C'est quoi le GEO (Generative Engine Optimization) ?

Pendant vingt-cinq ans, le référencement naturel a suivi une logique relativement stable. On publie du contenu, on obtient des liens, on maîtrise les aspects techniques, et Google récompense les efforts en positionnant les pages sur les résultats de recherche. Cette mécanique reste en grande partie valide. Mais depuis 2022, une seconde couche de visibilité s'est développée en parallèle, et la plupart des entreprises francophones ne l'ont pas encore reconnue comme telle.

Cette seconde couche a un nom : le Generative Engine Optimization, ou GEO.

Définition précise du GEO

Le GEO désigne l'ensemble des pratiques d'optimisation visant à augmenter la probabilité qu'un contenu soit cité, mentionné ou recommandé par un moteur de recherche génératif. Ces moteurs, dont ChatGPT, Perplexity, Gemini, Claude et Microsoft Copilot sont les représentants les plus connus, ne retournent pas des listes de liens. Ils construisent des réponses. Des textes formulés, souvent sourcés, qui synthétisent l'information disponible sur un sujet.

La différence avec le SEO est fondamentale : quand quelqu'un tape une question sur Google, il voit une liste de dix résultats et choisit sur lequel cliquer. Quand la même personne pose la même question à Perplexity, elle reçoit une réponse directe, construite à partir de trois à cinq sources, avec des renvois discrets en marge. Elle ne choisit pas entre vous et votre concurrent. Elle reçoit une synthèse dans laquelle vous êtes cité, ou vous ne l'êtes pas.

L'ampleur du phénomène

Pour cerner pourquoi le GEO mérite une attention sérieuse, il faut regarder les chiffres de façon froide. ChatGPT dépasse 200 millions d'utilisateurs actifs hebdomadaires depuis fin 2024. Perplexity, lancé en 2022, a franchi la barre des 100 millions d'utilisateurs mensuels en 2024. Google AI Overviews (anciennement Search Generative Experience) s'affiche en tête des résultats dans environ 40% des requêtes en anglais, et le déploiement en français est en cours.

Ces chiffres ne signifient pas que le SEO est mort. Ils signifient qu'une proportion croissante des décisions d'achat, des sélections de prestataires et des recherches d'information se font maintenant via des interfaces qui ne renvoient pas toujours sur votre site. Un client potentiel à Lausanne qui cherche un conseiller financier indépendant peut très bien recevoir de Perplexity une liste de trois noms sans jamais avoir cliqué sur quoi que ce soit.

Pour les entreprises de Suisse romande, cela représente un enjeu concret. Si les IA génératives font office de bouche-à-oreille numérique, être absent de leurs réponses a des conséquences directes sur la visibilité commerciale.

Comment les IA choisissent ce qu'elles citent

Comprendre le GEO suppose de comprendre au moins partiellement la mécanique interne des LLM (Large Language Models). Deux mécanismes coexistent, et ils ne fonctionnent pas de la même façon.

Le contenu de formation

La première source d'information d'un LLM, c'est son entraînement. Les modèles comme GPT-4, Claude ou Gemini ont été entraînés sur des milliards de documents textuels récupérés sur le web, dans des livres, dans des bases de données académiques. Si votre site existait avant la date de coupure du modèle et qu'il produisait du contenu clair et autoritaire, il est probable qu'une partie de ce contenu a été intégrée dans le modèle.

Mais cette source a une limite évidente : elle est figée dans le temps. Un modèle entraîné en 2023 ne connaît pas vos actualités de 2025. Pour les requêtes factuelles et actuelles, les modèles modernes utilisent un second mécanisme.

La récupération en temps réel (RAG)

Le Retrieval-Augmented Generation, ou RAG, est aujourd'hui la technique dominante pour les requêtes nécessitant des informations actualisées. Le modèle effectue une recherche web en temps réel, récupère les pages les plus pertinentes, les analyse, et construit sa réponse à partir de ce qu'il trouve. C'est ce que font Perplexity par défaut, ChatGPT avec la recherche activée, et Google Gemini lorsqu'il accède à Search.

Pour un RAG, votre contenu est évalué dans un intervalle de quelques secondes. Le modèle cherche des pages qui répondent clairement à la question posée. Il favorise les sources qui ont une structure lisible, un contenu dense en informations factuelles, et des signaux d'autorité vérifiables. Il n'a pas de patience pour les introductions vagues ou les pages qui tournent autour du sujet sans y répondre directement.

Les trois critères de citabilité

Après analyse des comportements de citation des principaux modèles, trois facteurs ressortent de façon constante.

1. L'autorité perçue

Les LLM utilisent des signaux proches de ceux de Google pour évaluer l'autorité d'une source : l'ancienneté du domaine, le volume et la qualité des liens entrants, les mentions de votre marque ou de votre nom sur d'autres sites de référence, et la cohérence thématique de l'ensemble du site. Une page isolée sur un site généraliste aura moins de chances d'être citée qu'une page sur un site spécialisé avec une historique de contenu cohérent.

Les signaux E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) de Google s'appliquent directement ici. Un article signé par un auteur identifiable, avec une biographie, des références professionnelles et un historique de publications sur le sujet sera systématiquement préféré à un contenu anonyme.

2. La structure extractible

Le second facteur est peut-être le plus actionnable à court terme. Les LLM cherchent des contenus structurés de façon à ce que les réponses puissent être extraites facilement. Cela signifie concrètement : une introduction qui répond directement à la question principale de la page, des titres de section qui correspondent à des sous-questions précises, des paragraphes courts et denses en information, et l'usage du balisage sémantique comme FAQ Schema ou HowTo Schema.

Une page qui commence par trois paragraphes d'introduction générale avant d'arriver au sujet sera ignorée au profit d'une page qui répond dès les premières lignes. Ce n'est pas une recommandation stylistique, c'est une contrainte technique des systèmes de récupération.

3. La fraîcheur

Les systèmes RAG pénalisent le contenu ancien qui n'a pas été mis à jour. Une page de 2019 sans date de révision visible sera perçue comme potentiellement obsolète et passera après un concurrent qui a publié récemment. Cela ne signifie pas qu'il faut tout réécrire en permanence, mais que les pages stratégiques doivent indiquer clairement leur date de mise à jour, et être effectivement révisées à intervalles réguliers.

GEO et SEO : concurrents ou complémentaires ?

La question revient souvent, et la réponse est tranchée : les deux pratiques sont complémentaires. Un site techniquement solide, avec une bonne vitesse de chargement, des balises méta pertinentes, une structure de liens cohérente et un contenu de qualité bénéficiera aux deux.

Ce qui diffère, c'est la couche d'optimisation finale. En SEO, on optimise pour des algorithmes qui classent des pages en fonction de centaines de critères. En GEO, on optimise pour des modèles qui évaluent la citabilité d'un contenu dans un contexte de question précise. Un excellent contenu SEO peut être un mauvais contenu GEO si sa structure ne permet pas l'extraction rapide d'une réponse. Inversement, un contenu bien structuré pour les LLM sera souvent aussi mieux référencé sur Google.

Les premières actions concrètes

Avant de passer à des optimisations techniques avancées, cinq actions de base permettent de couvrir l'essentiel pour la majorité des entreprises.

Premièrement, créer un fichier llms.txt. Ce fichier texte, placé à la racine du site, liste les pages importantes et décrit la structure du contenu. C'est une convention communautaire (non un standard officiel) — llmstxt.org la présente comme "a proposal". Certains moteurs comme Perplexity en font mention, mais son impact sur la citabilité n'est pas documenté de façon précise. Action à faible coût, à mettre en place sans en attendre des résultats garantis.

Deuxièmement, auditer vos cinq pages principales pour leur citabilité. Prenez vos pages les plus importantes (page d'accueil, page services, page À propos, deux ou trois articles clés) et demandez-vous : si une IA devait citer cette page pour répondre à la question principale qu'elle traite, y aurait-elle clairement la réponse en moins de trois paragraphes ? Si la réponse est non, c'est votre premier chantier d'optimisation.

Troisièmement, ajouter des données structurées FAQ Schema sur les pages qui traitent de questions fréquentes. Ce balisage est parsé par pratiquement tous les grands LLM. Il indique explicitement à la machine qu'une question est posée et qu'une réponse la suit. C'est l'une des actions à meilleur ratio effort/impact dans tout le spectre GEO.

Quatrièmement, identifier clairement les auteurs de vos contenus. Une page de blog anonyme est systématiquement moins bien évaluée qu'un article signé par un auteur avec un titre professionnel, une biographie et idéalement une présence vérifiable sur d'autres plateformes. Créer ou enrichir une page auteur est une action simple avec un impact direct sur l'E-E-A-T.

Cinquièmement, commencer à tester manuellement votre citabilité. Posez à Perplexity ou à ChatGPT (avec recherche activée) des questions que vos clients potentiels poseraient dans votre secteur. Est-ce que votre nom, votre marque ou votre site apparaît ? Si oui, dans quel contexte ? Si non, qui apparaît à votre place, et pourquoi ?

Ce qu'il faut retenir

Le GEO n'est pas une révolution qui efface vingt ans de SEO. C'est une extension de la discipline de référencement à un nouveau type de surface de visibilité, celle des réponses construites par des IA génératives. Les fondations restent les mêmes : contenu de qualité, autorité construite dans le temps, aspects techniques soignés. Ce qui change, c'est la façon dont ce contenu doit être structuré et présenté pour être citable.

Pour une entreprise, l'essentiel est de comprendre que cette visibilité n'est pas automatique. Elle se construit, elle s'optimise, et elle peut être mesurée, même sommairement. Les guides suivants détaillent chaque aspect de cette optimisation, depuis les données structurées jusqu'au comportement spécifique de chaque moteur IA.