Pour offrir les meilleures expériences, nous utilisons des technologies telles que les cookies pour stocker et/ou accéder aux informations des appareils. Le fait de consentir à ces technologies nous permettra de traiter des données telles que le comportement de navigation ou les ID uniques sur ce site. Le fait de ne pas consentir ou de retirer son consentement peut avoir un effet négatif sur certaines caractéristiques et fonctions.
L’accès ou le stockage technique est strictement nécessaire dans la finalité d’intérêt légitime de permettre l’utilisation d’un service spécifique explicitement demandé par l’abonné ou l’utilisateur, ou dans le seul but d’effectuer la transmission d’une communication sur un réseau de communications électroniques.
L’accès ou le stockage technique est nécessaire dans la finalité d’intérêt légitime de stocker des préférences qui ne sont pas demandées par l’abonné ou l’internaute.
Le stockage ou l’accès technique qui est utilisé exclusivement à des fins statistiques.
Le stockage ou l’accès technique qui est utilisé exclusivement dans des finalités statistiques anonymes. En l’absence d’une assignation à comparaître, d’une conformité volontaire de la part de votre fournisseur d’accès à internet ou d’enregistrements supplémentaires provenant d’une tierce partie, les informations stockées ou extraites à cette seule fin ne peuvent généralement pas être utilisées pour vous identifier.
L’accès ou le stockage technique est nécessaire pour créer des profils d’internautes afin d’envoyer des publicités, ou pour suivre l’utilisateur sur un site web ou sur plusieurs sites web ayant des finalités marketing similaires.
IA générative et achats, quels secteurs sont les plus concernés ?
L’IA générative prend une place de plus en plus importante dans les parcours d’achat. Les internautes ne l’utilisent plus seulement pour obtenir une réponse rapide ou résumer une information. Ils s’en servent aussi pour comparer des offres, affiner un besoin, préparer une décision ou identifier des solutions adaptées à leur situation.
Selon une étude publiée par First Page Sage, certains secteurs sont particulièrement exposés à ces nouveaux usages, notamment l’éducation, l’alimentation, le bien-être, le voyage, le retail, la santé ou encore les services B2B.
L’IA devient une étape du parcours client
Avant de contacter une entreprise, de remplir un formulaire ou d’acheter un produit, de nombreux utilisateurs passent par une phase de recherche. Cette phase a longtemps été dominée par Google, les comparateurs, les avis clients et les contenus spécialisés.
L’IA générative ajoute désormais une autre étape. L’utilisateur peut poser une question large, demander une comparaison, solliciter une recommandation ou chercher à comprendre quelle solution correspond le mieux à son besoin.
First Page Sage a interrogé 3 161 participants afin de mesurer cette évolution. Les répondants devaient indiquer s’ils avaient utilisé un outil d’IA générative au cours des douze derniers mois pour s’informer ou prendre une décision d’achat.
Les résultats montrent que l’usage varie fortement selon les secteurs. L’IA intervient surtout lorsque la décision demande de comparer plusieurs critères, de réduire le nombre d’options ou de mieux comprendre une offre.
L’éducation domine le classement
L’éducation arrive en tête de l’étude, avec 60,5 % de clients utilisant l’IA générative dans leur parcours de décision. Ce résultat s’explique par la complexité du choix. Une formation, une école ou un programme se compare rarement sur un seul critère.
Les futurs étudiants peuvent chercher une formation compatible avec leur projet, leur niveau, leur emploi du temps, leur budget ou leurs contraintes géographiques. Un assistant IA peut alors les aider à trier les options et à formuler plus clairement leur besoin.
Pour les établissements, cette évolution change la manière dont les contenus doivent être pensés. Les pages doivent expliquer les programmes, les débouchés, les conditions d’accès, les formats et les différences entre les parcours. Plus l’information est claire, plus elle peut être comprise, synthétisée et reprise dans une réponse générée.
Alimentation, bien-être et voyage sont très présents
L’alimentation et les boissons arrivent juste derrière, avec 59,4 % de clients utilisant l’IA générative dans leur parcours. Les usages portent sur la recherche de recettes, les recommandations de produits et l’identification de tendances de consommation.
Le secteur lifestyle, santé et bien-être atteint 53,8 %. Les internautes y cherchent des solutions liées à leur mode de vie, leur confort, leur santé ou leurs habitudes. L’IA peut les aider à organiser leur recherche et à identifier des pistes adaptées à leur situation.
Le voyage et l’hôtellerie atteignent 53,1 %. Ce secteur se prête particulièrement bien à l’usage des assistants IA, car un projet de voyage repose sur de nombreux critères. Destination, durée, budget, transport, hébergement, activités et préférences personnelles entrent souvent dans la même demande.
Dans ces secteurs, les marques doivent répondre à des intentions très nuancées. Il ne s’agit pas seulement d’être visible sur une requête simple. Il faut aussi fournir des contenus capables d’aider l’utilisateur à comparer, choisir et avancer dans sa décision.
Retail, automobile et santé renforcent le rôle de la comparaison
Le retail et les produits de grande consommation affichent un taux de 49,4 %. Les consommateurs utilisent l’IA générative pour comparer des marques, recevoir des recommandations ou trouver le bon produit selon un besoin précis.
L’automobile atteint 45,7 %. L’IA sert surtout à comparer plusieurs modèles et à réduire la sélection avant une recherche plus approfondie. Elle intervient donc dans une phase importante du parcours, celle où l’utilisateur commence à hiérarchiser les options.
La santé atteint 44,2 %. L’étude mentionne à la fois des recherches grand public, par exemple sur les symptômes ou les traitements, et des usages professionnels liés aux technologies utilisées par les organisations de santé.
Les services B2B sont aussi touchés
L’étude montre également une forte présence de l’IA dans plusieurs secteurs de services. Les services à domicile, le SaaS B2B, la publicité, le marketing, les services financiers, la fintech, l’assurance, les services IT et l’immobilier figurent dans le classement.
Dans le SaaS B2B, 40,8 % des clients utilisent l’IA générative dans leur parcours d’achat. Les décideurs peuvent demander une comparaison de plateformes, une liste d’outils adaptés à leur secteur ou une recommandation liée à un cas d’usage précis.
La publicité et le marketing atteignent 40,4 %. Les professionnels y utilisent l’IA pour réfléchir à leurs outils, leurs intégrations ou leur environnement logiciel.
Les services financiers affichent 40,1 % et l’assurance 37,3 %. Dans ces domaines, la décision repose souvent sur la confiance, la lisibilité de l’offre et la capacité à comparer plusieurs solutions. L’IA peut donc intervenir assez tôt dans le parcours, avant même la prise de contact avec un conseiller ou un prestataire.
Tableau récapitulatif des secteurs étudiés
Voici le tableau récapitulatif des secteurs étudiés par First Page Sage.
L’impact financier dépend aussi de la taille des marchés
Le classement par usage ne correspond pas exactement au classement par impact financier. L’éducation arrive en tête pour l’usage, mais le voyage et l’hôtellerie affichent l’impact financier estimé le plus élevé, avec 1 480 milliards de dollars.
La santé suit avec 1 110 milliards de dollars. L’alimentation et les boissons atteignent 936 milliards de dollars, devant le retail et les produits de grande consommation, estimés à 891 milliards de dollars.
Ces écarts montrent qu’un secteur très exposé à l’IA n’est pas forcément celui où l’impact économique estimé est le plus important. La taille du marché joue un rôle majeur. C’est pourquoi les entreprises doivent regarder à la fois le niveau d’usage, la valeur du secteur et la place réelle de l’IA dans le parcours client.
Ce que cela change pour une stratégie SEO
Pour les entreprises, cette évolution ne signifie pas que le SEO perd son intérêt. Elle montre plutôt que la recherche se transforme. Les clients continuent d’utiliser Google, mais ils peuvent aussi passer par ChatGPT, Gemini, Perplexity ou d’autres assistants pour préparer leur décision.
Dans ce contexte, un contenu ne doit pas seulement viser une position dans les résultats de recherche. Il doit aussi être suffisamment clair, fiable et utile pour être compris par des systèmes génératifs.
Les pages qui expliquent les critères de choix, les différences entre les offres, les cas d’usage, les limites et les bénéfices réels d’une solution ont plus de valeur que les contenus génériques. Elles répondent mieux aux attentes des internautes et peuvent aussi nourrir les réponses produites par l’IA.
Le SEO reste donc central, mais il doit être pensé comme une stratégie de visibilité plus large. L’enjeu est de rendre l’entreprise identifiable, crédible et lisible sur l’ensemble du parcours de recherche.
Contenu IA et SEO : pourquoi les contenus humains gardent l’avantage sur Google
Pourquoi les flux produits doivent intégrer une stratégie SEO à l’ère de l’IA
GEO : quels critères influencent les recommandations des IA
Une étude menée par First Page Sage analyse la manière dont plusieurs chatbots formulent des recommandations commerciales. Elle met en avant des critères communs, avec des écarts de pondération selon les modèles.
Une étude centrée sur les recommandations commerciales
First Page Sage a analysé plus de 11 000 requêtes portant sur des produits et services, adressées à ChatGPT, Gemini, Perplexity et Claude.
L’objectif était de comprendre sur quels éléments reposaient les réponses générées lorsqu’un utilisateur demandait une recommandation.
Le périmètre est large, mais il s’agit d’une étude produite par un acteur du secteur, qui propose lui-même des services liés au GEO. Les résultats doivent donc être lus comme une grille d’analyse, et non comme un standard partagé.
Des critères qui reviennent d’un modèle à l’autre
Malgré leurs différences, les quatre chatbots s’appuient sur des signaux proches pour construire leurs recommandations. On retrouve notamment :
Dans l’étude, ces éléments sont présentés comme des facteurs déterminants, avec des poids variables selon les modèles.
Un point commun : le rôle central des listes
Le constat le plus structurant concerne la place des listes dites “autoritaires”.
Dans les quatre cas, les recommandations reposent largement sur des contenus déjà existants, souvent présentés sous forme de classements ou de comparatifs.
Ces listes sont issues :
Les modèles croisent ces sources et retiennent les éléments les plus fréquemment cités.
Ce qui distingue les modèles
Les différences apparaissent dans la manière d’exploiter ces signaux.
ChatGPT s’appuie principalement sur des listes et des avis, avec un travail de synthèse entre plusieurs sources. Dans certains cas, une source très bien positionnée peut peser fortement dans la réponse.
Gemini suit une logique proche, mais intègre davantage de signaux issus de l’écosystème Google, notamment l’autorité des sites et les avis locaux. Pour les recherches de proximité, les notes et avis jouent un rôle central.
Perplexity adopte un fonctionnement plus direct, en s’appuyant largement sur des listes bien positionnées, avec un tri principalement guidé par les avis.
Claude se distingue par un recours plus limité au web ouvert. Ses recommandations reposent davantage sur des bases de données et des répertoires établis, ce qui tend à faire remonter des acteurs plus installés.
Des ajustements selon le type de requête
L’étude souligne aussi que les critères ne sont pas utilisés de la même manière selon les cas.
Dans certains cas, des éléments comme les récompenses, les accréditations ou les données d’usage servent à départager des options proches.
Une lecture à nuancer
Les résultats proposés reposent sur une méthodologie interne, avec des catégories et des pondérations définies par First Page Sage.
Ils décrivent des tendances observées dans un cadre donné, mais ne permettent pas d’établir un fonctionnement exhaustif ou stable des modèles.
D’autant que ces systèmes évoluent rapidement et peuvent ajuster leurs critères en fonction du contexte, de la requête ou du profil utilisateur.
Ce que cette étude apporte au SEO et au GEO
Sans établir de règles définitives, cette étude apporte un éclairage sur la manière dont les recommandations sont construites dans les interfaces IA.
Elle confirme d’abord un point : il n’existe pas un fonctionnement unique.
Chaque modèle s’appuie sur des signaux proches, mais avec des priorités différentes selon les cas.
Elle met aussi en évidence le rôle structurant de certains types de contenus :
Dans ce cadre, la visibilité ne repose pas uniquement sur la production de contenu, mais aussi sur la présence dans ces écosystèmes.
Enfin, l’étude suggère que la stratégie éditoriale ne peut plus être pensée de manière uniforme.
Selon le canal visé — moteur de recherche classique ou interface IA — les logiques d’exposition ne sont pas strictement les mêmes.
Cela ne remet pas en cause les fondamentaux du SEO, mais introduit des variations dans la manière dont les contenus sont sélectionnés, agrégés et restitués.
Google-Agent : Google prépare un web où les agents peuvent agir directement
Google a récemment présenté Google-Agent, un nouveau user-agent lié aux usages des agents IA. Cette annonce s’accompagne de la mise en avant de plusieurs protocoles destinés à faire évoluer les interactions sur le web.
L’idée décrite dans un article de Marie Haynes est que le web ne serait plus seulement un espace de consultation, où l’utilisateur clique, lit et navigue, mais aussi un environnement dans lequel des agents peuvent accomplir des actions, accéder à des fonctionnalités et dialoguer avec d’autres systèmes.
Un user-agent distinct pour les agents
Google introduit un user-agent dédié, distinct des user-agents associés à une navigation plus classique. D’après cet article, lorsqu’un agent utilisant l’infrastructure de Google consulte un site, ce nouveau tag peut être employé. Marie Haynes cite notamment le cas de Project Mariner.
Ce point marque une évolution simple à comprendre :
Un web moins centré sur la navigation classique
Le texte oppose deux modèles. Le premier correspond au web actuel :
Le second modèle repose sur des agents capables d’agir. Dans ce cadre, un agent peut par exemple :
L’enjeu n’est donc plus seulement l’accès à l’information, mais aussi l’exécution d’actions.
Liz Reid évoque des échanges entre agents
Marie Haynes s’appuie également sur une déclaration de Liz Reid, en charge de Search chez Google. Selon elle, les internautes continueront à vouloir consulter des contenus produits par d’autres humains, mais une partie croissante des interactions pourrait passer par des agents qui échangent entre eux.
Dans ce contexte, Google met en avant plusieurs protocoles.
Les principaux protocoles cités
L’article présente ces protocoles comme des briques à suivre de près dans l’évolution actuelle du web.
WebMCP, un accès plus direct aux fonctions du site
Le point le plus développé dans le texte concerne WebMCP. Marie Haynes explique que les agents qui naviguent comme des utilisateurs restent limités, car ils doivent interpréter l’interface visuelle, comme le ferait un humain. Avec WebMCP, l’objectif serait différent, à savoir permettre aux agents d’utiliser plus directement les fonctionnalités disponibles sur un site.
Dans l’article, WebMCP est présenté comme un moyen de :
L’exemple le plus évident avancé est celui du remplissage automatique de formulaires de lead. Mais l’article va plus loin et évoque aussi :
Une recherche de plus en plus liée à l’IA
Le texte reprend aussi une déclaration attribuée à Nick Fox, selon laquelle la recherche deviendrait progressivement une AI Search, tandis que l’application Gemini serait pensée comme un assistant personnel. Marie Haynes souligne également que Google tendrait à rapprocher AI Mode et AI Overviews.
Dans cette lecture, la recherche ne se limite plus à fournir des liens. Elle s’inscrit dans un environnement plus large, où l’IA peut :
Un déplacement du cadre pour le SEO
L’article présente cette évolution comme un changement important pour le SEO. La logique ne porterait plus uniquement sur :
Elle concernerait aussi des actions plus directes, comme :
Le texte ne dit pas que ces usages remplacent immédiatement le web actuel. Il met en avant un déplacement du cadre, dans lequel les agents prennent une place croissante.
Les recommandations avancées par Marie Haynes
En conclusion, l’article formule plusieurs conseils. Marie Haynes recommande notamment de :
Elle précise aussi qu’il reste difficile de savoir exactement comment ce web agentique va se déployer, y compris du côté de Google.
Les citations de ChatGPT se concentrent surtout dans le haut des contenus
Une analyse menée par Kevin Indig met en évidence une tendance nette dans les citations de ChatGPT : les passages repris proviennent plus souvent du début des pages. Sur 18 012 citations vérifiées, 44,2 % sont issues du premier tiers des contenus. L’étude identifie aussi plusieurs caractéristiques récurrentes dans les extraits les plus souvent cités, comme la clarté des formulations, la présence d’entités nommées ou un niveau de lisibilité plus accessible.
Une distribution des citations orientée vers le début des pages
L’étude de Kevin Indig s’appuie sur l’analyse de 3 millions de réponses de ChatGPT et de 30 millions de citations. Après filtrage, 18 012 citations vérifiées ont été retenues pour l’analyse.
Les chercheurs ont observé une répartition décroissante des citations à mesure que l’on avance dans le contenu :
La baisse devient plus marquée à l’approche du bas de page. Selon Kevin Indig, cette tendance a été vérifiée sur plusieurs échantillons aléatoires et les écarts observés sont statistiquement significatifs.
Une logique différente à l’intérieur des paragraphes
La répartition ne suit pas le même schéma lorsqu’on observe les citations à l’échelle du paragraphe. Dans ce cas, les extraits repris se trouvent plus souvent dans la partie centrale :
L’étude montre ainsi que le début des articles concentre une part importante des citations à l’échelle de la page, tandis qu’au sein des paragraphes, le modèle mobilise davantage le segment informatif central.
Un cadrage initial plus fortement exploité
L’analyse avance que cette tendance peut s’expliquer par la structure des corpus utilisés pour entraîner les grands modèles de langage, notamment dans les univers journalistiques et académiques.
Dans ces formats, l’idée principale est souvent introduite dès les premières lignes. Le modèle semble donc accorder une importance particulière au cadrage initial pour construire le contexte de lecture du reste du texte.
Même avec des fenêtres de contexte étendues, cette phase de mise en contexte reste déterminante.
Cinq traits reviennent plus souvent dans les passages cités
L’étude isole plusieurs caractéristiques récurrentes dans les extraits les plus souvent repris par ChatGPT.
1. Des formulations définitoires plus fréquentes
Les passages cités contiennent plus souvent des formulations explicites, par exemple sous la forme « X est » ou « X désigne ».
Les phrases simples, directes et construites de manière linéaire ressortent davantage que les formulations plus vagues ou plus indirectes.
2. Une structure questions-réponses
Les contenus associés aux citations comportent plus souvent des points d’interrogation. L’analyse indique aussi que 78,4 % des citations liées à des questions proviennent d’intertitres H2.
Le modèle semble fréquemment traiter ces intertitres comme des questions, puis mobiliser le paragraphe suivant comme réponse.
3. Une densité plus forte en noms propres
Dans un texte anglais standard, la part des noms propres se situe généralement entre 5 % et 8 %. Dans les passages les plus cités, la moyenne relevée atteint 20,6 %.
La présence de marques, d’outils, de personnes ou de notions identifiables renforce la précision du propos et réduit l’ambiguïté.
4. Un ton intermédiaire entre neutralité et opinion
Les extraits cités affichent un score moyen de subjectivité de 0,47. Ce niveau se situe entre une neutralité stricte et une opinion fortement marquée.
L’étude décrit donc des passages qui relèvent davantage d’une analyse factuelle mise en perspective que d’une prise de position très subjective.
5. Une lecture plus accessible
Les contenus les plus cités obtiennent un score moyen de 16 au test de lisibilité Flesch-Kincaid, contre 19,1 pour les contenus moins repris.
Cet indicateur, surtout utilisé en anglais, évalue la difficulté de lecture à partir de la longueur des phrases et de la complexité des mots. Dans les résultats observés, les passages les plus cités sont associés à des phrases plus courtes et à une syntaxe plus directe.
Une méthodologie fondée sur l’identification des phrases sources
Pour relier les réponses de ChatGPT à leurs passages d’origine, l’équipe a utilisé des embeddings de type sentence-transformer.
Chaque citation vérifiée a ensuite été analysée selon plusieurs critères :
Les formats structurés ressortent davantage
L’étude indique aussi que les formats narratifs, de type « guide ultime », sont moins souvent repris que les contenus plus structurés et hiérarchisés.
Les passages qui exposent rapidement une définition, des entités identifiables et une réponse explicite apparaissent plus souvent dans les citations observées.
Ce que montrent les résultats
Les données mettent en avant plusieurs éléments associés aux citations de ChatGPT. La visibilité rapide de l’information principale, la clarté de la formulation, la précision des entités mentionnées et une lecture plus accessible.
Ces résultats ne signifient pas qu’un seul format éditorial doive s’imposer, mais ils apportent des repères sur les types de passages les plus fréquemment repris dans les réponses générées.
Des repères utiles pour la structuration éditoriale
Plusieurs points ressortent de l’analyse :
Ces éléments restent compatibles avec les attentes éditoriales classiques en matière de qualité, de précision, d’expertise et d’adéquation avec l’intention de recherche.
Un travail éditorial qui relève d’un savoir-faire
Cette analyse montre que la rédaction web ne repose pas uniquement sur le fond, mais aussi sur la manière d’organiser l’information, de la rendre immédiatement compréhensible et de limiter les ambiguïtés.
Dans un environnement où les contenus sont interprétés, reformulés et parfois cités, cette exigence suppose une maîtrise éditoriale, SEO et désormais orientée IA.
Les contenus générés automatiquement, lorsqu’ils ne sont pas retravaillés, n’atteignent pas ce niveau de clarté, de précision et de hiérarchisation.