Tu veux les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Des données structurées et un store locator lisible par les IA
Les intelligences artificielles ne perçoivent pas l'interface visuelle d'un site web, mais uniquement des données brutes. Thibault Renouf explique que les IA ne voient pas les éléments graphiques comme les boutons ou les appels à l'action colorés, mais se concentrent sur la data. Par exemple, des horaires inscrits en texte libre, tels que « du lundi au vendredi de 10h à 19h », ne sont pas exploitables par un modèle de langage (LLM). Ces modèles nécessitent des métadonnées structurées pour distinguer les horaires, les adresses ou les services proposés.
Une étude menée par Meteoria sur 15 000 requêtes géolocalisées démontre que les store locators, c'est-à-dire les pages associant une agence ou un magasin à une ville, sont la première catégorie de sources utilisées par les IA pour répondre aux requêtes locales. Plus un store locator est bien structuré et riche en contenu, incluant des produits, des FAQ, des avis et des informations pratiques, plus il a de chances d'être sélectionné par les IA. L'étude indique également que les modèles de langage ajoutent fréquemment « 2026 » dans leurs requêtes dérivées, ce qui souligne l'importance de la fraîcheur du contenu. Des mises à jour régulières, des actualités et des promotions augmentent considérablement les chances d'être scrappé.
Un point technique important est que les textes des avis Google Maps ne sont pas directement lisibles par ChatGPT et la plupart des modèles de langage, qui n'accèdent qu'à la note globale et au nombre d'avis. Pour rendre ces informations accessibles aux IA, il est conseillé d'intégrer les verbatims des avis directement dans les pages du store locator, sous forme de blocs de texte balisés. Les IA apprécient particulièrement ces informations.
Omniprésence : multiplier les mentions pour renforcer l’entité
Les IA ne raisonnent pas en termes de sites web mais en entités, qui sont des représentations structurées d'une entreprise, d'un lieu ou d'une personne, avec des attributs tels que l'adresse, les horaires, les services et les avis, ainsi que leurs relations avec d'autres entités. Thibault Renouf résume cela en disant : « Un site web, c’est les backlinks. Une entité, c’est les mentions. » Plus une entité est mentionnée de manière cohérente sur de multiples sources, plus le signal envoyé aux IA est fort.
Les intervenants ont souligné le rôle inattendu des annuaires dans ce processus. Des plateformes comme Mappy, 118 000, Petit Futé ou Pages Jaunes, bien que leur fréquentation humaine directe ait diminué depuis des années, sont massivement scrappées par les IA pour les requêtes locales. La cohérence des informations entre le site de la marque, les fiches Google, les annuaires et les réseaux sociaux devient un facteur déterminant de visibilité dans les réponses générées.
Les comparateurs sont également une source privilégiée. En scrappant une seule page de comparateur, le modèle de langage récupère les informations de dizaines de marques simultanément, ce qui réduit son coût de traitement. Comme le souligne Idriss Khouader, les sources sélectionnées varient considérablement d’un modèle de langage à l’autre, ce qui renforce l’intérêt d’être présent sur un maximum de plateformes.
Les avis en ligne définissent ce que les IA pensent d’une marque
Le troisième levier identifié concerne les avis clients, dont le rôle dépasse désormais la simple preuve sociale vis-à-vis des consommateurs. « Les avis définissent ce que les IA pensent de vous », a martelé Thibault Renouf. Les modèles de langage utilisent les avis, incluant les notes, les volumes et les contenus, pour évaluer la qualité d’un point de vente et orienter leurs recommandations. Par exemple, si un restaurant a reçu un avis mentionnant un problème d’hygiène il y a trois ans, cette information peut resurgir dans une réponse générée, même si aucun utilisateur humain ne serait allé relire un avis aussi ancien.
Les fonctionnalités de comparaison par avis, déjà en test aux États-Unis, vont amplifier cette tendance. L'utilisateur ou l'utilisatrice pourra sélectionner plusieurs établissements, décrire ses critères et laisser l'IA analyser les milliers d'avis pour formuler une recommandation personnalisée. « Vous pouvez imaginer que l’IA va lire les milliers d’avis et dire "tu devrais aller chez celui-là parce que celui-là, apparemment, c’est des arnaqueurs" », a anticipé Thibault Renouf. Dans ce contexte, la gestion active des avis, incluant la collecte, la réponse systématique et le traitement des avis négatifs, ne relève plus seulement de la e-réputation. Elle conditionne directement la visibilité dans les réponses des IA, ajoutant une dimension supplémentaire à l'évolution en cours du référencement de proximité.
