Les IA cherchent 3,2× plus les marques qu'elles connaissent

Actualité : Le 30 juillet 2026, la société d'analyse geoSurge a publié une étude longitudinale montrant qu'un modèle génératif lance 3,2 fois plus de recherches sur une marque qu'il a déjà en mémoire que sur une marque qu'il ne connaît pas : 55,7 % des cas contre 17,4 %. L'étude porte sur 3 960 réponses et 13 281 requêtes générées par le modèle lui-même (geoSurge, 30 juillet 2026).

Réponse directe : quand un moteur IA répond à une question, il ne lit pas le web puis choisit. Il commence par décider quoi chercher, et cette décision s'appuie sur ce qu'il a retenu de son entraînement. L'étude geoSurge quantifie ce biais pour la première fois en séparant les deux mesures : ce que le modèle a en mémoire, et ce qu'il cherche réellement. Le résultat est un rapport de 3,2. Autrement dit, l'essentiel du tri concurrentiel a déjà eu lieu avant que la moindre de vos pages soit lue. Une page irréprochable qu'aucune requête ne fait remonter n'a aucune chance d'être citée, non pas parce qu'elle a été jugée insuffisante, mais parce qu'elle n'a jamais été jugée du tout.

Ce que l'étude mesure exactement

Le protocole, publié par geoSurge, court du 29 mai au 9 juin 2026. Soixante-six questions d'acheteurs américains, réparties sur neuf secteurs (voyage, automobile, finance, logiciels d'entreprise, éducation, restauration, luxe, forme et bien-être, mode) ont été posées soixante fois chacune, à raison de cinq itérations quotidiennes. Cela donne environ 3 960 réponses, qui ont elles-mêmes déclenché 13 281 requêtes de recherche, soit près de 3,4 recherches par réponse. Le comportement de recherche a été observé sur les requêtes de fan-out de Gemini 3.5 Flash en production ; la mémoire, elle, a été mesurée séparément, selon la méthodologie propre à geoSurge. Au total, 1 416 observations de marques, dont 492 mémorisées et 924 non mémorisées.

Le résultat central tient dans une phrase des auteurs : « A brand the model remembers from training is searched about 3× as often as one it doesn't », soit : une marque dont le modèle se souvient est recherchée environ trois fois plus souvent qu'une marque inconnue de lui. Le gradient est régulier, ce qui rend le signal plus crédible qu'un simple écart binaire.

Un détail resserre encore l'entonnoir : parmi les requêtes qui nomment effectivement une marque, 63 % désignent l'une des cinq marques les mieux mémorisées par le modèle. La notoriété ne se contente pas d'ouvrir la porte, elle capte l'essentiel du passage.

Le point que personne n'a relevé : 69 % des requêtes ne nomment personne

La lecture pessimiste de cette étude est évidente : les gros deviennent plus gros, une PME n'a aucune chance. Elle est incomplète, et le chiffre qui la corrige se trouve dans l'étude elle-même. Sur l'ensemble des requêtes de fan-out mesurées, seules 31 % contiennent un nom de marque. Les 69 % restants sont des requêtes génériques : un problème à résoudre, un critère de comparaison, une contrainte d'usage.

Ces deux populations de requêtes n'obéissent pas aux mêmes règles. Sur les 31 % de requêtes nominatives, la partie est jouée d'avance et se joue sur la notoriété. Sur les 69 % génériques, le modèle ne cherche pas une marque : il cherche une réponse. L'arbitrage y redevient un arbitrage de pertinence, où une entreprise inconnue peut apparaître dans le jeu de résultats et se faire citer. C'est le mécanisme que nous avions observé en documentant pourquoi des pages situées hors du top 10 de Google se retrouvent citées par les IA : le moteur ne récompense pas le rang, il récompense l'adéquation à une requête précise.

La conséquence opérationnelle est nette. Si vous n'êtes pas une marque installée, le contenu qui vous rapporte n'est pas celui qui parle de vous : c'est celui qui répond exactement à la question générique que le modèle va poser à votre place. Le travail consiste à deviner ces requêtes intermédiaires, pas à optimiser une page « qui sommes-nous ».

L'autre moitié du problème : l'effet est réel, mais invisible dans vos analytics

Une deuxième publication, indépendante de geoSurge, complète le tableau côté résultat. Dans « From Prompt to Purchase », déposé sur arXiv le 9 juin 2026, Michael Iannelli et Alan Ai ont relié des conversations ChatGPT, Claude et Gemini aux données de navigation réelles des mêmes utilisateurs. Quand un assistant recommande une marque à un utilisateur qui n'avait aucun historique avec elle, les auteurs mesurent +4,3 points de pourcentage de recherches Google sur cette marque (intervalle de confiance à 95 % : 3,1 à 5,5), +2,4 points de visites sur son site (1,4 à 3,5) et +1,0 point de visites sur une page revendeur (0,3 à 1,7).

Deux enseignements. D'abord, la recommandation par une IA n'est pas un signal de vanité : elle déplace un comportement mesurable. Ensuite, et c'est le plus gênant, elle le déplace vers Google. L'utilisateur lit la recommandation, puis va chercher la marque par son nom. La visite arrive donc dans vos statistiques étiquetée « recherche de marque », et le mérite en revient au SEO. Les auteurs le formulent sans détour : les mesures fondées sur le référent et le dernier clic manquent cette exposition en amont. Autrement dit, votre tableau de bord attribue au bon canal un effet produit par un autre, exactement le même angle mort que celui décrit dans notre analyse de la part de voix dans AI Mode.

Une précision utile de l'étude arXiv : les mentions incidentes, celles où le nom apparaît sans être recommandé (« votre téléchargement Netflix »), produisent des effets nettement plus faibles : +1,8, +1,1 et +0,3 point. Être nommé ne suffit pas ; c'est la recommandation qui déplace le comportement.

Ce qu'il faut faire maintenant

1. Cartographier vos requêtes génériques, pas vos mots-clés de marque. Listez les dix formulations de problème qu'un acheteur emploierait sans connaître aucun fournisseur, et vérifiez si vous avez une page qui y répond frontalement. C'est le terrain des 69 %.
2. Traiter la mémoire du modèle comme un objectif de relations presse, pas de SEO. geoSurge conclut que l'autorité de catégorie durable, construite par la couverture presse et analyste et les signaux de partenariat, alimente la mémoire au moment de l'entraînement, et constitue « la position la plus durable ». Une mention sur un site tiers reconnu pèse ici plus lourd qu'une page supplémentaire chez vous.
3. Cesser de juger vos citations IA au trafic référent. Suivez plutôt le volume de recherches sur votre nom de marque : c'est là que l'effet atterrit. Une hausse des requêtes de marque sans campagne payante est le symptôme le plus probable d'une exposition dans les moteurs IA.
4. Rendre vos pages lisibles hors contexte. Un extrait cité voyage sans le reste de la page. Les critères de traçabilité que nous détaillions à propos des cinq signaux de confiance d'OKF v0.2, à savoir la source nommée, sa date de vérification, puis l'auteur identifiable, s'appliquent directement.
5. Arrêter de produire du contenu de commodité. Sur une requête générique, une page qui répète ce que dix autres disent déjà n'apporte au modèle aucune raison de la retenir : c'est le mécanisme que nous avions décrit dans notre analyse du contenu de commodité jamais cité.

Notre analyse

Cette étude déplace le problème du GEO d'un cran en amont, et c'est inconfortable. On a passé deux ans à optimiser la page que le modèle allait lire ; geoSurge suggère que la bataille se joue en partie à l'étape précédente, quand le modèle décide s'il vous cherche. Mais lire ce résultat comme une condamnation des petites marques serait une erreur de lecture : le même jeu de données dit que sept requêtes sur dix ne nomment personne. La notoriété verrouille les requêtes de marque ; elle ne verrouille pas les questions. Pour une PME, la conclusion pratique n'est pas de renoncer, c'est d'arrêter de se battre sur le terrain nominatif où l'écart est de 3,2 pour 1.

Ce que cet article ne couvre pas

Les auteurs de l'étude geoSurge sont explicites sur ses limites, et il serait malhonnête de les taire. Le résultat établit une association entre mémoire et comportement de recherche, pas une causalité : la notoriété d'une marque peut influencer simultanément les deux mesures. L'observation du comportement de recherche porte sur un seul modèle, Gemini 3.5 Flash, sur ses requêtes de fan-out ; rien ne garantit que ChatGPT ou Perplexity se comportent à l'identique. La fenêtre d'observation ne dépasse pas douze jours. Les prompts sont par construction exclusivement américains, ce qui laisse ouverte la question de la transposition au marché français, où la mémoire d'entraînement d'un modèle sur les acteurs locaux est probablement plus faible. Enfin, l'échantillon par secteur est mince, de six à douze prompts, ce qui rend l'écart sectoriel annoncé (41 à 82 % pour les marques connues contre 9 à 23 % pour les autres) indicatif plutôt que solide. geoSurge est aussi un éditeur d'outils de visibilité IA, donc partie prenante du sujet qu'il mesure ; nous n'avons pas pu répliquer l'étude indépendamment. Nous mettrons cet article à jour si une réplication multi-modèles est publiée.

Questions fréquentes

Alexis Dollé

CEO & Fondateur

Spécialiste du growth et de la stratégie de contenu SEO, j'ai lancé Cicéro pour aider les entreprises à capter une visibilité organique durable, sur Google comme dans les réponses des IA. Chaque contenu qu'on produit est pensé pour convertir, pas juste pour exister.

LinkedIn