Être cité par les intelligences artificielles ne suffit pas à conserver sa place dans la sélection des acheteurs. Selon un consultant en GEO (optimisation pour les moteurs génératifs), une entreprise dont la présence dans les réponses des IA était très forte voyait pourtant son pipeline de prospects se réduire. L’étude qu’il rapporte porte sur cette contradiction apparente.
- Être cité par les IA ne garantit pas de rester dans la sélection des acheteurs.
- Des preuves faibles ou absentes freinent la décision, dans 73,7 % des réponses évaluées.
- Les affirmations de performance doivent être corroborées par des clients ou des tiers indépendants.
- La mesure du GEO doit suivre tout le parcours de l’acheteur, pas seulement la première réponse.
Le consultant a construit 38 requêtes détaillées, fondées sur des critères, couvrant plusieurs catégories de produits et segments d’acheteurs. Ces requêtes ont été évaluées sur cinq interfaces d’IA, soit 190 réponses. Elles reprenaient les critères qu’un acheteur utilise pour restreindre une liste de fournisseurs : adéquation aux flux de travail, intégrations, exigences réglementaires, interopérabilité ou analyses. Selon l’auteur, certaines requêtes se sont révélées plus longues encore après des échanges avec des responsables achats.
Les résultats de visibilité étaient élevés. L’entreprise était mentionnée dans 98,4 % des réponses évaluées et figurait comme recommandation principale ou dans une présélection dans 93,2 % des cas. Pourtant, lorsque ces mêmes réponses ont été confrontées aux critères de décision, 73,7 % d’entre elles contenaient des preuves faibles ou absentes à l’appui d’affirmations importantes. Dans 15,8 % des cas, une lacune qualifiée de « significative » ou « critique » a été relevée.
Une visibilité qui ne suffit pas à décider
Pour l’auteur, il existe une différence nette entre demander quels fournisseurs opèrent sur un marché et demander lesquels peuvent répondre à une combinaison précise d’exigences techniques, opérationnelles, réglementaires et commerciales. Un modèle peut connaître une entreprise et la placer dans une présélection sans disposer des informations nécessaires dès que l’acheteur interroge le fonctionnement d’une intégration ou les limites d’un produit. Ces questions, selon lui, ne relèvent pas de simples mots-clés mais d’exigences de preuve.
Les chiffres ne se contredisent donc pas : ils mesurent deux étapes différentes du processus de décision. La visibilité fait entrer l’entreprise dans la discussion, tandis que la capacité à décider détermine si l’IA dispose d’assez d’éléments pour l’y maintenir.
Des preuves plutôt que des capacités
Selon l’étude, une faiblesse de preuves ne signifie pas forcément que l’entreprise ne possède pas la capacité en question. Dans de nombreux cas, celle-ci semblait exister, mais l’information disponible ne l’expliquait pas assez pour satisfaire le niveau de confiance de l’IA. Une promesse de processus de bout en bout, par exemple, n’est pas étayée si le processus, les connexions ou les flux de données ne sont pas décrits. L’information peut aussi être fragmentée, obligeant le modèle à relier plusieurs pages avant de conclure.
L’auteur précise que la documentation produit d’origine interne peut constituer la meilleure preuve qu’une fonctionnalité existe. En revanche, les affirmations de supériorité, d’efficacité, d’adoption ou de résultats mesurables gagnent à être corroborées par des clients, des analystes ou des tiers indépendants. Il ajoute que la généralisation de contenus similaires, qu’il appelle « parité de contenu », peut faire entrer une entreprise dans la catégorie sans lui permettre de résister à une évaluation approfondie.
Il met enfin en garde contre la tentation de produire des contenus « façonnés pour les preuves » : pages plus longues, schémas superficiels, enquêtes peu solides ou études de cas générées par IA. Le but, selon lui, est de fournir des informations réelles qui réduisent l’incertitude de l’acheteur. Si une information n’aiderait pas un client averti à mieux décider, elle ne devrait pas exister uniquement pour améliorer un score GEO.
Mesurer l’acheteur jusqu’au bout
Le consultant estime que mesurer seulement la première réponse d’une IA ne suffit pas. Les requêtes de type « questions fréquentes » sont utiles pour établir une liste d’options, mais les outils actuels ne suivent pas l’enchaînement des questions qu’un utilisateur pose successivement. Il appelle « prompt math » cette combinaison multivariée qui résulte de ces échanges successifs. Il estime que la mesure du GEO doit intégrer à la fois la visibilité et la capacité de décision.
