Visibilité de votre entreprise dans les IA : un problème de données, pas de marketing

Le test prend deux minutes et il est instructif. Ouvrez ChatGPT et posez la question que poserait votre client idéal : « quels cabinets de conseil data recommandes-tu à Paris ? », « quels outils pour présélectionner des candidats data ? ». Regardez qui est cité.

Nous l'avons fait pour Spherys. Nous n'apparaissons pas. La première réaction naturelle est d'y voir un problème de notoriété — nous sommes une structure récente face à des cabinets installés. Cette lecture est rassurante, et elle est fausse.

Ce qui a changé, en chiffres

La façon dont les acheteurs B2B identifient un prestataire a basculé plus vite que la plupart des stratégies d'acquisition. L'enquête menée par G2 en mars 2026 auprès de 1 076 acheteurs et décideurs B2B donne la mesure du mouvement :

En parallèle, le comportement sur Google se déplace dans le même sens. Selon l'étude SparkToro conduite sur les données de panel Similarweb, 68 % des recherches Google se terminent sans aucun clic sur les quatre premiers mois de 2026, contre 60,45 % en 2024. Les AI Overviews apparaissent sur plus de 20 % des recherches, et lorsqu'ils s'affichent, le taux de clic chute de près de 60 %. Le Pew Research Center mesure de son côté que le lien source cité dans un AI Overview n'est cliqué que dans environ 1 % des cas.

La conclusion opérationnelle n'est pas que le référencement est mort. C'est que la citation est devenue une fin en soi, indépendamment du clic qu'elle génère ou non.

Pourquoi c'est un sujet de données et non de communication

Une IA générative ne consulte pas votre site comme un visiteur. Elle en extrait des éléments : ce que fait l'entreprise, où elle opère, pour qui, avec quels résultats, à quelle date. Puis elle croise ces éléments avec ce qu'elle trouve ailleurs — annuaires, réseaux professionnels, articles, avis, sites de partenaires.

À ce stade, trois situations se présentent, et deux d'entre elles vous éliminent.

L'information est absente ou implicite. Une page d'accueil qui affirme « nous accompagnons les entreprises dans leur transformation » ne contient, du point de vue de la machine, aucune donnée exploitable. Ni domaine d'expertise précis, ni périmètre géographique, ni type de client, ni preuve.

L'information est contradictoire. Le cas le plus fréquent, et le plus coûteux. Une description sur le site, une autre sur LinkedIn, une troisième dans un annuaire, une dénomination qui varie, une adresse obsolète. Le modèle qui rencontre des signaux divergents sur une même entité perd confiance dans l'entité entière. Il ne tranche pas : il évite.

L'information est structurée, cohérente et datée. C'est le seul cas où vous êtes citable. Il ne s'obtient pas en écrivant mieux, mais en traitant vos données publiques comme un patrimoine à gouverner — exactement la discipline que nous appliquons aux données internes de nos clients.

Les quatre signaux que les modèles évaluent réellement

Les travaux publiés en 2026 sur l'optimisation pour moteurs génératifs convergent sur un point : la mise en forme seule ne suffit pas. L'expérience factorielle de Vishwakarma et ses coauteurs, portant sur 252 000 essais et six modèles de langage, montre que la pertinence et la position d'une source dans le contexte déterminent la première citation, et que les informations chiffrées explicites ainsi que les dates récentes ont un effet mesurable — là où les modifications de présentation seules ont un effet faible.

1. La vérifiabilité

Un chiffre, une date, une source nommée. Les modèles sont entraînés à limiter la propagation d'affirmations invérifiables : ils privilégient mécaniquement les contenus qui fournissent de quoi étayer. Une affirmation sans source est un risque pour le modèle, donc une source qu'il écarte.

2. La structure

Une réponse directe et autonome en tête de page, des intertitres explicites, des paragraphes courts, des tableaux comparatifs, une section de questions-réponses. Ce n'est pas de la cosmétique : c'est ce qui permet l'extraction d'un fragment réutilisable sans réécriture ni interprétation.

3. La cohérence de l'entité

La même dénomination, la même description, les mêmes coordonnées partout où l'entreprise apparaît. Les données structurées au format JSON-LD — Organization sur la page d'accueil, Article sur chaque contenu, FAQPage sur les pages de questions — sont le moyen le plus direct de déclarer explicitement ces éléments plutôt que de les laisser deviner.

4. La présence sur des sources tierces

C'est le signal le plus sous-estimé, et probablement le plus déterminant. Un site qui parle de lui-même est une source parmi d'autres, et la moins pondérée. Les modèles construisent leur jugement sur une entreprise à partir de ce que les autres en disent : annuaires sectoriels, comparatifs, contenus de partenaires, discussions professionnelles. Une entreprise absente de ces corpus reste invisible, quelle que soit la qualité de son propre site.

La bonne nouvelle pour les structures récentes

Sur Google, l'ancienneté du domaine et le volume de liens entrants pèsent lourd. Une entreprise créée il y a deux ans ne bat pas mécaniquement un acteur installé depuis dix ans sur une requête commerciale : c'est un chantier de douze à dix-huit mois, et il n'a rien d'acquis.

Un moteur génératif ne raisonne pas ainsi. Il cherche l'information la plus pertinente, la mieux structurée et la plus à jour sur une question précise. C'est ce qui explique qu'un tiers des acheteurs interrogés par G2 aient acheté chez un fournisseur inconnu d'eux avant leur recherche : le filtre de sélection a changé de nature.

Pour la première fois depuis vingt ans, la taille et l'ancienneté ne sont plus des barrières à l'entrée de la visibilité. La contrepartie est exigeante : il faut produire de l'information vérifiable et tenir ses données publiques en ordre. Mais c'est un effort accessible à une petite structure, ce que n'a jamais été une campagne de netlinking.

Comment mesurer, en quinze minutes par mois

La Search Console ne voit rien de ce qui se passe dans ChatGPT ou Perplexity. Aucun outil gratuit ne comble ce trou aujourd'hui. La méthode qui fonctionne est manuelle, et elle suffit :

1. Fixez dix questions que vos clients poseraient réellement. Mélangez les formulations : par métier, par ville, par problème, et une ou deux requêtes comparatives (« quel outil pour… », « X vaut-il mieux que Y »).
2. Posez-les chaque mois aux mêmes moteurs — ChatGPT, Perplexity, Gemini, et Google pour l'AI Overview. Les modèles n'étant pas déterministes, la même question peut donner des réponses différentes : ce qui compte est la tendance sur plusieurs mois, pas le résultat d'un jour.
3. Notez trois choses : votre entreprise est-elle citée, à quel rang dans la réponse, et surtout qui est cité à votre place. Cette dernière colonne est la plus utile — elle vous indique les sources tierces dans lesquelles il faut exister.
4. Recoupez avec vos données de trafic : les visites référencées depuis chatgpt.com, perplexity.ai ou gemini.google.com sont identifiables et méritent d'être suivies séparément du trafic organique.

Le premier relevé n'a pas vocation à être bon. Il a vocation à exister, pour que le suivant soit comparable.

Par où commencer, dans l'ordre

1. Faire le relevé zéro décrit ci-dessus. Sans point de départ, aucune action n'est évaluable.
2. Mettre en cohérence l'identité de l'entreprise partout où elle apparaît : dénomination, description, périmètre, coordonnées. C'est l'action la moins visible et la plus rentable.
3. Déclarer explicitement ces éléments en JSON-LD sur le site.
4. Reprendre les contenus existants au format extractible : réponse directe en tête, intertitres explicites, chiffres sourcés, section de questions-réponses.
5. Aller chercher les sources tierces — annuaires sectoriels, comparatifs, partenaires. C'est le chantier le plus long, et celui qui produit l'effet le plus durable.

Questions fréquentes

En résumé

La moitié de vos acheteurs potentiels commencent aujourd'hui leur recherche par une IA, et un tiers d'entre eux finissent chez un fournisseur qu'ils ne connaissaient pas. La question n'est plus de savoir si votre site plaît aux visiteurs, mais si vos données publiques permettent à une machine de vous représenter correctement.

C'est une discipline que nous connaissons : structurer une information dispersée, éliminer les contradictions entre sources, dater et sourcer ce qui doit l'être. Nous l'appliquons depuis des années aux données internes de nos clients. Elle s'applique désormais à leurs données publiques — avec, cette fois, un enjeu commercial direct.

Pour aller plus loin sur la gouvernance des données comme prérequis d'adaptation : l'agilité est le premier atout de votre entreprise, et sur la circulation non maîtrisée de l'information dans les outils d'IA : Shadow AI, ce qui arrive vraiment à vos données.