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.
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.
CTR Google par position en 2026 : ce qu’il faut vraiment comprendre
Le taux de clic dans Google reste un indicateur utile pour estimer le potentiel d’une position SEO. Mais en 2026, il ne peut plus être lu comme un simple tableau “position = clics”.
Les pages de résultats ont changé. Entre les annonces, les extraits enrichis, les packs locaux, les vidéos, les blocs “People Also Ask” et surtout les AI Overviews, le CTR dépend désormais autant du contexte de la SERP que de la position elle-même. Plusieurs études récentes montrent d’ailleurs que les écarts entre positions restent importants, mais qu’ils varient fortement selon les formats affichés et l’intention de recherche.
Autrement dit, la position 1 reste généralement la plus cliquée, mais elle n’a plus la même valeur selon que la requête déclenche une SERP “classique”, un extrait optimisé, un pack local ou un résumé IA. C’est ce point qui doit aujourd’hui guider l’analyse du CTR.
Les grands repères de CTR par position
First Page Sage publie en mai 2025 un benchmark largement repris pour 2026. Sur des résultats Google standards sans autres modules majeurs, l’étude indique un CTR moyen de 39,8 % pour la position organique 1, 18,7 % pour la position 2 et 10,2 % pour la position 3. Les trois premiers résultats concentreraient ainsi l’essentiel des clics sur la page.
Le même rapport indique aussi des CTR nettement plus faibles pour les annonces textuelles que pour les premiers résultats organiques, avec 2,1 % pour la première annonce, 1,4 % pour la deuxième et 1,3 % pour la troisième.
Ces ordres de grandeur restent utiles pour des projections SEO, mais ils doivent être maniés avec précaution. Même First Page Sage précise que ses chiffres changent lorsque certains modules sont présents, notamment les extraits optimisés, les AI Overviews ou le local pack.
Pourquoi un tableau de CTR ne suffit plus
Le principal problème des benchmarks de CTR en 2026, c’est qu’ils compressent des situations très différentes dans une moyenne unique.
Une requête navigationnelle de marque, une recherche locale, une question informationnelle sensible, une requête e-commerce ou une recherche avec AI Overview ne produisent pas les mêmes comportements de clic. Pew Research note par exemple que, dans son analyse de mars 2025, les utilisateurs qui rencontrent un résumé IA cliquent sur un lien de résultat traditionnel dans 8 % des visites, contre 15 % lorsqu’aucun résumé IA n’est affiché.
Search Engine Land a également relayé plusieurs analyses montrant que les AI Overviews réduisent le CTR organique, en particulier sur les requêtes informationnelles non brandées. Dans un autre article basé sur les données Seer, le média rapporte une chute de 61 % du CTR organique sur les requêtes avec AI Overviews, ainsi qu’une baisse marquée du CTR paid.
Cela ne veut pas dire que le SEO ne fonctionne plus. Cela veut dire qu’un CTR moyen par position, pris isolément, décrit de moins en moins bien la réalité.
Les AI Overviews changent la lecture du CTR
L’un des points les plus importants en 2026, c’est la place prise par les AI Overviews dans certaines SERP. First Page Sage indique qu’elles apparaissent sur environ 31 % des pages de résultats et affirme que les liens intégrés à ces résumés peuvent capter des CTR comparables aux positions 3 à 5.
Mais d’autres sources donnent une vision plus prudente. Search Engine Land, à partir de données tierces, souligne que la présence d’un AI Overview est associée à une baisse sensible du CTR organique classique, même si être cité dans le bloc IA peut améliorer la performance relative d’une marque par rapport à ses concurrents.
Le point à retenir n’est donc pas “les AI Overviews tuent tous les clics” ni “les AI Overviews ne changent rien”. Le point à retenir est plus simple : le clic se redistribue. Une partie de la valeur quitte les liens organiques classiques, et une autre se déplace vers les sources intégrées aux nouveaux formats de réponse.
Le CTR dépend aussi du format de résultat
First Page Sage distingue plusieurs éléments de SERP avec des performances très différentes. Le rapport attribue 42,9 % au featured snippet en première visibilité, 38,9 % à un AI Overview en première position de source, 3 % au bloc “People Also Ask” et 1,4 % au Knowledge Panel. Les images et vidéos ont également leurs propres plages de CTR.
Ces écarts rappellent une chose importante : en SEO, l’objectif n’est plus seulement de “monter d’une position”. Il faut aussi comprendre quel type de résultat Google veut afficher pour une requête donnée. Sur certaines recherches, la meilleure opportunité n’est pas le lien bleu classique, mais l’extrait optimisé, la source d’un résumé IA, le local pack ou une vidéo bien positionnée.
Le local reste un cas à part
Le local obéit à une logique spécifique. First Page Sage estime le CTR du local pack à 17,6 % pour la première position, 15,4 % pour la deuxième et 15,1 % pour la troisième. Le même rapport indique aussi des CTR pour les Local Service Ads supérieurs à 2,5 %.
Pour un acteur local, cela signifie qu’une lecture “SEO organique pur” est insuffisante. La performance dépend aussi de la fiche d’établissement, de la proximité, de la confiance perçue, des avis et de la qualité de la présence locale dans la SERP.
Ce qu’un benchmark CTR permet encore de faire
Malgré ses limites, un benchmark CTR reste utile pour trois choses.
D’abord, il aide à estimer un potentiel de trafic. Même si les chiffres exacts varient, il reste vrai que la première page concentre l’essentiel des clics, et que les trois premières positions captent la plus grande part de la demande.
Ensuite, il permet de prioriser les efforts SEO. Une page qui passe de la position 8 à la position 3 n’obtient pas seulement “quelques clics en plus” : elle change souvent d’ordre de grandeur en visibilité potentielle.
Enfin, il aide à discuter stratégie avec plus de réalisme. Le CTR n’est pas un KPI isolé ; il relie la demande, la forme de la SERP, la marque, le snippet et l’intention de recherche.
Ce qu’il ne faut plus faire avec les CTR
En revanche, il faut éviter plusieurs erreurs.
La première consiste à utiliser un seul tableau de CTR pour prévoir mécaniquement le trafic de tout un site. Cette approche oublie les différences entre requêtes brandées et non brandées, entre SERP simples et SERP enrichies, entre intention locale, commerciale ou informationnelle.
La deuxième consiste à ignorer la marque. Dans un environnement où les résultats se densifient et se synthétisent, la confiance préalable accordée à une source devient un facteur de clic de plus en plus important. Plusieurs analyses récentes sur l’impact des AI Overviews vont d’ailleurs dans le sens d’un avantage relatif pour les marques visibles et déjà identifiées.
La troisième consiste à croire que la seule réponse stratégique est de produire plus de contenu. En réalité, le CTR se travaille aussi par la qualité éditoriale, le choix des angles, le balisage, la clarté des titles et meta descriptions, la structure des contenus et l’adéquation avec le format attendu dans la SERP. C’est une conséquence logique des observations faites sur les snippets, les AI Overviews et les modules enrichis.
Comment utiliser ces données de manière sérieuse en 2026
La bonne méthode consiste à lire les CTR comme des repères, pas comme des promesses.
Il faut partir de la SERP réelle, observer les modules présents, distinguer les requêtes brandées des requêtes informationnelles, isoler le local quand il existe, puis comparer ces éléments avec les données de Google Search Console. Search Console reste la meilleure base pour analyser les performances d’un site donné, alors que les études externes servent surtout de cadre de lecture. Les benchmarks comme celui de First Page Sage sont donc utiles, mais seulement s’ils sont confrontés à la réalité du site et de son marché.
Du SEO au AAIO : vers des sites pensés pour les agents IA ?
GEO et SEO : des pratiques proches, des effets parfois divergents
Les stratégies liées au GEO (Generative Engine Optimization) se développent avec l’essor des moteurs de réponses générées. Dans ce contexte, certaines approches présentées comme spécifiques à l’IA s’appuient en réalité sur des mécanismes déjà connus en SEO.
Des approches souvent issues du SEO
Plusieurs pratiques associées au GEO reprennent des leviers historiques :
Ces éléments, déjà utilisés en SEO, sont parfois requalifiés sans modification de fond.
Le rôle des systèmes de récupération de contenus
Les moteurs de recherche basés sur l’IA reposent en grande partie sur des architectures de type RAG (Retrieval Augmented Generation).
Dans ce cadre :
La présence dans les résultats organiques conditionne ainsi l’accès aux réponses générées.
Une dépendance aux données du search
Plusieurs observations convergent vers un point : les systèmes d’IA s’appuient largement sur les données issues des moteurs de recherche.
Cela se traduit notamment par :
Cette relation renforce le lien entre SEO et visibilité dans les interfaces IA.
Des pratiques à risque
Certaines tactiques mises en avant dans les stratégies GEO reposent sur des logiques déjà connues :
Ces approches peuvent générer des gains rapides, mais par la suite aussi des reculs marqués de visibilité. Ces trajectoires s’inscrivent dans des cycles déjà bien identifiés en SEO.
Le GEO ne fait pas exception à ces mécanismes.
Une base déjà en place
Les résultats attribués au GEO reposent rarement sur des leviers nouveaux.
Ils s’inscrivent le plus souvent dans une visibilité déjà acquise : positions organiques, autorité du domaine, présence de marque et historique éditorial.
Ce qui apparaît aujourd’hui dans les réponses générées est généralement issu d’un travail SEO déjà installé. Les Google Leaks ont d’ailleurs permis d’identifier plus clairement un certain nombre de facteurs déterminants en SEO, sur lesquels on dispose désormais de repères plus solides.