En bref. Les résultats GEO initiaux nécessitent de nouveaux tests avant leur application aux moteurs actuels, et la nouvelle évaluation contrôlée de Citead ne constate aucune transposition positive pour les modifications testées.
Définition : Les premières expériences d’optimisation pour les moteurs de réponse (generative engine optimization, GEO) établissent des résultats propres aux moteurs, requêtes et méthodes de mesure testés. Transposer ces résultats aux moteurs de réponse actuels exige de nouvelles expériences, comme l’illustre la réévaluation par Citead des modifications de contenu de l’étude GEO initiale.
Points clés
- L’étude GEO d’Aggarwal et de ses collègues est initialement soumise en novembre 2023 ; sa dernière révision répertoriée date de juin 2024.
- Le protocole expérimental de l’étude initiale fournit les cinq premières sources de Google à un modèle gpt3.5-turbo et échantillonne cinq réponses par requête à une température de 0,7.
- L’étude de Citead sur le score GEO, soumise en septembre 2026, ne constate aucune évolution des citations dans le sens positif publié pour les ajouts de citations textuelles, de statistiques et de références aux sources testés sur dix familles de moteurs.
- Le résumé de l’étude ultérieure donne aux scores calculés sans la requête un rôle de filtre de qualité, sans leur attribuer celui de prédicteur de citation.
Que mesure l’expérience initiale ?
L’optimisation pour les moteurs de réponse consiste à modifier le contenu d’un site web pour changer sa visibilité dans les réponses. Dans l’étude GEO initiale, les chercheurs sélectionnent une source pour chaque requête, appliquent séparément des modifications de contenu et comparent les réponses obtenues à une référence sans modification. L’étude rapporte une visibilité accrue pour les modifications qui ajoutent des citations textuelles, des statistiques ou des références aux sources dans le texte de la source.
La visibilité possède une définition opérationnelle précise. Le nombre de mots pondéré par la position (Position-Adjusted Word Count) compte les mots des phrases attribuées à une source dans la réponse et pondère davantage les premières phrases. L’impression subjective (Subjective Impression) repose sur les jugements d’un modèle concernant différents aspects de la présentation de la citation. Les améliorations rapportées décrivent ces mesures à l’échelle de la réponse.
L’expérience Perplexity possède également un périmètre défini. L’annexe C.1 fournit les textes sources sous forme de fichiers téléversés et impose leur utilisation dans les réponses. Ce protocole teste la production de réponses à partir de documents fournis. Les limites de l’étude prévoient explicitement une adaptation à l’évolution des moteurs et de la distribution des requêtes.
Que change la nouvelle évaluation ?
L’expérience de validation par les résultats de Citead compare une source cible non modifiée, une modification déterministe ajoutant une citation textuelle et un ajout neutre de même longueur. Ce témoin aide à distinguer l’effet de la citation textuelle de celui du texte ajouté. La visibilité mesure la part des mots de la réponse attribués à chaque source, pondérée par leur position.
L’étude étend la comparaison aux ajouts de statistiques et de références aux sources et présente les résultats sur dix familles de moteurs. Les interventions testées ne montrent aucune transposition positive des résultats antérieurs. Ce résultat expérimental concerne ces modifications et le protocole ultérieur, dont les modifications déterministes reproduisent approximativement celles produites initialement par un modèle.
Le protocole ultérieur fournit toujours cinq sources sélectionnées et fixe la consigne de format des citations ; l’étude présente la recherche sur le Web ouvert et la concurrence entre pages comme un cadre de validation distinct. Son score de contenu sert donc au contrôle de la qualité éditoriale et au filtrage de corpus, tandis que la sélection des citations reste dépendante de la question et des sources concurrentes.
Comment un propriétaire de site peut-il évaluer une affirmation transposée ?
Les deux études suggèrent cette méthode : identifier la modification de contenu testée, les sources fournies et la mesure des réponses avant d’appliquer un résultat à un site web. Le test Perplexity à sources téléversées de l’étude initiale et le protocole à sources fixes de Citead font de la sélection des sources une limite explicite des résultats.
Pour une réplication revendiquée, la comparaison nécessite aussi les identifiants des moteurs, le jeu de requêtes et la condition témoin. L’étude de Citead documente les identifiants de modèles figés pour son expérience initiale de mesure des résultats et publie les données brutes. Elle nomme ce rapport pour les mesures regroupées des interventions sur les moteurs modernes :
modern_anchors_report.json
Ce rapport concerne les effets mesurés des interventions. Une hausse du score de contenu renseigne sur les propriétés mesurées de la page, ce qui répond à une autre question. Distinguer ces résultats évite qu’un résultat historique de visibilité devienne une recommandation sans fondement pour les moteurs actuels.
Termes associés
- L’article GEO de 2023 (Aggarwal et al.)
- L’étude du score GEO (arXiv 2609.07559)
- Optimisation pour les moteurs de réponse (GEO)
- Reproductibilité des réponses IA
Questions fréquentes
Dois-je ajouter des citations textuelles parce que l’étude initiale rapporte des gains ?
Interprétez ce résultat dans le cadre de son protocole d’origine. Les tests ultérieurs de Citead ne constatent aucune transposition positive pour l’ajout de citations textuelles testé ; cette étude ne fonde donc aucune promesse de gain de citations sur les moteurs actuels grâce à cet ajout.
Le fait de tester Perplexity fait-il du résultat initial un résultat obtenu sur le Web en direct ?
L’annexe C.1 de l’étude initiale indique que l’expérience téléverse les textes sources sous forme de fichiers et limite les réponses à ces sources. Pour évaluer sa pertinence pour votre site web, conservez cette condition de sources fournies dans la description du résultat.
Sources
- arXiv, « GEO: Generative Engine Optimization », révisé le 28 juin 2024
- Aggarwal et al., « GEO: Generative Engine Optimization », 2024
- Bajemon et Rochet, « Scoring Without the Engine: Validating a Deterministic, Manipulation-Resistant Content Score for Generative Engines, End to End », 7 septembre 2026
- arXiv, « Scoring Without the Engine: Validating a Deterministic, Manipulation-Resistant Content Score for Generative Engines, End to End », 7 septembre 2026
Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO