Dossier Perplexity AI — page 2

Sarang Kulkarni : les enseignements du développement d'agents de recherche approfondie en production

Sarang Kulkarni, architecte chez Thoughtworks, a présenté lors de l'Arc of AI Conference 2026 les enseignements tirés du déploiement en production de systèmes d'agents de recherche approfondie. Ces systèmes, appelés Deep Research Agentic Systems, sont des agents IA capables de conduire des investigations en plusieurs étapes sur des questions complexes : ils combinent raisonnement dynamique, récupération d'information en chaîne (multi-hop retrieval) et génération de rapports analytiques structurés, allant bien au-delà des chatbots classiques. Ces architectures multi-agents représentent un saut qualitatif pour les entreprises qui ont besoin d'automatiser des tâches de veille, d'analyse concurrentielle ou de recherche documentaire. Là où un LLM standard répond à une question en une passe, un agent de recherche profonde décompose le problème, interroge plusieurs sources, valide ses hypothèses et synthétise un rapport cohérent. Le retour d'expérience de Thoughtworks, cabinet de conseil technologique présent dans le monde entier, est particulièrement précieux car il aborde les réalités du déploiement en production : latence, fiabilité, coûts opérationnels et maintenance des workflows. L'intervention de Kulkarni s'inscrit dans une tendance de fond : après l'engouement pour les LLMs, l'industrie entre dans une phase d'industrialisation des agents IA. Des acteurs comme Google avec Deep Research, Perplexity ou OpenAI ont popularisé le concept, mais les pratiques de déploiement en entreprise restent peu documentées. Les conférences spécialisées comme Arc of AI 2026 deviennent des espaces clés pour partager ce savoir tacite, avant que les standards de l'ingénierie agentique ne se cristallisent.

Le SaaS est-il mort ?

La question commence à circuler sérieusement dans les cercles tech : le SaaS est-il en train de mourir ? Dans sa newsletter Ben's Bites, l'investisseur et analyste Dan Shipper défend une thèse nuancée mais inquiétante pour les éditeurs de logiciels traditionnels. Le problème ne vient pas de ce que les entreprises peuvent désormais coder leurs propres outils grâce à l'IA, c'est un argument souvent avancé mais qui reste marginal en pratique. Le vrai problème, selon lui, est structurel : les outils SaaS sont conçus pour une base d'utilisateurs massive, ils grossissent en permanence, accumulent des fonctionnalités, modifient leurs interfaces, et finissent par dépasser les besoins réels de leurs clients. L'utilisateur ne voulait qu'une fraction du produit, et se retrouve prisonnier d'un outil qui a outgrown lui. Cette semaine, plusieurs actualités illustrent concrètement cette bascule : OpenAI a sorti du stade expérimental le mode "Goal" de Codex, qui permet d'exécuter des workflows en plusieurs étapes avec un objectif unique en tête. Le protocole MCP reçoit une mise à jour majeure dont la finalisation est prévue pour le 28 juillet, ajoutant le support natif pour les interfaces applicatives, les tâches longues, et des règles de sécurité renforcées. Perplexity a open-sourcé Bumblebee, un scanner de sécurité pour machines de développeurs qui détecte les packages risqués et les configurations d'agents IA sans exécuter les outils inspectés. Ce mouvement a des conséquences directes pour les entreprises qui achètent des logiciels. Si les outils rigides perdent de leur attrait, les architectures composables gagnent en valeur. WorkOS, dont le positionnement officiel est « un ensemble de blocs de construction pour ajouter rapidement des fonctionnalités enterprise à vos applications », et Stripe, qui propose ses services en modules indépendants, incarnent ce nouveau modèle. Pour les professionnels tech, l'enjeu est concret : ils peuvent désormais assembler un éditeur de documents ici, un agent là, et composer un outil sur mesure pour leur usage exact, sans payer pour l'excédent de features qu'ils n'utiliseront jamais. C'est ce que l'auteur appelle l'ère du « logiciel personnalisable ». La montée en puissance des agents IA accélère cette transformation. Un logiciel que l'on ne peut pas piloter par API, CLI ou SDK devient difficile à intégrer dans des workflows automatisés, et donc progressivement obsolète. Les startups qui parient sur cette logique prolifèrent : WorkOS vient de publier auth.md, un protocole ouvert permettant aux agents de s'enregistrer à des services web au nom des utilisateurs. Cloudsail propose des sandboxes Cloudflare fraîches pour agents de code, avec accès shell, Codex et GitHub. Un fondateur solo décrit même dans un billet comment il fait tourner une startup entière avec des agents IA dans les rôles de directeur de cabinet (OpenClaw) et d'ingénieurs (Codex, Devin). L'industrie SaaS n'est peut-être pas morte, mais son modèle monolithique, lui, est sérieusement menacé.

Nexos.ai : on a testé l’outil qui veut convaincre votre DSI que l’IA n’est pas une passoire

Nexos.ai, la plateforme développée par Nord Security, l'éditeur à l'origine de NordVPN, propose une solution de gouvernance de l'intelligence artificielle en entreprise. Le principe est simple : plutôt que de créer un nouveau modèle maison, Nexos fait office de hub centralisé permettant aux équipes d'accéder aux grands modèles du marché, OpenAI, Anthropic, Google, Mistral, depuis un environnement contrôlé, avec des journaux d'activité, des règles configurables et un administrateur aux commandes. L'interface, pensée pour être accessible sans formation, permet de choisir son modèle via un menu déroulant, de définir un profil global avec des instructions permanentes, et de désactiver la mémorisation d'un simple interrupteur. Un détail attire l'attention : un drapeau européen signale les modèles traités sur des serveurs en Europe, garantie concrète pour les entreprises soumises au RGPD. Côté routing, la plateforme dirige intelligemment les tâches vers le modèle le plus adapté, un modèle d'embedding Mistral pour indexer un PDF, sans mobiliser un modèle coûteux, sans que l'utilisateur n'ait à intervenir. L'enjeu adressé est loin d'être anecdotique. Le phénomène dit du "Shadow AI", ces salariés qui utilisent leur compte personnel ChatGPT ou Claude pour coller des contrats, des roadmaps ou des bilans RH, représente en 2026 l'un des principaux vecteurs de fuite de données sensibles en entreprise, non par malveillance, mais faute d'alternative sérieuse mise à disposition. Nexos tente de combler ce vide en offrant aux DSI une visibilité réelle sur les usages, et aux employés un outil suffisamment fluide pour ne pas générer de contournements. Pour un DAF surveillant sa facture cloud, l'optimisation automatique du routing entre modèles représente aussi un argument économique tangible, invisible pour l'utilisateur final mais visible dans les coûts d'infrastructure. Nord Security n'est pas un inconnu dans l'espace cybersécurité : l'entreprise a construit sa réputation sur NordVPN, un produit grand public devenu référence dans la protection de la vie privée en ligne. Ce positionnement lui confère une crédibilité initiale sur le marché de la gouvernance IA, un segment en pleine structuration alors que les régulations se durcissent des deux côtés de l'Atlantique, l'AI Act européen en tête. La limite que la revue identifie est structurelle : les promesses de "forteresse numérique" ne peuvent être vérifiées sans audit technique indépendant, et l'utilisateur doit in fine faire confiance à la réputation de l'éditeur. Dans un marché où les offres se multiplient, Microsoft Copilot, Glean, Perplexity Enterprise, Nexos mise sur la simplicité d'adoption et la conformité RGPD comme différenciateurs, deux arguments qui résonnent particulièrement auprès des ETI et grandes entreprises européennes encore hésitantes à franchir le pas.

Ask YouTube et Ask Maps : La fin de la recherche par mots-clés est-elle actée ?

Google a officiellement présenté "Ask YouTube" lors de sa conférence Google I/O le 19 mai 2026, une fonctionnalité qui transforme la recherche sur la plateforme vidéo en expérience conversationnelle. Alimentée par Gemini, l'IA maison de Google, elle permet aux utilisateurs de formuler des requêtes en langage naturel, comme "des avis de créateurs sur des jeux relaxants avant de dormir" ou "comment apprendre à un enfant à faire du vélo", plutôt que de saisir des mots-clés isolés. En réponse, le système propose une sélection de vidéos pertinentes, y compris des Shorts, accompagnée de résumés textuels structurés. L'utilisateur peut ensuite affiner sa recherche par questions successives, dans une logique de dialogue continu. La fonctionnalité est actuellement en test limité aux abonnés américains de YouTube Premium âgés de plus de 18 ans, avec un lancement prévu aux États-Unis dès l'été 2026 avant une extension progressive à d'autres pays. Cette évolution dépasse le simple confort d'utilisation : elle redéfinit la relation entre l'utilisateur et le moteur de recommandation de YouTube, qui est déjà le deuxième site le plus visité au monde. L'une des fonctions les plus significatives est la capacité de l'IA à pointer directement vers le passage exact d'une vidéo contenant la réponse recherchée, évitant ainsi de parcourir des tutoriels de vingt minutes pour trouver trente secondes d'information utile. Cette technologie, déjà déployée dans Google Search, est ici appliquée à la vidéo à grande échelle. Pour les créateurs de contenu, cela modifie aussi les règles du jeu : la visibilité ne dépendra plus seulement des titres et des tags optimisés, mais de la pertinence sémantique du contenu au sein même des vidéos. Ask YouTube s'inscrit dans une stratégie plus large de Google visant à intégrer Gemini dans l'ensemble de ses produits phares. Ask Maps, lancé en mars 2026, avait ouvert la voie en permettant des conversations avec l'IA directement depuis Google Maps sans interrompre la navigation. Ces deux déploiements signalent une rupture assumée avec la recherche par mots-clés, modèle dominant depuis plus de vingt ans. Google fait face à une pression croissante de la part de concurrents comme Perplexity, ChatGPT Search ou encore Bing, qui ont tous misé sur la recherche conversationnelle. En intégrant cette logique au sein de plateformes déjà massivement adoptées, Mountain View cherche à conserver sa domination sans forcer les utilisateurs à changer d'habitudes, la transition se faisant dans les outils qu'ils utilisent déjà quotidiennement.

Gregory Nicolaidis, avec l’IA générative, « produire plus ne sert plus à rien. Il faut produire plus cohérent. »

Gregory Nicolaidis, fondateur et stratège en content marketing, tire la sonnette d'alarme sur une mutation profonde du secteur : l'avènement de l'IA générative met fin à la logique du volume qui a dominé le web pendant deux décennies. Dans une interview accordée à FW.MEDIA, il formule un constat tranché, "produire plus ne sert plus à rien, il faut produire plus cohérent", résumant le virage stratégique que les équipes marketing doivent opérer dès maintenant pour rester visibles dans un écosystème de recherche en pleine recomposition. L'enjeu est concret : les entreprises ne luttent plus seulement pour des positions sur Google, mais pour apparaître dans les réponses synthétisées de ChatGPT, Claude, Gemini ou Perplexity. Ces assistants ne listent pas dix liens, ils proposent une réponse unique. Si une marque ou un expert n'est pas cité dans ces synthèses, il disparaît du radar d'une part croissante des utilisateurs qui ne cliquent plus jamais sur un résultat traditionnel. La qualité, la cohérence éditoriale et l'autorité thématique deviennent les nouveaux critères de référencement. Cette transformation s'inscrit dans une évolution plus large du comportement des internautes, qui délèguent de plus en plus leur recherche d'information à des agents conversationnels. Pour les équipes marketing, cela implique de repenser entièrement leur architecture de contenu : privilégier la profondeur thématique sur la fréquence de publication, construire une identité éditoriale reconnaissable et structurer l'information de façon à ce qu'elle soit facilement ingérable par les modèles de langage. Le SEO classique ne disparaît pas, mais il cède du terrain à ce que certains appellent déjà le GEO, ou Generative Engine Optimization.

Amazon lance Alexa pour le shopping tandis que Rufus passe en arrière-plan

Amazon a officiellement lancé Alexa for Shopping, une nouvelle expérience d'achat qui fusionne son assistant conversationnel Rufus avec Alexa+, disponible depuis mai 2026 sur l'application Amazon, le site web et les appareils Echo Show. La fonctionnalité est déployée en priorité aux États-Unis et accessible gratuitement à tout client connecté, sans abonnement Prime ni appareil dédié requis. Concrètement, l'assistant permet de répondre à des questions produit, comparer des articles côte à côte, suivre les baisses de prix jusqu'à un an, créer des guides d'achat pour les gros achats, et déclencher des actions d'achat automatisées sous conditions. Andy Jassy, PDG d'Amazon, a révélé que les utilisateurs actifs mensuels de Rufus avaient progressé de plus de 115 % en 2025, avec un engagement en hausse de près de 400 % sur un an, et que l'outil avait accompagné plus de 300 millions de clients dans leurs recherches et achats. Le nom Rufus disparaît de l'interface publique mais continue d'alimenter le moteur en coulisses. Ce lancement représente un tournant dans la manière dont Amazon intègre l'IA générative au cœur de son tunnel d'achat. En embarquant l'assistant directement dans la barre de recherche principale, Amazon supprime la friction d'un chatbot séparé et positionne l'IA comme couche d'interaction par défaut. Les utilisateurs peuvent désormais poser des questions contextuelles comme "quelle routine skincare pour hommes ?" ou "quand ai-je commandé des piles AA ?" et obtenir des réponses nourries par leur historique d'achats, de navigation et de conversations Alexa. La fonctionnalité Buy for Me va encore plus loin en permettant à l'IA d'effectuer des achats autonomes sur des sites tiers via Shop Direct, avec l'adresse et le moyen de paiement principal du client. Pour les Echo Show 15 et 21, Amazon ouvre désormais un accès complet au catalogue, pilotable à la voix ou au toucher. Ce mouvement s'inscrit dans une compétition directe avec Google Shopping, Perplexity et d'autres moteurs de découverte produit augmentés par l'IA. Amazon, qui a enregistré 426,3 milliards de dollars de ventes nettes en Amérique du Nord et 161,9 milliards à l'international en 2025, cherche à consolider son avance sur l'ensemble du parcours client, de la recherche à l'achat automatisé. L'enjeu est aussi celui de la confiance : en utilisant l'historique personnel, les interactions Alexa et les préférences déclarées (membres de la famille, animaux, régimes alimentaires), Amazon construit un profil d'acheteur intime que les concurrents peinent à répliquer. Les prochains mois diront si les consommateurs acceptent ce niveau de personnalisation, ou si les questions de vie privée freinent l'adoption.

💬 Le vrai move d'Amazon ici, c'est pas de renommer Rufus, c'est de foutre l'IA directement dans la barre de recherche principale, là où les gens tapent déjà depuis vingt ans. "Buy for Me" qui achète à ta place sur des sites tiers, bon, sur le papier c'est dingue. Reste à voir combien d'utilisateurs vont vraiment lâcher leur carte bancaire à un bot, surtout en Europe où le RGPD va s'inviter à la fête.

Google affirme que le référencement traditionnel suffit pour l'IA, et que le GEO et l'AEO sont des mythes

Google a officiellement pris position contre deux tendances montantes du secteur du référencement : la "generative engine optimization" (GEO) et l'"answer engine optimization" (AEO). Dans une nouvelle documentation publiée récemment, l'entreprise affirme que ces concepts ne sont que du SEO classique rebaptisé. Google démonte également plusieurs tactiques populaires promues par l'industrie, notamment l'utilisation de fichiers LLMS.txt et le "content chunking" (découpage du contenu en blocs), en précisant clairement qu'elles n'apportent aucun avantage spécifique pour le référencement dans les moteurs de recherche alimentés par l'IA. Cette prise de position a des conséquences directes pour les professionnels du marketing digital et les agences SEO qui ont investi dans ces nouvelles approches. Elle signifie que les entreprises qui ont adapté leur stratégie de contenu spécifiquement pour les moteurs génératifs comme Gemini ou AI Overviews n'ont probablement pas besoin de le faire : les mêmes critères de qualité, de pertinence et d'autorité qui gouvernent le référencement traditionnel s'appliquent également aux résultats générés par l'IA. Cette clarification intervient alors que l'essor de l'IA générative a provoqué une véritable fièvre dans le secteur du SEO, avec l'émergence rapide de consultants et d'outils spécialisés en GEO et AEO. Google, dont le moteur de recherche reste dominant avec plus de 90 % de parts de marché mondial, cherche visiblement à calmer ces spéculations et à maintenir la cohérence de son écosystème de référencement face à la montée en puissance des concurrents IA comme Perplexity ou SearchGPT d'OpenAI.

💬 Du SEO rebaptisé avec un nom qui claque, vendu à prix d'or pendant 18 mois. Google le dit noir sur blanc : le contenu de qualité reste le seul vrai signal, que ce soit pour Gemini ou le bon vieux PageRank. Les agences qui ont facturé des audits AEO à leurs clients vont devoir s'expliquer.

Google teste un chatbot de recherche IA sur YouTube

Google expérimente une nouvelle fonctionnalité de recherche conversationnelle sur YouTube, dans la lignée de son "AI Mode" déployé sur son moteur de recherche principal. Disponible depuis peu pour les abonnés YouTube Premium aux États-Unis âgés de 18 ans et plus, cette fonction introduit un bouton "Ask YouTube" directement dans la barre de recherche. L'interface propose des requêtes suggérées comme "clips de bébé éléphant jouant", "résumé des règles du volleyball" ou "courte histoire de la mission Apollo 11", et les résultats combinent vidéos longues, YouTube Shorts et contenu textuel. Cette évolution transforme YouTube d'un simple moteur de recherche vidéo en une interface de dialogue, où l'utilisateur peut formuler des questions naturelles plutôt que des mots-clés. L'intégration de Shorts et de vidéos longues dans une même réponse contextuelle pourrait modifier profondément les habitudes de consommation de contenu, en particulier pour les recherches éducatives ou informatives, où l'utilisateur cherche une réponse directe plutôt qu'une liste de résultats à trier. Cette expérimentation s'inscrit dans la stratégie d'ensemble de Google visant à infuser l'IA générative dans tous ses produits phares. Après le déploiement de l'AI Mode dans Google Search et des résumés IA dans Gmail et Docs, YouTube devient le prochain terrain d'essai. La restriction aux abonnés Premium suggère une phase de test contrôlée avant un éventuel déploiement plus large, dans un contexte où des concurrents comme Perplexity ou ChatGPT empiètent sur le terrain de la recherche d'information par vidéo.

NeoCognition lève 40 millions pour bâtir des agents IA experts dans tous les domaines

La start-up américaine NeoCognition a annoncé le 21 avril 2026 une levée de fonds de 40 millions de dollars en seed, conduite par Cambium Capital et Walden Catalyst Ventures, avec la participation de Vista Equity Partners. L'entreprise, fondée par Yu Su, professeur à l'Université d'État de l'Ohio et spécialiste reconnu des systèmes d'agents IA, se positionne sur un défi précis : faire passer les agents IA du statut de généralistes approximatifs à celui d'experts fiables dans des domaines métiers spécifiques. Finance, santé, logistique, chaque secteur a ses propres règles, contraintes et interactions, et c'est exactement ce que NeoCognition entend apprendre à ses agents à maîtriser de manière autonome, sans intervention humaine constante. Le problème central que la start-up cherche à résoudre est bien documenté : selon Yu Su, les agents IA actuels, qu'ils soient issus de Perplexity, Claude ou d'autres plateformes, n'atteignent qu'environ 50 % de taux de réussite sur des tâches complexes. Un chiffre rédhibitoire pour toute automatisation sérieuse en entreprise, où chaque erreur peut avoir des conséquences opérationnelles ou financières. La différence clé repose sur l'apprentissage : là où les agents existants se contentent de relancer des requêtes en cas d'échec, NeoCognition veut construire des systèmes qui s'améliorent réellement en continu, en internalisant progressivement les règles d'un domaine donné, à la manière dont un humain devient expert à force de pratique et de retour d'expérience. C'est ce mécanisme d'auto-spécialisation qui constitue le coeur de la proposition technologique. Yu Su a longtemps hésité à commercialiser ses recherches académiques, mais il a finalement franchi le pas en constatant que les progrès récents des modèles fondamentaux rendaient enfin envisageable la création d'agents réellement personnalisables et opérationnels à l'échelle industrielle. NeoCognition s'inscrit dans une vague plus large de startups qui ciblent le marché B2B plutôt que le grand public, pariant sur la fiabilité comme avantage concurrentiel décisif face aux grands acteurs généralistes. Les investisseurs semblent partager ce diagnostic : Vista Equity Partners, habitué des logiciels d'entreprise, et les deux fonds lead témoignent d'un intérêt croissant pour des modèles capables d'industrialiser des cas d'usage à haute exigence. Si NeoCognition tient ses promesses, elle pourrait combler le fossé persistant entre les démonstrations technologiques spectaculaires de l'IA et un déploiement professionnel digne de confiance.

AI Overviews : Google conteste le taux de 10% d’erreurs, mais en dénombre lui-même… 22%

Le New York Times a mandaté la start-up Oumi pour analyser les AI Overviews de Google, ces résumés générés par IA qui apparaissent en tête des résultats de recherche, à l'aide du benchmark SimpleQA, publié par OpenAI en 2024 et comportant plus de 4 000 questions à réponses vérifiables. Deux séries de tests ont été conduites : une première en octobre 2025 avec le modèle Gemini 2, une seconde en février 2026 après migration vers Gemini 3, sur un corpus identique de 4 326 recherches Google. Résultat : Gemini 2 répondait correctement dans 85 % des cas, Gemini 3 dans 91 %. Mais le NYT souligne un autre problème : plus de la moitié des réponses correctes de Gemini 3 sont « non étayées », c'est-à-dire qu'elles renvoient vers des sources qui ne confirment pas entièrement l'information fournie, un taux qui a bondi de 37 % à 56 % entre octobre et février, soit une hausse de 50 %. Google a contesté ces chiffres, jugeant que SimpleQA, conçu par un concurrent direct, constitue un benchmark biaisé. Le problème dépasse la simple question de précision technique. Google traite plus de cinq mille milliards de recherches par an, ce qui signifie, selon le calcul du NYT, que des dizaines de millions de réponses erronées sont distribuées chaque heure. À cette échelle, une marge d'erreur de 9 % se traduit par des centaines de milliers d'inexactitudes par minute, diffusées à des utilisateurs qui, selon une étude citée dans l'article, ne vérifient pas les réponses fournies par les IA dans 92 % des cas. La mention « L'IA peut se tromper » affichée en petits caractères sous chaque résumé apparaît donc largement insuffisante face à l'ampleur du phénomène. Le paradoxe central de cette affaire est que Google, en contestant le benchmark d'OpenAI, a mis en avant son propre outil de mesure, révisé pour être, selon ses termes, « plus précis ». Or cet outil interne aboutit à un taux d'erreur supérieur à 20 %, soit le double du chiffre que Google cherchait à réfuter. La situation illustre la tension structurelle à laquelle font face les grands moteurs de recherche : intégrer des LLMs pour rester compétitifs face à ChatGPT et Perplexity, tout en assumant une responsabilité éditoriale sur des milliards de réponses quotidiennes. Gemini 3 progresse en précision brute, mais dégrade simultanément la traçabilité des sources, un compromis qui soulève des questions durables sur la fiabilité des interfaces IA comme point d'entrée unique vers l'information.

“Le e-commerce passe du mot-clé au contexte” : Roxane Laigle, CEO de LEMROCK décrypte la bascule vers les IA

Le commerce en ligne traverse une mutation structurelle dans son rapport à la visibilité, selon Roxane Laigle, CEO de LEMROCK, entreprise spécialisée dans la stratégie digitale. Pendant deux décennies, les marques ont bâti leur présence en ligne sur le mot-clé, le référencement naturel et l'optimisation des pages produits, une logique entièrement tournée vers les moteurs de recherche traditionnels. Avec la montée en puissance des interfaces conversationnelles portées par l'intelligence artificielle, cette grammaire est en train de changer. La bascule est concrète : là où un consommateur tapait autrefois "chaussures running homme taille 42", il pose désormais une question à un assistant IA qui synthétise une réponse sans nécessairement renvoyer vers un site marchand précis. Pour les e-commerçants, cela signifie que la logique du clic et du classement cède la place à celle du contexte : une marque doit désormais être compréhensible et recommandable par une IA, pas seulement indexable par un algorithme. Les fiches produits, les contenus et les données structurées doivent être repensés en conséquence. Ce changement s'inscrit dans une transformation plus large portée par l'essor de ChatGPT, Perplexity et des assistants intégrés aux navigateurs, qui modifient profondément les flux de trafic vers les sites marchands. Les acteurs du SEO et du marketing e-commerce sont contraints d'anticiper un monde où la visibilité ne se mesure plus en position Google mais en capacité à alimenter les réponses des modèles de langage, un défi stratégique encore largement sous-estimé par les enseignes.

💬 La transformation est réelle, et les flux de trafic bougent déjà pour ceux qui regardent leurs analytics de près. Ce que beaucoup ratent, c'est que le problème n'est pas "comment plaire à l'IA" mais "est-ce que mes données produits sont assez propres pour qu'un LLM les comprenne sans tout réinventer". Reste à voir combien d'agences vont vendre ça 15 000€/mois en renommant leur vieille offre SEO.

Le trafic issu des LLM convertit à 30-40 % et la plupart des entreprises n'en tirent pas parti

Le trafic généré par les grands modèles de langage (LLM) convertit à un taux de 30 à 40 %, soit deux à trois fois plus que le trafic SEO classique, selon plusieurs observations terrain rapportées en 2026. Pourtant, la majorité des entreprises n'optimisent pas encore leur contenu pour ce canal. Un nouveau paradigme émerge : l'AEO (Answer Engine Optimization), aussi appelé GEO (Generative Engine Optimization). Là où le SEO visait des mots-clés, des classements et des clics, l'AEO vise à être compris, sélectionné et cité par des agents IA comme Claude Code, Microsoft Copilot, Perplexity, Google Vertex ou AutoGen. Ces systèmes ne "naviguent" pas le web comme un humain : ils analysent l'intention de l'utilisateur en tenant compte du contexte et de la mémoire des sessions passées, puis synthétisent une réponse directe sans que l'utilisateur ne visite nécessairement le site source. Dustin Engel, fondateur du cabinet Elegant Disruption, résume : "L'AEO est la couche de découverte suivante" -- une "découverte zéro clic" où la citabilité remplace la visibilité. L'impact est concret et immédiat pour les équipes marketing, commerciales et les éditeurs de contenu. Lorsqu'un agent synthétise une réponse, le taux de clic vers le site de l'entreprise chute, mais la qualité du trafic résiduel explose. Adam Yang, de la plateforme Quora, estime que l'AEO est déjà devenu le comportement par défaut pour toute requête où l'utilisateur veut une réponse synthétisée : comparaisons de produits, recommandations de méthodes, analyses de marché. Google Overviews accélère cette dynamique côté grand public. "Le SEO n'est pas mort," précise Yang, "mais l'objectif d'optimisation a changé : il ne s'agit plus d'apparaître en page 1, mais d'être cité dans la réponse." Pour les entreprises, cela signifie repenser leur façon de structurer l'information : contenus concis, factuels, bien structurés, conçus pour être extraits et cités par une machine plutôt que parcourus par un humain. Ce changement s'inscrit dans une évolution plus profonde de la façon dont les professionnels travaillent. Wyatt Mayham, analyste chez Northwest AI Consulting, indique qu'il n'utilise "quasiment plus" la recherche traditionnelle pour ses besoins professionnels, et que cette proportion se rapproche de zéro chaque mois. Son cabinet a notamment développé une fonction Claude Skills qui, avant chaque appel de prospection, déclenche automatiquement un agent qui agrège le profil LinkedIn du contact, scrape le site de son entreprise, interroge des sources comme ZoomInfo, et produit une fiche synthétique avec revenus, taille d'équipe et signaux d'achat. Le modèle "cherche, lis, décide" évolue vers "l'agent récupère, l'agent résume, l'humain valide" -- et bientôt, "l'agent agit, l'humain contrôle". Les entreprises qui n'adaptent pas leur stratégie de contenu à cette nouvelle réalité risquent de devenir invisibles dans un écosystème où c'est désormais la machine qui choisit ses sources.

SEO : doit-on désormais écrire pour les LLM ?

Le référencement naturel traverse une mutation profonde : avec l'essor des grands modèles de langage (LLM) comme ChatGPT, Perplexity ou Google SGE, une nouvelle discipline émerge, baptisée GEO (Generative Engine Optimization) ou AEO (Answer Engine Optimization). Jessica Michenaud, cheffe de projet SEO chez l'agence française Galopins, analyse cette transformation et la manière dont les professionnels du secteur doivent adapter leurs pratiques pour apparaître non plus seulement dans les moteurs de recherche classiques, mais dans les réponses générées par l'IA. L'enjeu est considérable pour les éditeurs de contenus et les marques : si les LLM deviennent le premier point de contact entre l'internaute et l'information, être cité ou synthétisé par ces systèmes devient aussi stratégique qu'un positionnement en première page Google. La bonne nouvelle, selon Michenaud, est que l'exigence éditoriale — contenu précis, sourcé, structuré, à forte valeur ajoutée — reste le critère déterminant. Les contenus creux optimisés pour le clic résistent moins bien que les articles de fond que les LLM jugent dignes d'être cités. Ce débat s'inscrit dans un contexte où Google lui-même intègre des résumés génératifs dans ses résultats (AI Overviews), réduisant potentiellement le trafic vers les sites sources. Des acteurs comme Perplexity ou Claude d'Anthropic captent une part croissante des requêtes informationnelles. Les agences SEO sont ainsi contraintes de repenser leurs modèles : optimiser les balises et la densité de mots-clés ne suffit plus — il faut désormais produire des contenus que les LLM considèrent comme des références fiables, ce qui rapproche paradoxalement le SEO du journalisme de qualité.

Quels types de contenus les IA génératives citent vraiment (et ceux qu’elles ignorent)

Une étude publiée le 23 mars par Tom Wells, chercheur spécialisé en GEO (Generative Engine Optimization) chez Wix, révèle que les outils d'IA générative — désormais utilisés comme moteurs de recherche alternatifs — ne citent pas les contenus de façon aléatoire. Selon ses analyses, trois formats de contenu concentrent l'essentiel des références générées par les LLM, tandis que la grande majorité des autres types de pages est systématiquement ignorée. Ce constat a des implications directes pour les équipes marketing et SEO qui misent sur la visibilité dans les réponses générées par ChatGPT, Perplexity ou Google AI Overviews. Contrairement au référencement classique, où la densité de mots-clés et les backlinks dominent, les LLM semblent privilégier la structure, la clarté factuelle et l'autorité perçue d'un contenu. Les marques qui ne s'adaptent pas à ces critères risquent de disparaître totalement de la surface d'information consommée par des millions d'utilisateurs. Ce travail s'inscrit dans un champ émergent — le GEO — qui tente de décoder les règles implicites de sélection des grandes IA conversationnelles, de la même façon que le SEO a décrypté les algorithmes de Google dans les années 2000. Wix, en finançant cette recherche, positionne sa plateforme sur ce terrain stratégique. Les conclusions de Wells devraient alimenter les débats sur la concentration de l'attention dans un écosystème où quelques formats favorisés captent l'essentiel de la visibilité éditoriale.

L'avenir de l'IA entre ouverture et propriétaire

L'intelligence artificielle s'impose comme l'infrastructure technologique centrale de notre époque, portée par un écosystème diversifié de modèles — grands et petits, ouverts et propriétaires, généralistes et spécialisés. Lors d'une session spéciale consacrée aux modèles ouverts à la conférence NVIDIA GTC, Jensen Huang, fondateur et PDG de NVIDIA, a résumé la situation en une phrase : « Propriétaire versus open source n'est pas un débat. C'est propriétaire et open source. » Pour illustrer cet engagement, NVIDIA a annoncé la création de la Nemotron Coalition, une collaboration mondiale inédite regroupant des laboratoires d'IA et des développeurs de modèles pour faire avancer les modèles fondamentaux ouverts. Le premier projet issu de cette coalition sera un modèle de base codéveloppé par Mistral AI et NVIDIA, dont les membres apporteront données, évaluations et expertise sectorielle. Les modèles Nemotron ont déjà été téléchargés plus de 45 millions de fois sur Hugging Face, plateforme sur laquelle NVIDIA est désormais la plus grande organisation avec près de 4 000 membres d'équipe. Plusieurs panels réunissant des figures majeures du secteur — dont Mira Murati (Thinking Machines Lab), Aravind Srinivas (Perplexity), Michael Truell (Cursor) et Arthur Mensch (Mistral) — ont dégagé des tendances clés. Les agents IA s'apprêtent à devenir de véritables collègues capables de mener des tâches complexes sur plusieurs jours. L'IA n'est plus un modèle unique mais un système orchestré : « ce que vous voulez, c'est une orchestra multimodale, multi-modèles et multi-cloud », a déclaré Srinivas. L'ouverture des modèles est présentée comme un moteur d'innovation indispensable, aussi bien pour les grandes entreprises que pour la recherche académique. Murati a insisté sur ce point : « il y a beaucoup d'études à mener qui ne peuvent pas être réalisées uniquement dans les grands laboratoires — c'est là que l'ouverture est précieuse, elle fait avancer la science de l'intelligence. » Cette dynamique s'inscrit dans un tournant structurel où chaque secteur — santé, finance, industrie — a besoin d'une IA adaptée à ses données et workflows spécifiques, rendant la coexistence de modèles ouverts et propriétaires non seulement inévitable, mais souhaitable pour accélérer l'innovation à tous les niveaux.

GEO : stratégies infaillibles pour apparaître dans les réponses IA

En 2026, être premier sur Google ne suffit plus. Les moteurs de recherche basés sur l'intelligence artificielle — ChatGPT, Perplexity, Gemini — s'imposent comme de nouveaux points d'entrée majeurs vers l'information et les marques. ChatGPT revendique à lui seul 900 millions d'utilisateurs hebdomadaires, et sur Google, un résultat sur quatre est désormais accompagné d'un aperçu généré par l'IA. Face à cette réalité, une nouvelle discipline s'impose : le GEO, ou Generative Engine Optimization, qui consiste à optimiser sa présence non plus pour les algorithmes classiques, mais pour les réponses formulées directement par les IA. Les premières étapes recommandées sont concrètes : identifier 10 à 15 questions représentatives de sa clientèle cible, les tester régulièrement sur les principales plateformes IA, et cartographier les citations de sa marque par rapport à celles des concurrents. Ce suivi mensuel est indispensable, car les modèles évoluent en permanence. Ce changement de paradigme oblige les entreprises à repenser leur stratégie de contenu de fond en comble. Les moteurs d'IA ne citent pas n'importe quelle source : ils privilégient les textes précis, structurés, étayés par des données chiffrées et des avis d'experts, organisés autour des questions réelles des utilisateurs avec des titres clairs et des FAQ. Le balisage de schéma et les données structurées facilitent l'intégration du contenu dans les réponses générées. Développer une autorité thématique profonde sur un sujet, plutôt que de disperser ses efforts sur de nombreux articles superficiels, devient un avantage décisif. À cela s'ajoute une recommandation moins attendue : investir Reddit et les forums communautaires. Les IA considèrent ces échanges comme des sources fiables ; une présence authentique sur 2 à 3 semaines, sans autopromotion agressive mais avec une participation honnête mentionnant avantages et limites d'un produit, augmente significativement les chances d'être repris. Enfin, figurer dans des classements publiés par des sites de référence reste un levier puissant, les IA s'appuyant volontiers sur ces listes pour formuler leurs recommandations. Le SEO traditionnel n'est pas mort pour autant — il reste la fondation sur laquelle repose le GEO, puisque les IA puisent souvent dans les pages les mieux classées sur Google pour construire leurs réponses. La visibilité dans les moteurs génératifs n'est donc pas une alternative au référencement classique, mais une couche supplémentaire qui suppose de le maîtriser d'abord.

LinkedIn s’impose comme une source clé pour les réponses des IA

LinkedIn s'impose comme une source majeure pour les moteurs de recherche IA comme ChatGPT, Google AI Mode et Perplexity, qui s'appuient désormais sur des plateformes diversifiées au-delà des sites web classiques. Cette évolution rend le choix des sources stratégique pour les marques et créateurs de contenu souhaitant apparaître dans les réponses générées par l'IA.

LinkedIn : comment apparaître dans les réponses des IA

Une étude Semrush portant sur 89 000 URL LinkedIn analysées par ChatGPT, Google AI Mode et Perplexity identifie les facteurs clés de visibilité dans les réponses générées par IA. Les résultats révèlent comment optimiser sa présence LinkedIn pour apparaître dans ces réponses de plus en plus consultées.