Marque de joaillerie de luxe, marché américain · programme GEO (l'optimisation pour les moteurs de réponse IA) de trois mois · Détails client anonymisés. Les indicateurs du programme sont réels.
Situation
La marque vend de la haute joaillerie à une clientèle américaine qui se renseigne avant d'acheter. Une part croissante de ces recherches se fait désormais dans ChatGPT, Claude, Gemini, Perplexity et les AI Overviews de Google, dans des conversations privées qu'aucun tableau de bord analytique n'enregistre.
Deux ans plus tôt, la marque avait traversé une période difficile sur le service après-vente : réparations lentes, e-mails sans réponse, une série de plaintes sur des forums et dans des articles archivés. Sur le plan opérationnel, le problème était réglé. Nouvelle équipe, nouveau processus, nouveaux chiffres.
Les moteurs d'IA, eux, n'avaient pas suivi. Les cinq principaux modèles continuaient tous de puiser leurs réponses dans les anciennes plaintes. Deux concurrents au service moins solide étaient présentés comme les références de la catégorie en matière de service, sur la base d'éléments plus minces. Quand un prospect demandait à un assistant « cette marque est-elle fiable après l'achat ? », la réponse datait de 2024.
La direction a posé une question simple : que disent réellement les moteurs d'IA à notre sujet, d'où tirent-ils ces informations, et pouvons-nous changer cela ?
Méthode
La mesure d'abord. Nous avons soumis quelques centaines de prompts pertinents pour la marque aux cinq modèles, les questions que pose un vrai acheteur : fiabilité, patrimoine, valeur de revente, après-vente, comparaison avec des concurrents nommés. Pour chaque réponse, nous avons relevé la position prise, la tonalité et les sources citées. Chaque modèle racontait une histoire différente ; chacun a donc été évalué séparément.
Cartographie des sources. Le constat central de tout audit GEO : les sources qui façonnent les réponses de l'IA sont rarement celles dans lesquelles une marque investit. Ici, le site de la marque était cité dans 13 % des réponses. Forums, fils Reddit, articles archivés et avis tiers assuraient le reste. Plusieurs des fils les plus cités dataient de plusieurs années et étaient fermés aux nouvelles réponses.
Écart concurrentiel. Les mêmes prompts, appliqués aux deux concurrents directs, ont montré précisément où la marque était absente, mal présentée ou devancée, modèle par modèle.
Remédiation. Trois mois de travail GEO sur les sources que les moteurs lisent réellement : des articles de référence placés dans GQ, dans des médias du luxe et dans la presse professionnelle ; des contenus sur le patrimoine et le savoir-faire conçus pour être cités ; un travail technique de fond sur le site pour que les moteurs puissent le lire ; et une présence nouvelle et factuelle là où vivaient les anciens fils. Aucune polémique à l'intérieur des anciennes plaintes. De meilleures sources, placées là où regardent les moteurs, prennent leur place.
Suivi. Le suivi de la visibilité dans l'IA fonctionne désormais en parallèle de la veille médias traditionnelle de la marque, avec une simulation mensuelle de prompts pour détecter tôt les nouvelles mentions négatives.
Résultats
Après trois mois :
- Taux de citation du site de la marque : de 13 % à 30 %. Les pages de la marque sont devenues une source à laquelle les moteurs font confiance.
- Taux de citation patrimoniale : de 15 % à 50 %. L'histoire que la marque voulait voir racontée, racontée par les modèles.
- Mentions négatives sur l'après-vente : de 11 à 0. Mentions négatives sur la revente : de 6 à neutre.
Sur la même période, les deux concurrents ont perdu leur statut de « référence en matière de service », non parce que quoi que ce soit a été dit contre eux, mais parce que la base de preuves a changé.
Ce que cela signifie pour toute marque de luxe
Trois enseignements sur lesquels un conseil d'administration peut agir sans expertise technique.
Votre réputation vit désormais dans les modèles, et vous ne pouvez pas la voir depuis votre tableau de bord. L'écoute sociale et la veille presse surveillent les canaux publics. Les réponses de l'IA sont privées, un acheteur à la fois. Si personne ne mesure la tonalité modèle par modèle, personne ne sait.
Les moteurs d'IA compilent l'historique. Un problème réglé sur le plan opérationnel reste vivant dans les réponses tant que les sources ne changent pas. Un travail de réputation qui s'arrête aux retombées presse laisse sans gestion la couche la plus durable.
Le contenu distribué l'emporte sur le contenu propriétaire. Reddit, Wikipedia, LinkedIn et les contenus éditoriaux tiers génèrent bien plus de citations dans l'IA que les sites de marque. Les marques de luxe qui optimisent encore leur propre domaine pour Google optimisent le mauvais actif pour le mauvais canal. Gartner prévoit une baisse de 50 % du trafic de recherche organique d'ici 2028.
Trois questions pour tout dirigeant ce trimestre : que faisons-nous pour suivre nos citations dans l'IA, et pas seulement notre trafic organique ? Quelles sources les modèles citent-ils à notre sujet, et y sommes-nous présents ? Lesquelles de nos pages se situent entre la 10e et la 20e position sur Google et n'ont pas été actualisées cette année ? C'est sur ce dernier point que l'investissement en citations produit ses effets cumulés le plus vite.
Sources :
- Semrush: The Most-Cited Domains in AI (30M Citation Study) (les domaines les plus cités par l'IA, étude sur 30 millions de citations)
- AirOps AI Visibility Report: Retrieval, Fan-out and Google SERPs in ChatGPT Citations (rapport sur la visibilité dans l'IA et les citations de ChatGPT)
- Gartner: Organic Search Traffic to Drop 50% by 2028 (baisse de 50 % du trafic de recherche organique d'ici 2028)