À quoi sert vraiment le GEO ?
Le GEO entre dans une nouvelle phase. Après les expérimentations, les premiers outils et les premières promesses commerciales viennent les premières tentatives de normalisation.
L'IAB (l'Interactive Advertising Bureau) a publié le 3 août 2026 un cadre méthodologique intitulé Measuring Visibility in the AI Era. Ce document est consacré à la mesure de la visibilité dans les moteurs génératifs. C'en est probablement le premier signe sérieux.
Le document répond à des besoins concrets. Il propose un vocabulaire partagé. Il distingue les mesures exploratoires de celles qui prétendent éclairer une décision. Il insiste sur la nécessité de documenter les jeux de requêtes, au point de considérer qu'en dessous de cinquante requêtes, on ne caractérise rien. Et il reconnaît une réalité que le search n'avait jamais eu à gérer : les réponses des IA ne sont pas déterministes. La même question, posée deux fois, ne produit pas toujours la même réponse. Toute mesure doit intégrer cette variabilité.
Ces avancées contribuent à professionnaliser un marché où plus de vingt outils cohabitent déjà, chacun avec sa méthode, produisant pour une même entreprise des résultats parfois contradictoires.
Quel est l'objet, en réalité, du GEO ?
L'économie du bruit installée par l'explosion des mass media d'après-guerre et la communication professionnelle qui s'en est servie, a conduit le référencement à chercher une seule chose : rendre les contenus visibles.
Les moteurs génératifs fonctionnent autrement. Ils n'exposent pas des contenus : ils s'en servent pour construire des réponses. Pour cela, ils rapprochent des sources, hiérarchisent des arguments, qualifient des organisations, évaluent leur crédibilité et décident, parfois, lesquelles méritent d'être recommandées.
Le critère de choix bascule de la visibilité d'une entreprise vers la représentation qu'un modèle se fait d'elle au moment de répondre. C’est, à mes yeux, un changement majeur : la représentation devient l'objet de l'analyse, la visibilité n'en est plus qu'une conséquence.
L'un des apports les plus intéressants du cadre de l'IAB tient justement à sa manière de structurer la visibilité en quatre dimensions successives : la présence, la proéminence, le portrayal, ou "portrait", et la persuasion.
La progression convainc. Une entreprise doit d'abord apparaître avant d'occuper une place, être décrite avant, éventuellement, d'être recommandée.
Mais elle révèle aussi quelque chose d'intrinsèque au GEO. Les deux premières dimensions relèvent encore de l'observation. Les deux suivantes relèvent déjà de l'interprétation. Dès lors qu'on cherche à comprendre comment une entreprise est décrite, dans quel rôle elle est placée, avec quelles réserves elle est recommandée, on ne mesure plus une visibilité. On cherche à comprendre une représentation.
Dans un tel contexte, les outils hérités du search atteignent, selon moi, leur limite. A peine publié, le cadre est d'ailleurs commenté sous des angles de critiques constructives. Elles remarquent, en substance, que modéliser encore une mécanique de search (une requête, une réponse classée) quand l'usage réel des IA relève de la conversation, faite de relances et d'éliminations successives.
Un constat corroboré par les premiers audits.
Je partage le constat. J'en tire une conclusion différente : ce n'est pas un défaut à corriger, c'est le signe que l'objet même de la discipline est en train de se déplacer.
Cela est corroboré par un exemple, tiré d'un audit que j'ai mené début juillet 2026. J'ai cartographié la manière dont plusieurs moteurs IA recomposent aujourd'hui l'image d'Atos.
Premier enseignement : Atos n'est plus résumé comme une entreprise en crise. Le groupe apparaît comme un acteur européen de la tech, des services numériques, de la cybersécurité, du cloud, des infrastructures critiques et de la souveraineté.
Mais ce récit n'arrive presque jamais seul. Atos est crédible, mais sous conditions. Atos peut redevenir un partenaire fiable, mais avec une due diligence renforcée. Atos conserve des expertises fortes, mais son périmètre a changé.
Ce "mais" est le vrai résultat de l'audit. Aucune mesure de présence ou de proéminence ne le capte : Atos est présent, Atos est visible. C'est dans le portrait, et dans la réserve qui accompagne la recommandation, que se loge l'information qu’il ne faut pas manquer. L’intérêt de cet audit ne réside pas dans la mesure de la visibilité d’Atos mais dans l’interprétation qu’en font les outils IA.
Vient alors une question de méthode : pour situer Atos, quel est son marché de référence ? La France, l'Europe, le monde ? Chaque réponse dessine un univers concurrentiel différent, dans une langue différente, à partir de corpus différents. Cet univers n'existe pas comme un territoire stable qu'on mesurerait objectivement : nous le construisons avant de le mesurer.
Les chiffres qu'on en tire ne sont pas faux. Mais ils décrivent un phénomène observé dans un protocole donné. Ils ne constituent pas la mesure absolue d'une propriété qu'on appellerait "visibilité IA". Cette propriété n'existe peut-être pas sous cette forme.
C'est pourquoi deux études GEO peuvent être méthodologiquement irréprochables et pourtant impossibles à comparer : elles n’utilisent pas les mêmes prompts, donc n’étudient pas le même phénomène.
Avant de décrire son protocole, une étude devrait expliciter la question à laquelle elle répond. Mesure-t-elle une notoriété, une capacité à être recommandée, un territoire concurrentiel ? Ou encore la stabilité d'une image ? Ces questions ne sont pas interchangeables. La philosophie d'une étude compte désormais autant que son protocole.
Ce que ces observations font apparaître dépasse la visibilité. Les moteurs génératifs ne produisent pas seulement des réponses : ils produisent, question après question, une représentation exploitable du monde.
Demandez à plusieurs IA de recommander un ERP pour une PME industrielle, vous n'obtiendrez pas une liste de pages, mais une représentation du marché tel qu'elles l'ont perçu : des catégories organisées, des acteurs identifiés puis comparés, des rôles attribués, un récit assez cohérent pour tenir lieu de réponse. Aucune entreprise n'y figure seule. Chacune existe à l'intérieur de la représentation que l'IA se fait de son marché.
Certaines sont spontanément associées à une expertise. D'autres restent enfermées dans leur activité historique malgré l'élargissement de leur offre. D'autres encore, comme le montre le cas d’Atos, regagnent du crédit tout en traînant des réserves qui conditionnent leur recommandation. Ces phénomènes se résument mal par une mesure de visibilité. Ils relèvent de la compréhension.
La visibilité n'est pas l'objet du GEO
D'où ma conviction : le véritable objet du GEO n'est pas la visibilité. C'est la qualité de la représentation qu'une intelligence artificielle construit d'une organisation. La visibilité reste nécessaire, une entreprise absente du web ne sera pas détectée, mais elle ne suffit pas à comprendre pourquoi une entreprise est retenue, comparée ou recommandée.
Intégrer le GEO dans une stratégie de communication, c'est fabriquer ou influencer le matériau qui permettra à l'entreprise d'entrer dans une synthèse : d'être citée, comparée, et — c'est le graal — recommandée comme réponse adéquate à la question posée.
Une direction de la communication pouvait autrefois espérer maîtriser son discours. Elle devra désormais apprendre à comprendre la représentation que des systèmes construisent à partir de milliers de contenus qu'elle ne contrôle pas.
La prochaine étape de la discipline consistera à observer cette représentation avec la rigueur que nous avons appris à consacrer à la visibilité. Les métriques de l'IAB en constituent la première couche : elles décrivent ce qui apparaît. Une seconde couche reste à bâtir. Elle devra expliquer les mécanismes qui rendent ces apparitions possibles : pourquoi une entreprise se trouve associée à certains usages et pas à d'autres, pourquoi certaines transformations restent invisibles malgré leur réalité économique, pourquoi certaines réserves, le "mais" d'Atos, persistent alors que les faits ont changé. Ces questions ne relèvent plus de la mesure de visibilité. Elles relèvent d'un diagnostic de la représentation.
C'est la principale réflexion que m'inspire ce cadre. Je n'y vois pas une tentative inaboutie, mais le signe qu'une discipline atteint le seuil de maturité où ses premiers outils commencent à révéler la limite de leurs propres concepts.
Le PageRank nous a appris à mesurer la popularité des pages. Les moteurs génératifs vont nous obliger à mesurer la représentation des organisations. C’est le prochain défi du GEO.