Cité ne veut pas dire utilisé : ce que 21 143 citations IA révèlent sur le GEO

Être cité par un moteur de réponse et alimenter sa réponse sont deux résultats distincts. Une prépublication déposée sur arXiv le 29 avril 2026 le chiffre sur 602 prompts contrôlés et 21 143 citations : ChatGPT retient en moyenne 6,88 sources par prompt, Perplexity 16,35. Mais parmi les pages effectivement récupérées, l’influence moyenne d’une source citée par ChatGPT atteint 0,2713, contre 0,0646 chez Perplexity. Un rapport de plus de quatre.

Autrement dit : le moteur qui cite le plus est celui qui utilise le moins chaque source. Un compteur de mentions mesure donc une exposition. Il ne dit rien de la contribution. C’est exactement la métrique que la plupart des tableaux de bord GEO vendus aujourd’hui affichent en gros, et souvent seule.

Qu’est-ce que l’absorption d’une citation ?

L’absorption de citation est la part que prend une source citée dans le texte final d’une réponse générée : reprise de langage, de chiffres, de structure ou d’éléments de preuve. Elle se distingue de la sélection de citation, qui désigne le seul fait qu’un moteur déclenche une recherche et retienne la source dans sa liste. Une page peut figurer dans les sources d’une réponse sans lui avoir fourni une phrase. Une autre peut nourrir trois paragraphes.

Les auteurs mesurent l’absorption par un score composite calculé sur la page citée. Il combine cinq signaux observables dans la réponse : le nombre de renvois à la source, sa position d’apparition, la proportion de paragraphes qu’elle couvre, la similarité TF-IDF entre la page et la réponse, et le recouvrement en bigrammes et trigrammes. La similarité pèse le plus (0,25), la position le moins (0,15).

C’est une reconstruction depuis le texte visible, pas une trace d’attention du modèle. Les auteurs le disent sans détour, et en tirent une règle de méthode : les composants du score ne peuvent pas servir de variables explicatives du score. Ce genre de discipline est rare dans la littérature GEO commerciale.

Combien de sources chaque moteur cite-t-il, et à quelle profondeur ?

Les trois plateformes déclenchent une recherche pour presque tous les prompts : 98,64 % chez ChatGPT, 99,67 % chez Google AI Overview, 100 % chez Perplexity. La question de savoir si les moteurs vont chercher des sources est réglée. Ce qui les sépare, c’est le nombre de sources retenues et l’usage qu’ils en font.

Source : arXiv:2604.25707v2, tableaux de synthèse de la couche recherche et de la couche absorption. L’influence est calculée sur les seules pages dont le contenu a pu être récupéré (taux de récupération global : 76,44 %).

L’écart se creuse encore sur les prompts complexes. Sur les tâches à contraintes multiples, ChatGPT tombe à 3,4 sources en moyenne quand Perplexity monte à 17,7. Deux stratégies opposées : l’un compresse et synthétise en interne à partir d’une base étroite, l’autre décompose la tâche et élargit la récupération.

Pour une marque, la conséquence est concrète. Une présence dans Perplexity ressemble à une place dans un annuaire de sources. Une présence dans ChatGPT ressemble davantage à une contribution éditoriale. Les deux ont de la valeur, mais ne se pilotent pas avec le même contenu ni le même indicateur.

Le format FAQ améliore-t-il vraiment la citation par les IA ?

Non, pas à lui seul. Les pages au format questions-réponses obtiennent une influence moyenne de 0,0947, contre 0,1005 pour les pages qui n’adoptent pas ce format. Soit un écart relatif de -5,74 %, en défaveur de la FAQ. C’est le seul marqueur de contenu de l’étude qui pointe dans le mauvais sens.

Attention à ne pas surinterpréter. Cette mesure compare des moyennes sur un corpus où beaucoup de pages Q/R sont des pages de support minces, tandis que beaucoup de pages non-Q/R sont des explicatifs longs, des documents officiels ou des articles encyclopédiques. L’étude ne prouve pas que la FAQ nuit. Elle montre que l’emballage de surface ne suffit pas, et que la valeur vient de la preuve à l’intérieur de la page, pas des points d’interrogation dans les intertitres.

Ce résultat nous concerne directement. Nos propres articles se terminent par un bloc FAQ, celui-ci compris. Ce que ce chiffre change dans notre méthode : la FAQ reste un outil de couverture — elle capte les variantes de formulation d’une même intention et alimente le balisage FAQPage — mais elle cesse d’être présentée comme un levier d’absorption. Une FAQ qui ne contient ni chiffre daté, ni définition nette, ni critère de comparaison est un habillage.

Quels formats de contenu les moteurs absorbent-ils le plus ?

Les pages contenant des unités de preuve réutilisables sont nettement plus absorbées que les autres. L’étude compare l’influence moyenne des pages qui portent un marqueur donné à celles qui ne le portent pas.

Source : arXiv:2604.25707v2, table des genres de preuve. Comparaison de moyennes non ajustées — sans contrôle de la longueur, du type de domaine ni de la qualité éditoriale.

Le classement par rôle sémantique raconte la même histoire sous un autre angle. Une source utilisée comme définition atteint 0,1531 d’influence moyenne, une source utilisée comme comparaison 0,1524, une source utilisée comme simple référence 0,0529. Près d’un facteur trois entre les deux extrêmes. Fournir un fait vaut mieux que fournir un lien.

À quoi ressemble une page fortement absorbée ?

Le profil du quartile supérieur, comparé au quartile inférieur, est net : 1 943 mots contre 170, 10,6 intertitres contre 0,85, 47 paragraphes contre 8, une densité de listes multipliée par neuf, et une similarité sémantique avec la réponse générée de 0,570 contre 0,247.

La lecture facile serait « écrivez long ». Elle serait fausse. La corrélation la plus forte relevée dans l’étude n’est pas la longueur : c’est la pertinence de la page notée par un LLM (r = 0,4322), suivie de la similarité d’embedding entre la page et la réponse (0,3561). La longueur n’est utile que quand elle transporte de la structure et de la preuve. Une page de 3 000 mots faite de navigation, de répétitions et d’auto-promotion n’offre rien à extraire.

Les auteurs en tirent leur hypothèse centrale, qu’ils nomment evidence container — un conteneur de preuves. Une page devient utile à un moteur génératif quand elle peut être découpée en unités d’information autonomes et alignées sur le sujet : périmètre topique borné, intertitres qui reflètent les sous-questions probables, un paragraphe = une affirmation, et de la matière extractible sous forme de définitions, de chiffres, de comparaisons et d’étapes.

Une page longue et modulaire donne au moteur plusieurs occasions de faire correspondre une intention à un segment précis. Une page longue et informe n’en donne aucune.

Pourquoi Wikipédia est-elle absorbée quand la presse est seulement citée ?

La presse figure massivement dans les sources retenues — elle pèse 31,17 % des citations de ChatGPT — mais elle arrive en bas du classement de l’absorption. Les pages de type news_media plafonnent à 0,0726 d’influence moyenne, quand les pages encyclopédiques atteignent 0,2144.

Source : arXiv:2604.25707v2, table d’influence par type de domaine. Les auteurs signalent que la taxonomie des types de site contient des valeurs bruitées.

L’interprétation proposée par les auteurs est plausible et utile : le moteur va chercher un média pour dater et ancrer un fait, puis une page explicative pour construire le corps de sa réponse. Deux besoins, deux rôles, deux types de source. Le volume de citations commercial — près de 11 800 dans l’échantillon, avec une influence de 0,1028 — montre au passage que les pages d’entreprise ne sont pas exclues du jeu ; elles sont simplement rarement écrites pour tenir le rôle explicatif.

L’autorité de domaine compte-t-elle encore ?

Oui, et elle décide en amont. Les sources officielles, médias et sites verticaux concentrent entre 79,12 % et 87,52 % des citations selon la plateforme. Le domain rating médian des sources retenues se situe entre 526 et 592. Les sources identifiées comme américaines représentent de 82,70 % à 86,76 % de l’échantillon, les sources anglophones de 82,90 % à 95,07 %.

Pour une agence de Bangkok, un cabinet de Genève ou une fiduciaire luxembourgeoise, ce chiffre est le plus important de l’étude, et le moins agréable. La qualité rédactionnelle départage les sources déjà éligibles. Elle ne rend éligible personne. Un acteur local, francophone ou thaïlandais, part avec un désavantage structurel à l’entrée du pool de candidats, quelle que soit la finesse de ses paragraphes.

Le levier n’est donc pas d’abord éditorial. Il est de construire une entité reconnaissable et corroborée ailleurs : cohérence des mentions, présence dans des sources tierces indexables, données propriétaires que personne d’autre ne publie. Un chiffre original est le seul actif qui force l’attribution : quand trois sources énoncent la même donnée, le modèle attribue par préférence de domaine, et le petit perd.

Ce que cette étude ne permet pas de conclure

• Aucun lien de cause à effet. Les auteurs réservent explicitement les prescriptions du type « ajouter une comparaison augmentera vos citations » à de futures expériences d’intervention contrôlée.
• Le score d’influence est un proxy construit à partir du texte visible. Un autre jeu de pondérations donnerait d’autres chiffres — les auteurs le placent d’ailleurs en tête de leur propre plan de robustesse.
• 602 prompts conçus par les chercheurs ne sont pas un échantillon du trafic réel. La validité externe est bornée à cette distribution.
• Le contraste linguistique porte sur le chinois et l’anglais. Rien dans ces données ne dit quoi que ce soit du français, du thaï ou d’une autre langue. Les effets de langue varient d’ailleurs selon la plateforme, ce qui interdit toute règle générale.
• L’absorption n’est calculée que sur les pages récupérées avec succès, soit 76,44 % du total. Si les pages non récupérées diffèrent systématiquement, les moyennes sont conditionnelles à cette sélection.
• C’est un instantané. Les produits d’IA générative changent de moteur de récupération, d’interface de citation et de modèle sous-jacent en quelques mois.

Ce que nous changeons dans la méthode KAIS

1. Deux colonnes au lieu d’une dans le Baromètre. Un taux de sélection — la marque apparaît-elle dans les sources — et un indicateur de profondeur d’usage — la réponse reprend-elle sa formulation, ses chiffres, sa structure. Les deux bougent indépendamment.
2. Un objectif par moteur. Perplexity se travaille en couverture, ChatGPT en contribution. Additionner les deux dans un score unique efface l’information.
3. Des sections écrites comme des unités de preuve. Une définition nette en tête de section, un chiffre daté avec sa source, un tableau quand l’intention est comparative. Pas de raisonnement haché en puces.
4. La FAQ redescend d’un cran. Elle sert la couverture des formulations et le balisage. Elle ne sert plus d’argument de profondeur.
5. Segmentation par famille de prompts. Une page qui gagne sur les requêtes « qu’est-ce que » ne gagne pas sur les requêtes comparatives. On mesure séparément.

La question à poser à un prestataire GEO en 2026 n’est plus « combien de citations avons-nous obtenues ». C’est : qu’est-ce que le moteur a repris — et de qui.

Sources et références

• Zhang K., He X., Yao J. (2026). From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms. arXiv:2604.25707v2, 29 avril 2026 — source unique de tous les chiffres cités dans cet article.
• geo-citation-lab — jeu de données et pipeline d’analyse publics
• Aggarwal P. et al. (2024). GEO: Generative Engine Optimization. arXiv:2311.09735, KDD 2024 — article fondateur du terme GEO.