L’agent IA lit votre site avant de vous recommander. S’il ne peut pas, il répond quand même.

Quand un agent IA ne peut pas lire le site d’une entreprise, il n’abandonne pas : il répond quand même, avec ce qu’il trouve ailleurs, et cette entreprise est environ deux fois moins souvent recommandée. Une étude publiée le 6 octobre 2026 le montre avec deux traces de la même question, posée au même agent. Un acheteur demande ce qu’il peut essayer gratuitement.

Sur twilio.com, l’agent fait une recherche, ouvre cinq pages de Twilio, de la page d’essai à sa documentation, et répond à partir d’elles. Sept étapes. Sur hashicorp.com, l’agent est bloqué deux fois par la protection anti-robots du site. Il se rabat sept fois sur la recherche web, erre entre des fragments de documentation et un billet de blog, et termine son parcours sur les blogs de deux concurrents. Il donne quand même une réponse, et une réponse assurée.

L’étude appelle ce qui sépare ces deux sites l’expérience agent, ou AX : la façon dont un site sert l’agent IA qui vient le chercher et le lire. Ses auteurs soutiennent que l’AX compte désormais davantage que le fait d’être cité sur d’autres sites. Cette thèse remet en cause une partie de la pratique AEO et GEO, y compris le travail d’agences comme KAIS. C’est une bonne raison de la lire de près.

Qu’a mesuré l’étude ?

L’étude arXiv:2609.34951 a lancé 37 927 parcours d’agents IA sur 1 056 entreprises réelles, réparties en deux groupes appariés qui diffèrent surtout par la lisibilité de leur site pour les agents. Ses auteurs, Ido Finder, Assaf Elovic, Gad Shalev et Liad Yosef, travaillent chez ora research. Un point compte avant tout chiffre : ora vend l’outil de notation de la lisibilité pour les agents que l’étude utilise pour former les groupes. Les auteurs le disent eux-mêmes et présentent ce score comme leur instrument, pas comme une mesure indépendante.

La moitié des entreprises a été classée « prête pour les agents », avec un score d’accessibilité d’au moins 0,65 sur 1, et l’autre moitié « non prête », à 0,50 ou moins. Le score vérifie notamment ce qui reste du contenu quand la page est récupérée sans JavaScript, si les protections anti-robots laissent passer les agents envoyés par un utilisateur, et si les pages de tarifs et de documentation sont accessibles. Chaque entreprise prête a été appariée à une entreprise comparable du même secteur et de la même tranche de notoriété. Les paires ont été équilibrées sur la notoriété, sur ce que le modèle savait déjà de la marque, et sur deux indicateurs d’AEO : l’étendue des mentions de la marque sur des sites tiers, et un score de trouvabilité.

Chaque entreprise a reçu trois questions d’acheteur, sur les tarifs, les fonctionnalités et la mise en place, posées trois fois sur quatre agents différents. Ils tournaient sur claude-sonnet-4-6 et claude-haiku-4-5 d’Anthropic avec la recherche d’Anthropic, et sur gpt-5.4 et gpt-5.4-mini d’OpenAI avec l’API de recherche Tavily. Chaque question citait le domaine de l’entreprise. L’étude mesure donc ce qui se passe une fois qu’un agent s’intéresse déjà à une entreprise donnée, pas la façon dont cette entreprise ressort face à ses concurrents.

Les agents IA répondent-ils encore de mémoire ?

À peine : avec les quatre agents testés, seulement 7 % à 10 % de la réponse finale venait des connaissances apprises à l’entraînement, que le site soit lisible ou non. Le reste venait des pages et des résultats de recherche récupérés pendant le parcours.

Les auteurs ont aussi suivi l’évolution d’une version d’OpenAI à l’autre, en posant 90 questions d’acheteur à chaque modèle, avec la recherche web disponible mais facultative. GPT-4.1 construisait encore environ la moitié de sa réponse de mémoire, 52 %. Avec gpt-5.6, cette part tombe à 14 %. C’est un juge IA qui a tranché, et les auteurs rappellent que la mémoire suffit encore pour des faits stables dans une simple conversation. Mais pour les questions de prix, d’offres et de mise en place, ce que l’agent lit pendant le parcours décide désormais de l’essentiel de la réponse.

Que se passe-t-il quand un agent ne peut pas lire le site ?

Il répond quand même, et la réponse se construit sans l’entreprise : dans environ 99 % des parcours qui se heurtent à une impasse sur un site, l’agent a répondu à partir d’autres sources. Pour les entreprises prêtes, 78 % de la réponse finale venait de leurs propres pages et 12 % de la recherche web. Pour les autres, la part de leurs propres pages tombe à 58 % et la recherche web double, à 25 %. Autrement dit, 42 % de ce que l’acheteur lit sur une entreprise difficile à lire vient de quelqu’un d’autre.

Le mécanisme suit une pente régulière. D’un bout à l’autre de l’échelle d’accessibilité, le nombre moyen de recherches web par parcours passe de 1,8 sur les sites les plus lisibles à 4,5 sur les moins lisibles. Chaque recherche en plus est une chance de plus que la réponse s’appuie sur des pages périmées, des comparatifs de concurrents ou des agrégateurs. Sur les sites peu lisibles, les agents ont aussi été bloqués 2,1 fois plus souvent (33,5 % des parcours contre 15,8 %), ont eu besoin de 23 % d’étapes en plus et de 15 % de temps en plus pour répondre.

Les entreprises lisibles sont-elles plus recommandées ?

Oui : les réponses recommandent clairement les entreprises prêtes pour les agents dans 20 % des cas, contre 11 % pour les autres, soit 1,9 fois plus. Deux juges IA de deux éditeurs différents ont noté chaque réponse de 0 à 4 sans connaître le groupe de l’entreprise. Une réponse n’est comptée comme une recommandation claire que si les deux lui donnent la note maximale.

L’écart tient sur les quatre agents, alors que leurs niveaux de départ diffèrent beaucoup : l’agent claude-code recommande clairement dans 5 % des cas contre 2 %, l’agent gpt-5.4 dans 36 % contre 20 %. Il tient aussi dans les douze catégories d’entreprises, de 1,2 fois dans le service client à 2,5 fois dans les infrastructures informatiques, et il est le plus fort là où l’acheteur compare des fournisseurs avant de s’engager.

Le langage des réponses montre ce qui se passe à la place. Quand l’agent n’a pas pu lire le site, sa réponse avoue 4,4 fois plus souvent ne pas avoir pu accéder à l’information, se porte garante de l’entreprise par des sources de seconde main 3,0 fois plus souvent, reste vague 1,8 fois plus souvent, et renvoie l’acheteur vérifier lui-même 1,4 fois plus souvent. Une réponse qui commence par « le site a renvoyé une erreur » n’est pas une recommandation, quoi qu’elle dise ensuite.

Les réponses sont-elles plus justes quand l’agent lit le site ?

Oui, pour la même entreprise et la même question : les réponses construites à partir du site de l’entreprise donnent juste 48,3 % des faits demandés, contre 34,3 % pour celles construites à partir du web, soit 41 % de plus. Les chercheurs ont capturé les faits publiés par chaque site avec un rendu complet dans un navigateur, puis noté 31 127 faits dans 2 499 réponses portant sur 131 entreprises.

L’échec n’est pas l’invention mais l’omission. Les faits énoncés à tort ne passent que de 4 % à 6 % quand la réponse vient du web. Les faits jamais mentionnés passent de 29 % à 45 %. Une réponse construite à partir du web a 3,7 fois plus de chances de ne contenir aucun des faits demandés. L’effet est le plus fort sur les tarifs, +64 %, présent sur les fonctionnalités, +18 %, et absent sur la mise en place, dont les réponses se trouvaient surtout dans une documentation que ni l’un ni l’autre canal n’atteignait.

Un résultat va dans l’autre sens, et les auteurs le publient. Comparée groupe contre groupe plutôt que réponse contre réponse, la justesse diffère de moins de deux points, 51,7 % contre 49,8 %, ce qui n’est pas significatif sur 131 entreprises. Être prêt pour les agents rend la lecture du site plus probable, sans la garantir.

L’AEO compte-t-il encore quand le site est lisible ?

À l’étape que mesure cette étude, ses deux indicateurs d’AEO n’ont montré aucun effet propre, alors que la lisibilité du site prédit l’ancrage de la réponse, la recommandation et le coût. À lisibilité, notoriété et secteur égaux, l’étendue des mentions sur des sites tiers n’a aucun lien avec ces trois résultats. Le score de trouvabilité montre un faible indice sur la recommandation, sous le seuil de confirmation fixé par les auteurs.

Ce résultat a une portée précise, plus étroite que le titre de l’étude. Chaque question citait l’entreprise : la façon dont elle ressort face à ses concurrents n’a jamais été testée. Les auteurs eux-mêmes décrivent l’optimisation pour les moteurs de réponse comme deux étapes : le référencement pour être trouvé, et l’expérience agent pour la lecture qui suit. Ils rappellent aussi que les agents atteignent la plupart des pages par une recherche web, et que ce qui se classe décide encore d’une grande partie de ce qu’un agent voit. Leur conclusion n’est pas qu’être trouvé ne compte plus, mais que cela ne suffit plus.

Quelle est la solidité des résultats ?

Les écarts principaux sont nets et constants, mais l’étude vient d’un éditeur et laisse un biais ouvert. Le tableau reprend les comparaisons principales telles que publiées.

Les auteurs listent leurs limites. Les groupes n’ont pas été équilibrés sur la quantité de contenu publiée : une entreprise qui bloque les agents publie peut-être aussi moins, ce qui creuserait l’écart à lui seul. Seule une étude avant-après, en améliorant un site puis en mesurant de nouveau, permettrait de trancher. L’échantillon penche vers le logiciel et le commerce, surtout en anglais, et les questions sont des recherches de faits. Les recommandations et les sources des réponses ont été jugées par des modèles de langage. Et le score qui définit les groupes est le produit des auteurs.

Que vérifier sur son propre site ?

Si un agent envoyé sur le site en revient avec les faits que l’acheteur demandait. Ce qui suit est la lecture KAIS de l’étude, traduite en vérifications qu’une entreprise peut faire. L’étude note la lisibilité dans son ensemble ; elle n’isole pas l’effet de chacun des points ci-dessous.

D’abord, le contenu existe-t-il sans JavaScript ? La plupart des agents n’exécutent pas les scripts par défaut. Une page assemblée dans le navigateur après le chargement peut donc leur sembler presque vide. Le test est simple : récupérer le HTML brut de la page et voir si les prix, les offres et les faits clés y figurent.

Ensuite, le site laisse-t-il entrer les agents ? Dans la trace HashiCorp, la page de tarifs a renvoyé deux fois un blocage anti-robots. Une règle de pare-feu ou de protection anti-robots peut refuser un agent que le robots.txt autorise, un écart décrit dans Votre robots.txt dit oui. Votre pare-feu dit non.

Puis, les faits que demandent les acheteurs sont-ils écrits sur des pages accessibles ? Les tarifs montrent le plus fort gain de justesse quand l’agent lit le site, la mise en place le plus faible, parce que ses faits étaient enfouis dans une documentation que les agents atteignaient rarement. Un prix qui n’apparaît que dans un formulaire de devis, ou une liste de fonctionnalités en image, oblige l’agent à chercher ailleurs.

Enfin, chaque page est-elle facile à lire une fois récupérée ? Des sections claires, avec des intertitres qui les décrivent, aident le bon passage à être retrouvé, comme l’a montré une étude de Notre Dame plus tôt ce mois-ci, analysée dans La structure d’une page aide l’IA à la retrouver.

Comment mesurer ce que font les agents sur votre site ?

En faisant passer les questions de l’acheteur par un agent et en lisant la trace, pas seulement la réponse. La méthode de l’étude s’observe de l’extérieur : l’agent a-t-il ouvert les pages de l’entreprise, a-t-il été bloqué, combien de fois a-t-il cherché sur le web, sur quels sites a-t-il terminé, et la réponse prend-elle des précautions ?

Cela ajoute une couche à la mesure de la visibilité IA. KAIS exclut de son score les questions qui citent la marque, parce qu’une question qui cite une marque la trouve toujours. Cette étude montre que ces questions méritent quand même un test à part. Une fois que l’acheteur a nommé l’entreprise, le résultat dépend de la capacité de l’agent à lire le site. Un test d’approfondissement avec des questions de marque, lancé plusieurs fois sur deux ou trois agents, montre si le site répond pour lui-même ou laisse ce travail à d’autres.

Où cela se situe-t-il dans l’AI Visibility Chain de KAIS ?

L’étude se situe aux deuxième et troisième étapes de l’AI Visibility Chain de KAIS, Be Retrieved et Be Understood, appliquées au site même de l’entreprise.

Elle touche aussi l’étape Be Trusted. Quand un agent ne peut pas lire le site d’une entreprise, il s’appuie sur des pages qu’elle ne contrôle pas. Les auteurs citent une recherche où la modification d’une seule page Reddit ou Wikipédia, avec seulement 13 mots, a fait citer le texte ajouté dans 38 % à 51 % des rapports d’agents de recherche approfondie. Un site lisible est la seule source dont une entreprise puisse répondre. Et la dernière étape, Be Recommended, est celle où l’étude trouve son plus grand écart, mesuré avec la même prudence que dans Votre marque est citée par l’IA. Est-elle recommandée ?.

Être trouvé ouvre la porte. Être lu décide de la réponse.

L’étude ne met pas fin à la visibilité hors site. Elle déplace le moment décisif d’une étape. Un agent qui a trouvé une entreprise doit encore la lire, et quand il n’y arrive pas, il n’attend pas. Il demande à quelqu’un d’autre.

La réponse sur Twilio venait de Twilio. Celle sur HashiCorp s’est terminée sur les blogs de ses concurrents. Les deux réponses avaient l’air sûres d’elles. Une seule avait été construite par l’entreprise qu’elle décrivait.

Sources et références

• Finder, Elovic, Shalev et Yosef — AX is the New AEO, ora research, arXiv:2609.34951v3 [cs.AI], 6 octobre 2026. Protocole et équilibre des groupes (section 4, tableau 1), agents utilisés (tableau 2), part de la mémoire d’entraînement (section 3, figure 1), traces (figure 3), recommandation (section 5.2, figures 4 à 6, tableau 3), composition des réponses et recherches (section 5.3, figures 7 et 8), coût (section 5.4), justesse (section 5.5, tableau 5, figure 10), contrôle AEO (section 5.6, tableau 6), synthèse (tableau 7) et limites (section 7). Les auteurs travaillent pour ora, dont l’outil de notation définit les groupes de l’étude. Les chiffres issus d’autres sources (l’étude sur l’empoisonnement de pages Reddit et Wikipédia, la définition de l’AX par Mathias Biilmann) sont cités tels que rapportés par les auteurs. Tous les chiffres viennent de l’étude ; aucun n’a été reproduit par KAIS.