Peut-on manipuler les réponses des IA ? Les dessous du GEO

Le référencement à l'ère de l'intelligence artificielle est en train de se réinventer. Alors que les interfaces conversationnelles comme ChatGPT ou Perplexity grignotent des parts d'audience aux moteurs de recherche classiques, une nouvelle discipline émerge : le Generative Engine Optimization (GEO). L'enjeu n'est plus seulement d'apparaître en première page de Google, mais d'être cité — ou « synthétisé » — dans les réponses générées par les modèles d'IA.

Ce changement de paradigme redéfinit en profondeur les critères de visibilité numérique. Les signaux traditionnels du SEO — autorité de domaine, backlinks, popularité de marque — conservent une influence, mais diluée. Ce qui prime désormais, c'est ce que les spécialistes appellent la « citabilité » : la capacité d'un contenu à être facilement extrait et reformulé sans distorsion par un modèle. Tableaux structurés, FAQ précises, définitions factuelles sourcées, listes numérotées : une page modeste en SEO pur peut surpasser une concurrente plus autoritaire si elle est mieux adaptée à la synthèse automatique.

Les praticiens identifient trois leviers principaux : être présent dans les corpus consultés par les modèles (médias reconnus, wikis, comparateurs), renforcer les signaux de crédibilité éditoriale, et produire des contenus hautement structurés. Mais ces leviers ouvrent aussi la porte à des dérives. Alain Guisado, technico-commercial SEO chez Linksgarden, l'illustre avec un test interne éloquent : « Nous avons créé un bon nombre de sources pour manipuler ChatGPT et lui faire dire que la pizza préférée des Français en 2025 est la pizza hawaïenne. » Une démonstration concrète qu'une multiplication artificielle de mentions cohérentes peut induire un modèle en erreur.

Le marché du GEO est encore en phase d'hétérogénéité : « beaucoup font du "SEO++", quelques-uns tentent des stratégies plus offensives », selon Guisado. La croissance est néanmoins réelle, portée par un déplacement d'audience observable « du search vers la réponse ». La question de la robustesse des modèles face à ces manipulations coordonnées reste entière — et constitue l'un des défis techniques et éthiques majeurs pour les développeurs de LLMs dans les mois à venir.