Par Elisha Bajemon | Publié le 17 octobre 2026

Comment les moteurs de réponse choisissent leurs sources : ce que les études permettent d’affirmer en 2026

En bref

Les études examinées mesurent des comportements de citation dans des protocoles datés, sans établir une règle générale de sélection des sources. Le travail d’Aggarwal et al., version de juin 2024 utilisait un moteur expérimental alimenté par les cinq premiers résultats Google. Bajemon et Rochet, septembre 2026 ne retrouvent pas les gains historiques des leviers GEO dans leurs essais couvrant dix familles de moteurs. L’audit de Liu, Zhang et Liang, 2023 relevait 51,5 % de phrases entièrement étayées. Selon Pew Research Center, 22 juillet 2025, les clics sur les résultats classiques concernent 8 % des visites avec résumé IA, contre 15 % sans. Ces résultats portent sur des objets différents.

Points clés

• Aggarwal et al., 2024 présentent GEO-bench, qui rassemble 10 000 requêtes, et mesurent la visibilité par les mots associés aux citations et leur position.
• Liu, Zhang et Liang, 2023 trouvent que 74,5 % des citations soutiennent la phrase associée dans leur audit de quatre moteurs.
• Liu et al., 2023 observent qu’une information au milieu d’un long contexte est souvent moins bien utilisée.
• Chen et al., 2025 constatent une prédominance des sources tierces dans les expériences de classement de marques étudiées.
• Bajemon et Rochet, 2026 situent le score de contenu comme un filtre de qualité éditoriale, sans valider une prévision des citations à partir du seul texte.

Quelles études permettent de parler du choix des sources ?

Chaque protocole répond à une question précise. Dans leur travail soumis le 16 novembre 2023, Aggarwal et ses coauteurs modifient des sources pour mesurer un effet sur leur visibilité. L’étude de Bajemon et Rochet, déposée le 7 septembre 2026, réévalue des interventions avec un contrôle de longueur. Ces expériences cherchent un effet causal dans leur cadre de test.

L’audit de Liu, Zhang et Liang, soumis le 19 avril 2023, fait vérifier les réponses et leurs citations par des personnes. L’étude de Chen et al., déposée le 10 septembre 2025, compare notamment les types de domaines repris par les moteurs. Le panel Pew, publié le 22 juillet 2025, observe la navigation. Ces mesures décrivent des fréquences et des associations.

Enfin, le travail de Liu et al., soumis le 6 juillet 2023, déplace l’information pertinente dans le contexte fourni aux modèles. Notre recommandation est d’identifier la mesure derrière chaque conseil éditorial : sélection des liens, usage des documents, exactitude des citations ou clics. Consultez aussi Lire une étude sur la visibilité dans les IA : corrélation, intervalle de confiance et taille d’échantillon.

Que mesurait l’étude GEO, et ses chiffres valent-ils encore ?

Le moteur expérimental décrit par Aggarwal et al., dans la version du 28 juin 2024 récupère les cinq premiers résultats Google, puis fait rédiger la réponse par GPT-3.5 Turbo. GEO-bench contient 10 000 requêtes réparties entre apprentissage, validation et test ; le papier évalue neuf méthodes de modification du contenu.

La mesure PAWC compte les mots des phrases qui citent une source, avec une pondération selon leur position dans la réponse. Les gains maximaux annoncés sont de 41 % sur cette mesure et de 28 % sur une mesure d’impression subjective. Un essai distinct porte sur Perplexity.ai. Ces résultats sont donc à lire avec leur moteur et leur indicateur dans L’étude GEO de 2023.

La réévaluation de Bajemon et Rochet, 2026 couvre dix familles de moteurs. Elle porte sur l’ajout de citations textuelles, de statistiques et de références. Les essais ne retrouvent pas les gains publiés. La couverture des interventions varie entre les groupes de tests, et les modifications appliquées approchent celles que le papier initial faisait produire par un modèle. Le dossier Les trois leviers GEO de 2023 accompagne cette lecture.

Les moteurs de réponse citent-ils correctement leurs sources ?

L’audit de Liu, Zhang et Liang, 2023 porte sur Bing Chat, NeevaAI, perplexity.ai et YouChat, avec 1 450 requêtes par système. Les réponses ont été collectées entre fin février et fin mars 2023.

En moyenne, 51,5 % des phrases générées sont entièrement étayées par leurs citations, et 74,5 % des citations soutiennent la phrase associée. Le premier indicateur mesure la couverture des affirmations ; le second vérifie si le lien apporte la preuve annoncée.

Dans la comparaison entre moteurs, l’utilité perçue et la précision des citations sont inversement corrélées. Ces observations décrivent les systèmes de la période étudiée. Notre conseil est donc d’ouvrir les liens avant de reprendre une affirmation, même lorsque la réponse paraît utile. Consultez Les citations des moteurs de réponse sont-elles fiables ? Ce que mesure l’étude de Liu, Zhang et Liang (2023).

Quelles sources les moteurs de réponse privilégient-ils ?

Dans l’étude de Chen et al., septembre 2025, les requêtes demandent des classements de produits ou de marques. Les moteurs sont interrogés par API, avec notamment gpt-4o-search-preview, sonar-pro, gemini-2.5-flash et claude-3.5-sonnet-latest, dotés de fonctions de recherche. Les domaines sont dédupliqués puis, lorsque nécessaire, classés par GPT-4o-search-preview en sites de marque, plateformes sociales ou sources tierces.

Pour les marques connues, les parts de sources tierces atteignent 93,5 % chez ChatGPT, 87,3 % chez Claude, 67,4 % chez Perplexity et 63,4 % chez Gemini. Ces proportions concernent cette expérience et ces catégories. Les auteurs reconnaissent que la frontière entre média tiers et blog de marque peut être subjective. Les pourcentages décrivent les sorties des appels étudiés, sans mesurer le poids d’un critère dans l’algorithme interne.

Consultez Ce que l’étude How to Dominate AI Search (Chen et al., 2025) dit des sources que privilégient les moteurs.

La position d’une information change-t-elle ce qu’un modèle en retient ?

Dans Lost in the Middle, Liu et al., 2023, les chercheurs testent des questions accompagnées de plusieurs documents et des tâches de recherche de valeurs. La performance suit souvent une courbe en U : elle est meilleure quand l’information utile se trouve au début ou à la fin du contexte.

Dans une expérience, placer l’information au milieu fait passer GPT-3.5 Turbo sous sa performance sans document, qui atteint 56,1 %. Le résultat concerne l’utilisation d’un contexte déjà fourni au modèle. Il ne mesure pas l’effet de la position d’une réponse dans une page web sur la sélection de son lien.

Consultez Lost in the Middle : ce que la position d’une information dans un long texte change pour un modèle de langage.

Un score calculé sur le texte peut-il prévoir les citations ?

Scoring Without the Engine, déposé le 7 septembre 2026 est le papier d’Elisha Bajemon et André-Louis Rochet, de l’équipe Citead. Les auteurs situent le score comme un filtre de qualité pour le contrôle éditorial, les tests de régression et les audits de classement.

Le résumé annonce une corrélation de Spearman de 0,11 entre score et visibilité, calculée à l’intérieur des groupes de sources répondant à une même question. Dans la comparaison élargie, le score fixe atteint 0,119 et le modèle lisant la question avec le document atteint 0,388. Les valeurs 0,11 et 0,119 portent sur des périmètres distincts. Ces coefficients décrivent une association entre classements, sans donner une probabilité de citation.

La limite théorique tient à la question : un score qui l’ignore classe toujours les mêmes pages dans le même ordre, alors que leur pertinence peut changer avec la demande. Le papier établit un plafond sous cette condition, sans en estimer directement la valeur.

Sur le banc d’essai de 500 sources, le gain moyen de score le plus élevé rapporté pour un levier isolé atteint 6,1 points. Ce résultat dépend des attaques et des doses testées. Les auteurs recommandent les détecteurs classiques pour les dégradations de type spam, avec le score comme mesure complémentaire de qualité. Consultez Scoring Without the Engine expliqué : ce que valide un score de contenu calculé sans interroger les moteurs.

Que deviennent les clics quand Google affiche un résumé IA ?

Selon Pew Research Center, 22 juillet 2025, qui analyse la navigation de 900 adultes américains en mars 2025, les visites avec résumé IA sont suivies d’un clic sur un résultat classique dans 8 % des cas, contre 15 % sans résumé. Un lien du résumé reçoit un clic dans 1 % des visites concernées. Les fins de session représentent 26 % des visites avec résumé et 16 % sans.

Les résultats des recherches ont été reconstitués du 7 au 17 avril 2025, après la période de navigation ; Pew précise qu’ils peuvent changer au fil du temps. Il s’agit d’une association observée dans ce panel américain. Elle ne permet pas de chiffrer l’effet causal d’un résumé sur les visites de votre site.

Consultez Moins de clics quand Google affiche un résumé IA : ce que mesure l’étude du Pew Research Center de juillet 2025.

Qu’est-ce qui reste non établi en 2026 ?

Le passage des essais contrôlés au web ouvert reste une limite. Bajemon et Rochet, 2026 fournissent cinq sources et une consigne fixe au moteur, sans reproduire la recherche sur le web ouvert avec concurrence et déduplication des pages. Les auteurs appellent à tester les interventions de structure et de fraîcheur ; leur mesure de fraîcheur reste observationnelle.

Pour votre suivi, nous recommandons de conserver les questions et les réponses avec leur date, puis de vérifier les pages effectivement reprises. Observez séparément la qualité du texte, ses citations et les visites reçues. Le dossier PAWC, part de citation et rang de la source : les mesures utilisées par la recherche sur le GEO complète cette lecture.

Pour aller plus loin

Les articles suivants accompagnent cette synthèse :

• Pourquoi un score calculé sur le seul texte ne prédit pas le choix des sources par les moteurs.
• À quoi sert un score de contenu : audit de site, contrôle éditorial et tests de régression.
• Calibrer un score par intervention : comment les poids du score ont été choisis.
• Un attaquant peut-il gonfler un score de contenu ? Le test sur 500 sources modifiées.
• Détecter un contenu gonflé pour les moteurs.
• Dix modèles testés en conditions contrôlées : ce que les relevés de citation montrent modèle par modèle.
• Le score appliqué au français.
• Les détecteurs de texte généré.
• Sentence-BERT expliqué : mesurer la proximité de sens entre une question et un passage.
• Entropie de Shannon et densité d’information : ce que mesure le premier poids du score.
• La naturalité d’un texte et sa citation : pourquoi ce critère reste hors du score.
• Quels domaines les moteurs citent sur les questions de visibilité dans les IA.
• Robots d’IA, citations et visites : suivre de bout en bout ce que les moteurs de réponse font de votre site.

Consultez la méthode de calcul du score Citead pour examiner ses critères. Pour son interprétation, retenez l’usage de contrôle de qualité défini par Bajemon et Rochet, 2026.