet article expose le mécanisme, ce qu’il implique sur ce que vous pouvez réellement contrôler, et le piège dans lequel tombe la moitié des prestations GEO.
La courbe en U
Le travail de référence s’intitule Lost in the Middle: How Language Models Use Long Contexts, publié dans la revue Transactions of the Association for Computational Linguistics, volume 12, en 2024.
Marquage de provenance, et il compte : publication en revue avec relecture par les pairs, plus d’un millier de citations académiques. C’est le niveau de preuve le plus élevé de tout le dossier GEO, et il ne vient pas du marketing.
Le protocole est simple et propre. On donne au modèle plusieurs documents, dont un seul contient la réponse. Puis on déplace systématiquement la position de ce document pertinent dans la liste, et on mesure la performance.
Le résultat : la performance suit une courbe en U. Le modèle exploite bien ce qui se trouve au début du contexte. Il exploite bien ce qui se trouve à la fin. Et il exploite mal ce qui se trouve au milieu.
Même document. Même contenu. Même pertinence. Trois positions, trois performances différentes.
Ce que cela signifie pour votre page
Un moteur génératif ne lit pas votre page seule. Il éclate votre question en plusieurs requêtes internes, récupère un ensemble de documents pour chacune, les empile dans une fenêtre de contexte, puis compose une réponse à partir de cet empilement.
Votre page est l’un de ces documents. Sa place dans la pile est décidée par les étapes de récupération et de reclassement, c’est à dire par le moteur.
Une étude de mai 2026 portant sur 252 000 essais, six modèles et un plan factoriel à dix huit facteurs, confirme le phénomène en conditions de citation réelle : les deux déterminants principaux de la première citation sont la pertinence thématique et la position dans la liste. Provenance : équipe d’un éditeur de logiciel marketing, protocole publié, conflit d’intérêt à déclarer.
Deux déterminants. Vous en contrôlez un.
Le tableau de ce que vous contrôlez
| Étape du pipeline | Qui décide | Votre marge d’action |
|---|---|---|
| Éclatement de la requête en sous requêtes | Le moteur | Aucune. Vous ne voyez même pas les requêtes générées |
| Exploration et indexation | Le moteur, sous contrainte de votre robots.txt | Autoriser ou bloquer |
| Récupération des documents | Le moteur | Indirecte, par la pertinence thématique |
| Reclassement | Le moteur | Indirecte, même levier |
| Position dans la fenêtre de contexte | Le moteur | Aucune |
| Citation et mise en avant | Le moteur | Faible, et l’effet s’annule en compétition |
La seule colonne où figure autre chose qu’un « aucune » est celle de la pertinence thématique, qui agit en amont. Tout ce qui se joue après la récupération vous échappe.
C’est un renversement complet par rapport au SEO classique, où la position était le résultat d’une compétition que vous pouviez travailler directement.
La conséquence que personne ne tire : la variance
Ce mécanisme explique une partie de l’instabilité dont souffrent tous les outils de suivi.
Si la citation dépend de la position, et si la position varie d’une exécution à l’autre, alors la citation varie d’une exécution à l’autre. Ce n’est pas un défaut de l’outil de mesure. C’est la propagation d’une propriété du système.
Un travail d’avril 2026 en tire la règle pratique : la visibilité générative est une distribution, pas un point. Une mesure unique n’a pas d’interprétation, précisément parce que le même contenu peut se retrouver en deuxième position lors d’une exécution et en huitième lors de la suivante.
Quand votre rapport mensuel montre une baisse de trois points, la première hypothèse à écarter n’est pas la qualité de votre contenu. C’est le tirage.
Le piège : optimiser une étape en cassant la précédente
Voici l’erreur la plus coûteuse du secteur, et elle découle directement de ce qui précède.
Le survey critique de juillet 2026, qui a examiné quarante cinq études, note que les réécritures orientées citation peuvent dégrader la récupération.
Le raisonnement est mécanique. Vous réécrivez votre page pour qu’elle soit plus facilement citable : phrases autonomes, affirmations tranchées, formulations extractibles. Ce faisant, vous appauvrissez le contexte sémantique qui permettait à la page d’être récupérée sur un éventail de formulations.
Résultat : la page est mieux citée quand elle est présente, et elle est présente moins souvent. Ou récupérée plus bas, donc plus près du milieu, donc dans la zone morte de la courbe en U.
Le solde peut être négatif. Aucun tableau de bord ne vous le montrera, parce qu’il compte les citations obtenues et non les récupérations perdues.
Ce qui nuance ce constat
Deux objections méritent examen.
Les fenêtres de contexte s’allongent. C’est vrai, elles ont considérablement grandi depuis 2024. On pourrait espérer que le problème se dissolve. Il ne se dissout pas : le travail d’origine montre que la dégradation est liée à la position relative, et l’allongement des contextes signifie surtout que davantage de documents entrent dans la pile, donc que la zone médiane s’élargit.
Le biais n’est pas uniforme selon les modèles. Certaines architectures y sont moins sensibles que d’autres. Un travail de mai 2026 établit d’ailleurs que 88 à 96 % de la variance de qualité s’explique par le fournisseur et non par le modèle : les décisions d’architecture de plateforme dominent. Cela signifie que votre exposition au biais de position dépend surtout de quelle plateforme votre audience utilise, ce qui est encore une variable hors de votre contrôle.
Ce que vous faites demain matin
Trois conséquences pratiques, et une seule est confortable.
Travaillez la récupération, pas la citation. La pertinence thématique est le seul levier documenté qui agit en amont, avant que la position ne soit fixée. Concrètement : couvrir réellement un sujet, dans son vocabulaire réel, avec ses formulations réelles, plutôt que de réécrire pour être extractible.
Multipliez vos points d’entrée. Si votre visibilité repose sur une seule page, elle repose sur une seule position dans une seule pile. Être présent sur des sources tierces autoritaires, c’est offrir plusieurs chemins de récupération. Une étude conduite sur plusieurs verticales et plusieurs langues mesure d’ailleurs un biais systématique et marqué vers ces sources tierces.
Méfiez vous de toute prestation qui promet de rendre vos pages plus citables. Vous achetez une optimisation de l’étape six, payée par une dégradation possible de l’étape trois, et vendue sans mention de cet arbitrage.
Votre contenu n’est pas jugé sur un ring. Il est empilé dans une file dont l’ordre est décidé ailleurs, et une partie de ce que le marché vend comme de la performance éditoriale est un effet de rang.
Sources
- Liu, N. F. et al. (2024). Lost in the Middle: How Language Models Use Long Contexts, Transactions of the ACL, vol. 12, DOI 10.1162/tacl_a_00638
- Vishwakarma, R., Kumar, S. & Jamidar, R. (2026). What Gets Cited: Competitive GEO in AI Answer Engines, arXiv:2605.25517
- Martinez, O. (2026). Optimizing Visibility in Generative Engines: A Critical Survey of GEO (2023-2026), arXiv:2607.14035
- Schulte, J., Bleeker, M. & Kaufmann, P. (2026). Don’t Measure Once: Measuring Visibility in AI Search, arXiv:2604.07585
- Seo, Y. et al. (2026). Verified Misguidance, arXiv:2605.28565
- Chen, M., Wang, X., Chen, K. & Koudas, N. (2025). Generative Engine Optimization: How to Dominate AI Search, arXiv:2509.08919
<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.