Réponse rapide : une marque peut dominer son marché auprès des humains et arriver 6e dans la réponse d'un LLM, selon les données Kantar présentées à VivaTech 2026. La raison : les machines jugent une marque sur le prix et les spécifications techniques disponibles dans leurs sources d'entraînement, pas sur la perception ou la fidélité construites auprès des consommateurs humains. 82 % des consommateurs s'informent déjà via des LLMs, et jusqu'à 25 % laisseraient un agent IA décider à leur place. La correction passe par une donnée de marque structurée et lisible par une machine, pas par une campagne de communication classique.
L'essentiel à retenir
- 82 % des consommateurs s'informent désormais via des LLMs (Kantar). Jusqu'à 25 % laisseraient un agent IA décider d'une marque à leur place.
- La marque n°1 chez les humains est souvent 6e dans l'esprit d'un LLM, qui la juge sur le prix et les spécifications techniques.
- Reddit, souvent cité comme source dominante des IA génératives, ne fournit en réalité que 2 à 9 % des sources utilisées par les modèles (Kantar).
- Plus de la moitié du trafic d'un site est déjà non humain (Webflow). Une nouvelle discipline émerge : l'AEO ou GEO (Answer Engine Optimization, ou Generative Engine Optimization, le terme le plus utilisé en France).
- La Roche-Posay est 1re à l'index de visibilité IA d'eMarketer sur le personal care, grâce à 350 000 relations avec des professionnels de santé et 850 articles publiés en un an.
Pourquoi votre marque préférée des humains peut-elle être invisible pour une IA ?
Réponse courte : parce qu'un LLM ne mesure pas la même chose qu'un consommateur humain. Gonzalo Fuentes (Kantar), lors de la session « Brands in the Age of Algorithms » à VivaTech 2026, montre que la marque n°1 dans l'esprit des humains se retrouve souvent 6e dans l'esprit de la machine, jugée sur le prix et les spécifications techniques plutôt que sur la préférence ou la fidélité.
Ce décalage n'est pas anecdotique. 82 % des consommateurs s'informent désormais via des LLMs pour leurs décisions d'achat. Et jusqu'à 25 % d'entre eux iraient jusqu'à laisser un agent IA décider directement de la marque à leur place, sans arbitrage humain final. Une marque absente ou mal représentée dans les réponses générées par ces modèles perd donc un quart de ses acheteurs potentiels avant même d'être considérée.
L'explication tient à la nature des sources utilisées par les modèles. Selon les données Kantar présentées à VivaTech, Reddit ne fournit que 2 à 9 % des sources des modèles ; d'autres analyses de citations attribuent au forum une part bien plus élevée selon la plateforme interrogée. La leçon est la même dans les deux cas : les sources sont fragmentées, et la matière première d'un modèle vient d'un ensemble large que la marque peut alimenter : sites de marque, presse spécialisée, fiches techniques, avis publiés en volume, discussions communautaires. Gonzalo Fuentes résume le mécanisme : « The more humans share their experience, the more information is online for these LLMs to learn from. » Une marque peu documentée en ligne, même très aimée sur le terrain, reste invisible pour la machine qui n'a rien à apprendre d'elle.
Qu'est-ce que l'AEO ou GEO, et pourquoi devient-il incontournable ?
Réponse courte : l'AEO ou GEO (Answer Engine Optimization, ou Generative Engine Optimization, l'appellation qui s'impose en France) est la discipline qui consiste à structurer son contenu pour qu'il soit compris, extrait et cité par une IA générative, plutôt que seulement indexé pour un moteur de recherche classique. L'objectif change de nature : être cité, pas seulement cliqué. Linda Tong (Webflow) situe l'urgence du sujet : plus de la moitié du trafic d'un site est déjà non humain.
Ce chiffre change la nature du travail à faire. Un site pensé uniquement pour un visiteur humain, avec une navigation complexe et une information dispersée sur plusieurs pages, devient difficile à synthétiser pour un modèle qui doit produire une réponse en quelques secondes. L'AEO ou GEO demande l'inverse : une information centrale, claire, autoportante, disponible sans clic supplémentaire. En pratique, cela veut dire répondre à la question dès les premières lignes, écrire en phrases courtes et déclaratives qu'un modèle peut extraire telles quelles, structurer avec des titres hiérarchisés, des tableaux comparatifs et des FAQ balisées, et privilégier les questions précises à faible volume de recherche plutôt que les seuls mots-clés génériques.
Cette discipline ne remplace pas le SEO classique, elle s'y ajoute : le SEO reste le socle qui rend le contenu trouvable par les moteurs dont dépendent les IA. La mesure du succès change aussi. Le GEO se mesure en part de citations et en tonalité des mentions dans les réponses générées, pas en trafic : des indicateurs qui ressemblent davantage à ceux des relations presse qu'à ceux du marketing à la performance. C'est la même logique de fond que nous détaillons dans Repenser son content engine : ce qu'on confie à l'IA, ce qu'on garde humain : documenter sa matière grise avant de la diffuser à l'échelle.
Comment une marque devient-elle la référence citée par les IA ? Le cas La Roche-Posay
Réponse courte : en publiant un volume important de contenu d'expertise et en construisant des relations documentées avec des sources tierces reconnues. La Roche-Posay est classée 1re à l'index de visibilité IA d'eMarketer sur le secteur personal care, un résultat construit sur 350 000 relations avec des professionnels de santé et 850 articles publiés en un an.
Ce résultat s'inscrit dans un mouvement plus large décrit par Asmita Dubey (L'Oréal) : les LLMs deviennent la porte d'entrée de la découverte beauté, avec 900 millions d'utilisateurs hebdomadaires cités pour ChatGPT seul. Une marque qui veut être citée dans ce contexte ne peut pas compter sur sa seule notoriété passée. Elle doit produire la matière que la machine ira chercher : de l'expertise documentée, sourcée, et suffisamment volumineuse pour peser face à la concurrence dans les sources d'entraînement des modèles.
Le nombre d'articles publiés (850 en un an) donne un ordre de grandeur du niveau d'investissement nécessaire. Ce n'est pas un contenu ponctuel ou une campagne, c'est une discipline de publication continue.
Quel est le risque de laisser un LLM raconter votre marque à votre place ?
Réponse courte : le risque est de perdre le contrôle de son propre récit de marque au profit d'une synthèse produite par un modèle, sans possibilité de correction immédiate. Joy Robins (New York Times) le formule sans détour : « Completely relinquishing your brand equity to an LLM or an algorithm puts you at risk. »
Ce risque prend une forme concrète pour une marque mal représentée dans les sources d'entraînement d'un modèle : une réponse générée peut citer un concurrent en premier, mal résumer un positionnement, ou s'appuyer sur une information obsolète si la marque ne publie plus de contenu récent. Contrairement à une page web que la marque contrôle entièrement, une réponse générée par IA échappe en grande partie à son contrôle direct.
La seule protection réelle consiste à documenter sa propre marque de façon suffisamment dense et à jour pour que ce soit cette matière, et pas une synthèse de tiers, qui alimente les modèles.
Comment rendre sa marque lisible par une machine ?
Réponse courte : en traitant sa donnée de marque comme un produit à part entière, structuré pour être consommé par un agent, pas seulement par un humain qui navigue sur un site. Audrey Soussan (Ventech) pose le changement de paradigme : on ne vend plus seulement à des humains, on vend aussi à des agents, et certains portefeuilles avancés exposent déjà leurs données via des serveurs MCP directement accessibles aux agents IA.
Le même panel Kantar donne un conseil directement actionnable aux CMOs : apprendre et désapprendre vite, rester impitoyable sur les priorités (« the biggest enemy of your North Star goal is your second goal »), et surtout reconstruire la data stack de la marque pour que la donnée propriétaire soit lisible par les machines, pas seulement présentée à des visiteurs humains.
Concrètement, cela veut dire trois choses. D'abord, centraliser l'information de marque (positionnement, gamme, preuves) dans une structure claire, plutôt que dispersée entre un site, des PDF et des réseaux sociaux. Ensuite, documenter cette information avec suffisamment de détail factuel pour qu'un modèle puisse la citer sans l'inventer. Enfin, publier en continu, à l'image de La Roche-Posay, plutôt que ponctuellement.
Humains et machines ne jugent pas une marque de la même façon
| Critère de jugement | Consommateur humain | LLM |
|---|---|---|
| Base de décision | Expérience vécue, image de marque, fidélité | Prix et spécifications techniques disponibles dans les sources |
| Source d'information dominante | Bouche-à-oreille, publicité, expérience produit | Contenu d'expertise documenté, sites de marque, presse (Reddit : seulement 2 à 9 %) |
| Vitesse de mise à jour perçue | Lente, construite sur des années | Dépend de la fraîcheur des sources publiées |
| Ce qui la fait gagner | Préférence, image | Volume et clarté de la donnée propriétaire publiée |
| Exemple | Marque n°1 dans l'esprit des consommateurs | Peut être 6e dans la réponse d'un LLM (Kantar) |
Les étapes pour rendre sa marque lisible par les machines
Cette liste reprend les leviers actionnables identifiés plus haut, dans un ordre de mise en œuvre logique, sans jargon technique.
1. Faire l'état des lieux. Tester sa marque dans plusieurs IA génératives sur des requêtes réelles de ses clients, et noter sa position par rapport aux concurrents. 2. Centraliser la donnée de marque. Rassembler positionnement, gamme, preuves et expertise dans une source claire, plutôt que dispersée sur plusieurs supports. 3. Documenter, pas seulement communiquer. Publier du contenu factuel, sourcé, daté, que la machine peut citer sans reformuler à l'excès : réponse en tête d'article, phrases courtes et déclaratives, FAQ, tableaux comparatifs, données originales que d'autres peuvent reprendre. 4. Publier en continu. Le cas La Roche-Posay montre qu'un volume soutenu (850 articles en un an) construit la visibilité, pas une campagne ponctuelle. 5. Exister dans les sources tierces. Les modèles accordent plus de crédit à la validation externe qu'à l'autopromotion : presse spécialisée, contributions d'expert, communautés où la catégorie se discute. Ne pas être seulement la source, être dans les sources. 6. Reconstruire la data stack pour la rendre lisible par une machine. C'est le conseil direct du panel Kantar aux CMOs : la donnée propriétaire doit être structurée pour être comprise par un agent, pas seulement affichée pour un visiteur. 7. Mesurer les citations, pas le trafic. Suivre la part de mentions de la marque sur les requêtes clés, sa position face aux concurrents et la tonalité des réponses, plutôt que les seuls indicateurs de visite.
Cette reconstruction de la donnée de marque est le principe derrière Brand OS, l'offre Fleet Forward pour les marques.
Agences SEO ou agences RP : à qui profite le créneau GEO ?
Réponse courte : aux deux, parce que le GEO coupe le métier en deux moitiés qui correspondent à leurs savoir-faire respectifs. Le socle on-site (structure des contenus, réponses extractibles, données balisées, indexation) prolonge directement le métier des agences SEO. L'autorité off-site (être cité par la presse, les experts et les communautés qui alimentent les réponses des modèles) relève du métier des relations presse et des relations d'influence.
Les indicateurs eux-mêmes penchent du côté RP : part de voix, tonalité des mentions, présence dans les sources de référence. Ce sont des métriques que les agences RP manient depuis toujours, appliquées à un terrain nouveau. À l'inverse, sans le socle technique et éditorial, ces mentions n'ont rien à pointer : c'est là que les compétences SEO restent indispensables.
Le cas La Roche-Posay illustre cette complémentarité : sa première place à l'index eMarketer repose à la fois sur un volume éditorial soutenu (850 articles en un an, un travail de content et de SEO) et sur 350 000 relations avec des professionnels de santé (un travail de relations et de preuve sociale). Pour une agence indépendante, l'opportunité n'est donc pas de choisir un camp : c'est de construire une offre qui articule les deux, ou de s'allier avec le métier complémentaire. Les marques, elles, gagneront à interroger leurs prestataires sur les deux volets plutôt qu'un seul.
FAQ
Pourquoi ma marque préférée des consommateurs n'apparaît-elle pas en premier dans ChatGPT ? Parce qu'un LLM juge une marque sur le prix et les spécifications techniques disponibles dans ses sources d'entraînement, pas sur la préférence humaine. Selon Kantar, la marque n°1 chez les humains est souvent 6e dans la réponse d'une machine.
Reddit est-il vraiment la source principale des IA génératives ? Les estimations divergent selon ce qu'on mesure. Les données Kantar présentées à VivaTech chiffrent Reddit à 2 à 9 % des sources des modèles, tandis que des analyses de citations en réponse lui attribuent une part bien plus élevée sur certaines plateformes. Dans tous les cas, les sources restent fragmentées : contenu de marque, presse spécialisée, fiches documentées et communautés comptent ensemble.
Qu'est-ce que l'AEO ou GEO ? L'AEO (Answer Engine Optimization) et le GEO (Generative Engine Optimization, le terme le plus utilisé en France) désignent la même discipline : structurer son contenu pour qu'une IA générative puisse le comprendre, l'extraire et le citer directement dans une réponse, plutôt que seulement l'indexer pour un moteur de recherche classique.
Le GEO est-il plutôt un métier d'agence SEO ou d'agence RP ? Les deux. Le socle on-site (structure, contenus extractibles, données balisées) prolonge le métier SEO ; l'autorité off-site (citations par la presse, les experts et les communautés) et les indicateurs de part de voix relèvent du métier RP. Les offres les plus solides articulent les deux volets.
Combien de contenu faut-il publier pour devenir visible dans les IA génératives ? Il n'existe pas de seuil universel, mais le cas La Roche-Posay, 1re à l'index eMarketer sur le personal care, s'appuie sur 850 articles publiés en un an et 350 000 relations documentées avec des professionnels du secteur.
Une marque risque-t-elle quelque chose à laisser les LLMs parler d'elle sans intervenir ? Oui. Joy Robins (New York Times) avertit que renoncer entièrement à son capital de marque au profit d'un LLM ou d'un algorithme expose l'entreprise à un risque de représentation qu'elle ne contrôle plus.
---
Cet écart entre visibilité humaine et visibilité machine n'est pas une fatalité, c'est une question de donnée structurée. Fleet Forward aide les marques à organiser cette matière grise via Brand OS, pour qu'elle reste lisible par leurs équipes et par les agents IA qui décident de plus en plus à la place des consommateurs. Si vous voulez tester où se situe votre marque aujourd'hui, on peut en discuter.
