Vous avez lu que le GEO fonctionne. Alors vous vous y êtes mis. Vous avez ajouté des statistiques à vos pages, glissé des citations d’experts, structuré vos paragraphes pour qu’un modèle puisse les extraire proprement. Peut être même que vous avez vu bouger quelque chose.
Votre concurrent a lu le même article. Il a fait la même chose. Et les quinze autres acteurs de votre secteur aussi.
Le problème n’est pas de savoir si le GEO fonctionne. Le problème est qu’il ne fonctionne que tant que vous êtes seul à le pratiquer. C’est une propriété mesurable, et elle vient d’être mesurée.
Cet article expose ce que devient le gain GEO en situation de compétition, ce qui s’annule, et les deux seuls leviers qui résistent. Lisez le avant de signer un devis d’agence.
Ce que mesure l’étude : trois expériences, trois modèles commerciaux
Le travail de référence est signé Xi Chu et Yupeng Hou, publié le 16 juin 2026 sous le titre Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems. Marquage de provenance, tout de suite : c’est un préprint arXiv, pas un article relu par les pairs. Sa méthodologie est publiée et reproductible, ce qui n’est pas le cas des rapports d’agence qui circulent sur le sujet, mais ce n’est pas une publication en revue.
Le protocole tient en trois expériences menées sur des produits de soin, avec un test de robustesse sur une catégorie différente. Le choix du produit de soin n’est pas anodin : c’est ce que les économistes appellent un bien de croyance, un produit dont l’acheteur ne peut pas vérifier la qualité, même après l’avoir utilisé. Exactement le terrain où la recommandation d’un tiers pèse le plus lourd.
Trois modèles commerciaux ont été interrogés : GPT-4o-mini, Claude Sonnet et Gemini 3 Flash. Pas un modèle de laboratoire, pas une simulation. Les mêmes systèmes que ceux qui répondent à vos clients.
Le monopole conditionnel : à spécifications égales, la marque connue gagne toujours
Le premier résultat est brutal et il ne surprendra personne, sauf ceux qui vendent du GEO aux petites marques.
À composition identique, à prix identique, à spécifications rigoureusement identiques, les marques connues sont recommandées cent pour cent du temps. Les auteurs nomment cela un monopole conditionnel. Ce n’est pas une tendance, ce n’est pas une préférence marginale : c’est un plafond de verre absolu tant que rien d’autre ne distingue les produits.
Ce résultat converge avec une autre mesure, à plus grande échelle. Un travail de juin 2026 portant sur plus de cent mille réponses et plus de cent marques établit trois paliers de notoriété dès la première interrogation : les marques mondiales apparaissent dans 73 % des réponses, les marques intermédiaires dans 44 %, les marques de niche dans 11 %. Provenance à signaler : les données proviennent de Ranqo, un éditeur d’outil de suivi GEO. L’auteur reconnaît lui même en conclusion que la causalité reste à établir.
Trente points d’écart par palier. Un petit acteur ne démarre pas à zéro, il démarre à onze pour cent, et ce onze pour cent est structurel.
L’effondrement : de +0,802 à +0,007
Voici la partie que le marché ne raconte pas.
Les chercheurs ont mesuré le gain qu’une marque obtient en adoptant une stratégie GEO, puis ils ont refait la mesure en supposant que toutes les marques adoptent la même stratégie. C’est le scénario réel, celui vers lequel tend n’importe quel secteur où trois agences vendent la même méthode aux mêmes entreprises.
Le gain individuel passe de +0,802 à +0,007.
Il ne baisse pas. Il ne se réduit pas de moitié. Il disparaît, à un centième près.
La structure du problème est celle d’un dilemme social classique. Ne pas participer, c’est la certitude de ne jamais être recommandé pendant que les autres le sont. Participer, c’est un gain à peu près nul, mais un gain nul vaut mieux qu’un handicap. Donc tout le monde participe, tout le monde paie, et personne ne prend l’avantage. Le seul acteur qui gagne à coup sûr dans cette configuration est celui qui vend la prestation.
Deux détails de l’étude méritent d’être cités, parce qu’ils indiquent où se situent les vrais leviers.
Le premier : un avantage de 0,1 étoile sur la note moyenne suffit à casser le monopole de marque. Un dixième d’étoile. Pas une réécriture de fiche produit, pas un balisage, pas un fichier de configuration : une note client réellement meilleure.
Le second est plus dérangeant : un langage d’autorité vaut +0,17 point de note attribuée par le modèle, et l’effet se maintient lorsque les preuves cliniques invoquées sont fabriquées. Le modèle ne distingue pas une étude réelle d’une étude inventée. Cela dit quelque chose sur la fiabilité de ces systèmes, et cela dit aussi qu’une partie du marché GEO est en train de découvrir un levier qu’il serait malhonnête d’exploiter.
La théorie des jeux dit la même chose : les guerres de citations
Un second travail, indépendant du premier, arrive à la même conclusion par une autre route.
Chen Xu, Zitian Guo et Chenyan Xiong, de Carnegie Mellon, ont publié le 11 août 2026 une modélisation de la compétition GEO sous forme de jeu de Stackelberg répété à monitoring partiel, testée sur trois jeux de données de référence. Là encore : préprint, méthodologie publiée, pas de relecture par les pairs.
Leur résultat : la compétition dégénère en ce qu’ils appellent des guerres de citations. Chaque acteur réécrit son contenu pour maximiser sa probabilité d’être cité, ce qui pousse le suivant à réécrire davantage, et ainsi de suite. Le système converge vers un état stationnaire inerte où plus personne ne progresse.
Le dégât collatéral est le point important pour vous : ces réécritures dégradent la qualité des documents et introduisent des affirmations non soutenues. Autrement dit, la course au GEO produit mécaniquement du contenu moins fiable. Vous abîmez votre propre page pour un gain qui s’annule.
Ce mécanisme rejoint un constat du survey critique de juillet 2026, qui a passé en revue quarante cinq études sur la période novembre 2023 à juillet 2026 : les réécritures orientées citation peuvent dégrader la récupération du document. Vous optimisez la dernière étape du pipeline en cassant une étape antérieure. La page devient plus citable et moins retrouvable.
Ce qui s’annule en compétition, ce qui survit
Le tableau ci dessous synthétise les leviers documentés, classés selon leur résistance à l’adoption généralisée.
| Levier | Effet isolé | Effet quand tout le monde l’applique | Source |
|---|---|---|---|
| Mise en forme pure, structure, balisage, listes | Quasi nul dès le départ | Nul | Sprinklr, 252 000 essais, 18 facteurs, mai 2026 |
| Ajout de statistiques et de citations | Positif en contexte fixe | S’annule | Princeton 2023 et survey juillet 2026 |
| Stratégie GEO générique complète | +0,802 | +0,007 | Chu et Hou, juin 2026 |
| Langage d’autorité | +0,17 point de note | Résiste, mais exploite une faille | Chu et Hou, juin 2026 |
| Note client supérieure de 0,1 étoile | Casse le monopole de marque | Résiste | Chu et Hou, juin 2026 |
| Pertinence thématique réelle | Déterminant principal | Résiste | Sprinklr, mai 2026 |
| Notoriété de marque préexistante | 73 % contre 11 % | Résiste par construction | Ranqo, juin 2026 |
La lecture est simple. Tout ce qui relève de la manipulation de surface s’annule en compétition. Tout ce qui relève d’une amélioration réelle du produit ou de la pertinence du contenu résiste, parce que ce ne sont pas des optimisations : ce sont des différences.
Il y a une ironie dans ce tableau. Les deux seuls leviers qui survivent sont précisément ceux qu’aucune agence ne peut vous vendre sous forme de prestation mensuelle.
La contre-preuve : le MIT ne dit pas la même chose
Un article honnête cite ce qui le contredit. Voici le meilleur argument adverse disponible, et il est solide.
Une équipe du MIT, Puneet Bagga, Vivek Farias, Tamar Korkotashvili, Tianyi Peng et Yuhang Wu, a publié un banc d’essai baptisé E-GEO : 13 747 requêtes produits réalistes croisées avec dix fiches Amazon, cinq moteurs génératifs, sept réécrivains automatiques, quinze heuristiques manuelles, plus une phase de red teaming.
Leur conclusion va à l’encontre de tout ce qui précède. Une méta optimisation de prompt fait émerger un schéma stable et agnostique au domaine, ce qui suggère l’existence d’une stratégie GEO réellement efficace. Et sous une défense simple, les gains observés reflètent une amélioration réelle du contenu, pas une manipulation.
Ce que cela signifie : le GEO ne serait pas du bruit, mais un problème d’optimisation correctement posé, avec une solution.
Ce que cela ne dit pas : l’expérience est un banc d’essai hors ligne sur des fiches Amazon. Elle ne mesure aucun effet longitudinal en production, aucune dynamique de compétition, et elle ne teste pas ce qui arrive quand les dix vendeurs de la catégorie appliquent la même méta optimisation. C’est précisément la variable que mesurent Chu et Hou, et c’est là que le gain s’effondre.
Les deux résultats ne sont donc pas contradictoires. Ils décrivent deux moments : avant l’adoption généralisée, et après.
Ce que vous faites demain matin
Arrêtez de raisonner en optimisation, commencez à raisonner en écart.
Devant n’importe quelle action GEO qu’on vous propose, posez une seule question : cette action produit elle un écart que mes concurrents ne peuvent pas répliquer en trois semaines ? Si la réponse est non, vous achetez un billet dans une course dont l’arrivée est à +0,007.
Trois conséquences pratiques.
Travaillez la note client avant la fiche produit. Un dixième d’étoile pèse plus qu’une réécriture complète, et personne ne peut vous le copier.
Investissez la pertinence thématique réelle plutôt que la mise en forme. Les 252 000 essais de l’étude Sprinklr sont sans appel : les éditions de pur formatage n’ont quasiment aucun effet, et ce sont pourtant elles qui remplissent la moitié des checklists vendues.
Et méfiez vous de toute prestation dont le résultat promis est un pourcentage de visibilité. Le chiffre existe, il est mesurable, et il tend vers zéro dès que le secteur bouge.
Le GEO n’est pas une arnaque. C’est un jeu à somme nulle qu’on vous vend comme un avantage concurrentiel.
Sources
- Chu, X. & Hou, Y. (2026). Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems, arXiv:2606.17443
- Xu, C., Guo, Z. & Xiong, C. (2026). Mechanism Design for Generative Engines: From Exploitation toward Win-Win Outcomes, arXiv:2608.11390
- 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 Generative Engine Optimization (2023-2026), arXiv:2607.14035
- Bagga, P., Farias, V., Korkotashvili, T., Peng, T. & Wu, Y. (2025). E-GEO: A Testbed for Generative Engine Optimization in E-Commerce, arXiv:2511.20867
- Kumar, P. (2026). Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines, arXiv:2606.20065
- Aggarwal, P. et al. (2023). GEO: Generative Engine Optimization, arXiv:2311.09735
<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.