Un LLM recommande les marques que des sources fiables mentionnent souvent et de façon cohérente, et dont le contenu est facile à extraire et à jour. Il ne classe pas des pages comme Google : il compose une réponse qui ne cite qu’une poignée de sources, et aucune place n’y est à vendre.
Demandez à ChatGPT de recommander un CRM pour une PME. Observez quelles marques apparaissent. Maintenant demandez-vous : pourquoi celles-là et pas les autres ?
C’est la question que je me pose chaque jour. Depuis que j’audite la visibilité des marques sur les moteurs génératifs, je suis frappé par un constat : la plupart des entreprises n’ont aucune idée de la logique qui se cache derrière les recommandations de ChatGPT, Gemini, Perplexity ou Claude. Elles supposent que ça fonctionne comme Google. Ce n’est pas le cas.
42 % des utilisateurs d’IA ont déjà acheté un produit après une recommandation d’IA (Baromètre Gen-IA, iligo x Media Figaro, 2025). Savoir comment ces modèles choisissent les marques qu’ils recommandent, c’est donc savoir d’où viennent une partie de vos clients.
Dans cet article, je partage ce que j’ai appris en analysant des centaines de réponses génératives, et ce que montre mon étude sur 317 pages.
Un LLM fonctionne-t-il comme Google ?
Non : un LLM n’affiche pas de liste de liens, ne classe pas de pages et ne vend pas de place dans ses recommandations. Il compose une réponse avec quelques sources choisies.
Avant de comprendre comment les LLM choisissent, il faut d’abord défaire quelques idées reçues. Parce que la majorité des malentendus que je rencontre chez mes clients viennent de là.
Une réponse, pas une liste de liens
Google affiche une liste de liens. Vous cliquez, vous jugez. Le LLM fait l’inverse : il synthétise une réponse à partir de multiples sources, et c’est lui qui décide quoi retenir. Il n’y a pas de page 1 et de page 2. Il y a les marques qui sont citées et celles qui n’apparaissent pas dans la réponse.
Une poignée de sources, pas un classement
Sur Google, la position 3 est moins bonne que la position 1, mais elle existe. Une réponse de ChatGPT ne cite qu’une poignée de sources. Si vous n’êtes pas dans ce groupe restreint, l’utilisateur ne vous voit pas.
La publicité existe, mais hors de la réponse
Depuis le 24 août 2026, ChatGPT affiche de la publicité en France, pour les utilisateurs des formules gratuite et Go. OpenAI précise que les annonces sont identifiées et séparées des réponses, sans influence sur leur contenu. On peut donc acheter une place à côté de la réponse, pas dans la recommandation elle-même : celle-ci repose sur des signaux que le modèle juge fiables.
Pourquoi un LLM recommande-t-il certaines marques et pas d’autres ?
Quatre facteurs reviennent : l’autorité des sources qui vous citent, la fréquence de mention, la structure du contenu et sa fraîcheur.
J’analyse les réponses des principaux LLM sur des dizaines de secteurs. Voici les facteurs qui reviennent d’un audit à l’autre.
L’autorité de source : le facteur dominant
Si je devais isoler un seul facteur, ce serait celui-là. Quand j’analyse les réponses de ChatGPT pour des requêtes commerciales, je retrouve presque toujours les marques qui bénéficient d’un écosystème de mentions solide : articles de presse, comparatifs indépendants, pages Wikipédia, forums spécialisés.
Ce n’est pas la quantité de backlinks qui compte : c’est le type de site qui vous mentionne et le contexte de la mention. Un article de deux paragraphes dans un média reconnu pèse plus qu’une centaine de liens dans des annuaires obscurs. Les LLM ne comptent pas les liens : ils évaluent la crédibilité perçue de la source. Une étude Ahrefs sur 75 000 marques (2025) va dans ce sens : les mentions de la marque sur le web sont le facteur le plus corrélé à sa visibilité dans les AI Overviews (0,66), loin devant le nombre de backlinks (0,22). J’y reviens dans un article sur les backlinks et l’autorité de domaine vus par les IA.
La fréquence de mention dans les données d’entraînement
C’est un facteur qu’on sous-estime. Les LLM ont été entraînés sur des corpus massifs de texte : articles, forums, documentation, livres. Une marque qui apparaît fréquemment dans ces données, dans des contextes positifs et variés, est littéralement « imprimée » dans les poids du modèle. Ce n’est pas quelque chose qu’on peut modifier après coup. Mais c’est un rappel utile : la visibilité IA ne se construit pas en un trimestre. Elle est le résultat d’années de présence en ligne.
Pour les marques plus récentes, c’est une mauvaise nouvelle. Mais elle est tempérée par le facteur suivant.
La structure du contenu : le levier le plus actionnable
J’ai observé un phénomène intéressant : des marques relativement peu connues qui apparaissent dans les réponses de LLM parce que leur contenu est parfaitement structuré pour être extrait. Des pages de FAQ bien écrites. Des comparatifs avec des tableaux clairs. Des définitions explicites en début de paragraphe.
Les LLM ne « lisent » pas comme un humain. Ils cherchent des blocs d’information cohérents et autosuffisants qu’ils peuvent intégrer dans leur synthèse. Si votre contenu est un flux de prose sans hiérarchie, aussi bon soit-il d’un point de vue rédactionnel, il sera plus difficile à exploiter pour le modèle.
Concrètement, voici ce qui distingue les pages citées dans mon étude sur 317 pages :
- Des titres qui sont des questions (le modèle cherche des réponses à des questions)
- Une réponse courte juste sous chaque titre (15 à 70 mots), avant de développer
- Des tableaux pour les comparaisons, tarifs et caractéristiques (plus faciles à reprendre qu’une phrase longue)
- Des données factuelles sourcées (le modèle privilégie ce qu’il peut recouper)
Fraîcheur : et les données structurées ?
Pour les modèles qui utilisent le RAG (et aujourd’hui la plupart le font), la date de publication et de mise à jour du contenu est un signal. Un article de 2024 sur un sujet qui évolue vite sera défavorisé face à un contenu mis à jour en 2026.
Quant au balisage Schema.org, il compte moins qu’on ne le dit. Google indique qu’aucun balisage spécial n’est nécessaire pour apparaître dans ses fonctionnalités d’IA, et dans mon étude, le schema Organization ne distinguait pas les pages citées. Le balisage utile est celui qui rend visible ce qui compte déjà : la date de mise à jour (dateModified) et une FAQ présente sur la page. Pour le mettre en place proprement, voici les 5 schémas JSON-LD prioritaires.
Qu’est-ce qui fait la différence en pratique ?
La cohérence des informations d’une source à l’autre, le contexte des mentions et les écarts entre LLM, bien plus que le SEO seul.
Ce que je vois chaque semaine en auditant des marques nuance ces mécanismes.
Première observation : la cohérence entre les sources est un facteur sous-estimé. Quand une marque dit une chose sur son site, une autre sur ses réseaux sociaux, et que les articles de presse racontent encore autre chose, le LLM hésite. Il a tendance à privilégier les marques dont le message est stable et uniforme à travers les sources. J’ai vu des entreprises avec une forte notoriété être repoussées dans les réponses parce que les informations à leur sujet étaient contradictoires d’une source à l’autre.
Deuxième observation : le contexte de la mention compte autant que la mention elle-même. Être cité dans un comparatif « les 5 meilleurs outils de… » n’a pas le même impact qu’une citation dans un article généraliste. Les LLM semblent donner plus de poids aux mentions contextualisées, où la marque est associée à un cas d’usage précis ou à une expertise identifiée.
Troisième observation : les réponses varient significativement d’un LLM à l’autre. J’ai vu des marques très bien citées par Perplexity mais totalement absentes de Gemini pour la même requête. Chaque modèle a ses propres données d’entraînement, ses propres sources RAG, sa propre logique de synthèse. Optimiser pour un seul LLM est une erreur stratégique.
Quatrième observation : le SEO classique ne suffit pas. Même chez Google, les sources de l’IA ne suivent pas le classement : selon BrightEdge (sept. 2025), 83 % des citations des AI Overviews de Google viennent de pages hors du top 10 organique. Ce chiffre ne vaut que pour les AI Overviews. Pour ChatGPT, je m’appuie sur mes audits : j’y vois des sites premiers sur Google absents des réponses, et des sites peu visibles sur Google cités.
Pour récapituler les facteurs décrits jusqu’ici :
| Facteur | Ce qui compte | À retenir |
|---|---|---|
| Autorité de source | Le type de site qui vous mentionne et le contexte, plus que le nombre de liens | Mon avis d’après les audits : le facteur qui pèse le plus |
| Fréquence de mention | Une présence répétée et cohérente dans les données d’entraînement | Observation d’audit : se construit sur des années |
| Structure du contenu | Réponse courte sous des titres en questions, tableaux, données sourcées | Étude Beeleven (317 pages) : le levier le plus actionnable |
| Fraîcheur | Une date de mise à jour récente et visible | Étude Beeleven (317 pages) : compte pour les IA qui cherchent sur le web |
| Cohérence entre les sources | Les mêmes informations sur votre site, vos réseaux et dans la presse | Observation d’audit |
| Contexte de la mention | Une marque associée à un cas d’usage précis ou à une expertise identifiée | Observation d’audit |
Quel rôle jouent les sources web (RAG) ?
Elles donnent une seconde chance aux marques peu présentes dans les données d’entraînement : une IA qui cherche sur le web en temps réel peut citer un contenu récent et bien structuré.
Pour comprendre complètement comment les LLM sélectionnent les marques, il faut distinguer deux mécanismes qui coexistent.
Les connaissances « paramétriques »
Ce sont les informations encodées dans les poids du modèle lors de l’entraînement. Elles sont figées à une date de coupure. Si votre marque était bien présente en ligne avant cette date, elle est littéralement intégrée dans le modèle. Sinon, elle n’existe pas pour lui, du moins pas via ce canal.
Les connaissances « récupérées » (RAG)
Quand ChatGPT active la navigation web, quand Perplexity lance ses recherches, quand Gemini puise dans l’index Google, ils récupèrent des pages en temps réel et les intègrent à leur réponse.
Perplexity est le cas le plus transparent : il affiche à chaque réponse les sources qu’il a consultées, avec des liens cliquables. C’est précieux pour comprendre sa logique de sélection. ChatGPT, quand il navigue sur le web, cite également ses sources, mais pas toujours. J’ai détaillé ailleurs comment ChatGPT choisit ses sources.
Ce que j’observe, c’est que le RAG crée une seconde chance pour les marques qui n’ont pas bénéficié d’une forte présence dans les données d’entraînement. Si votre contenu est récent, bien structuré, et publié sur des sources que les systèmes RAG interrogent, vous pouvez entrer dans la boucle de recommandation même sans historique massif.
Mais attention : le RAG a ses propres biais. Les systèmes de récupération tendent à privilégier les mêmes sources que les moteurs de recherche classiques utilisent comme références. Les marques déjà mentionnées par des sources reconnues restent favorisées, même dans le RAG.
Qu’est-ce que ça change pour les marques ?
Votre site ne suffit plus, votre contenu doit être facile à extraire, et votre visibilité IA doit se mesurer à part.
Dans la pratique, cela change quatre choses.
Votre site web ne suffit plus
Même un site parfaitement optimisé pour le SEO peut être invisible pour les LLM si personne d’autre n’en parle. La visibilité IA se construit autant sur votre site que sur l’ensemble des sources qui vous mentionnent. Articles de presse, forums spécialisés, avis clients, publications sectorielles : c’est l’écosystème complet qui compte. Dans mon étude, 79 à 89 % des sources citées par les IA étaient des sites tiers, pas les sites des marques.
La stratégie de contenu doit évoluer
Produire du contenu « SEO-friendly » ne suffit plus. Il faut produire du contenu « LLM-extractible » : des réponses directes, des formats structurés, des informations factuelles vérifiables. Un contenu dense et précis plutôt qu’un texte gonflé pour atteindre un nombre de mots.
La mesure change aussi
Suivre son positionnement Google ne donne aucune indication sur sa visibilité IA. Il faut mettre en place un suivi spécifique : interroger régulièrement les LLM avec des requêtes stratégiques, analyser les citations, suivre l’évolution dans le temps. Chez Beeleven, l’audit de visibilité IA fait la première mesure, et l’Accompagnement GEO, qui comprend la Stratégie GEO, suit l’évolution chaque mois.
Le temps long est un allié
Les mentions dans les médias, les publications de qualité et les mises à jour de contenu s’accumulent : leur effet sur les réponses des IA se mesure en mois, pas en semaines.
Questions fréquentes
Pourquoi ChatGPT recommande-t-il certaines marques et pas d’autres ?
ChatGPT sélectionne les marques en fonction de leur autorité de source, de leur fréquence de mention dans les données d’entraînement, de la structure de leur contenu et de la cohérence des informations à travers le web. Ce n’est ni un classement publicitaire ni un algorithme de popularité : c’est un mécanisme de synthèse qui privilégie les sources fiables et facilement extractibles.
Les LLM utilisent-ils les mêmes sources que Google ?
Non. Même les AI Overviews de Google citent en majorité des pages qui ne sont pas dans le top 10 organique. Les LLM combinent les connaissances issues de leur entraînement avec des sources récupérées en temps réel via le RAG, ce qui produit un écosystème de citations très différent du SEO classique.
Comment faire pour que ma marque soit recommandée par les IA ?
Il faut travailler sur plusieurs axes : renforcer son autorité de source via des mentions sur des sites de référence, structurer son contenu pour qu’il soit facilement extractible par les modèles (réponses courtes sous des titres en questions, tableaux, définitions claires), assurer la cohérence des informations à travers toutes les sources web, et produire du contenu régulièrement mis à jour. C’est la discipline du GEO (Generative Engine Optimization).
Sources
iligo x Media Figaro, Baromètre Gen-IA, 1re édition, nov.–déc. 2025, 1 022 utilisateurs de 18 à 69 ans (iligo.fr).
Publicité dans ChatGPT en France à partir du 24 août 2026, annonce d’OpenAI (MacGeneration).
Ahrefs, corrélation entre mentions de marque et visibilité dans les AI Overviews, 75 000 marques, 2025 (ahrefs.com).
BrightEdge, recoupement entre AI Overviews et classement organique, 2025 (brightedge.com).
Beeleven, étude de 317 pages citées par les IA, 30/09/2026 (résultats).
Découvrez ce que les LLM disent de vous
Notre audit de visibilité IA analyse les réponses de ChatGPT, Gemini, Perplexity et Claude pour vos requêtes stratégiques. Vous saurez exactement où vous en êtes.
Demander un audit