ChatGPT et Perplexity : leurs stratégies de recherche locale

ChatGPT et Perplexity : une approche distincte de la recherche locale

Comment les intelligences artificielles comme ChatGPT et Perplexity choisissent-elles les sources pour répondre à des questions telles que « quelle est la meilleure assurance à Paris » ? Une étude exclusive, présentée lors du SMX Paris 2026 par Idriss Khouader, cofondateur de Meteoria, et Thibault Renouf, co-CEO de Partoo, a analysé environ 15 000 prompts géolocalisés couvrant une vingtaine de secteurs et 200 villes françaises pour apporter des réponses chiffrées à cette question.

Deux IA, deux méthodes pour interroger le web

Lorsque des utilisateurs posent des questions à ChatGPT ou Perplexity, ces modèles de langage ne se contentent pas de puiser dans leurs bases de données préexistantes. Ils génèrent des requêtes, appelées query fan-outs, qu'ils envoient aux moteurs de recherche pour obtenir des sources en temps réel. Selon Idriss Khouader, cette étape intermédiaire est cruciale pour déterminer quelles sources seront analysées et quelles marques apparaîtront dans la réponse finale. L'étude présentée à SMX Paris révèle des différences significatives entre les deux IA à chaque étape de ce processus.

ChatGPT : des requêtes longues et bilingues, Perplexity : des requêtes courtes et stables

ChatGPT génère systématiquement des requêtes dans la langue du prompt ainsi qu'en anglais, indépendamment du pays d'origine de la question.

• « Si je pose un prompt en espagnol, il va faire la même chose : une requête en espagnol et une requête en anglais. Cela signifie que pour influencer les réponses de ChatGPT, il est nécessaire de disposer de contenu en anglais, car la moitié des sources récupérées seront anglophones », a expliqué Idriss Khouader.

Ces requêtes sont en moyenne longues, avec 11,5 mots, et très précises.

Perplexity, dans sa version gratuite, adopte une approche différente : une seule recherche par prompt, dans la langue d'origine, avec des requêtes courtes d'environ 5 mots en moyenne, très proches du prompt initial.

ChatGPT explore, Perplexity répète

Pour mesurer la persistance des comportements des IA, l'étude a soumis 100 fois le même prompt à chaque IA. Le résultat montre que ChatGPT explore massivement. Pour un prompt tel que « quelle est la meilleure assurance à Paris dans le 10e », 63 des 67 query fan-outs récupérées étaient uniques, explorant des variations autour de l'assurance, des comparateurs, des avis, et des options spécifiques. Perplexity, en revanche, produit quasiment la même requête à chaque envoi (« meilleure assurance Paris 10e 2026 »).

Cette différence de comportement se traduit directement sur les sources. ChatGPT utilise en moyenne 22,7 sources par réponse, et sur 100 envois du même prompt, le corpus total atteint 132 URL uniques.

• « C’est énorme. Cela signifie que pour influencer au maximum la réponse de ChatGPT sur un prompt, il faut influencer ces 132 sources », a souligné Idriss Khouader.

Perplexity mobilise moins de sources par réponse (18 en moyenne) et présente un corpus beaucoup plus stable : seulement 40 URL uniques sur 100 envois.

Implications pour la visibilité locale

Ces différences de fonctionnement ont des implications directes pour les professionnels du marketing local et du SEO. Avec ChatGPT, la variabilité des sources signifie qu’une marque peut apparaître dans une réponse et disparaître de la suivante. L’enjeu est d’être présent sur un maximum de pages susceptibles d’être scrapées. Avec Perplexity, le corpus étant plus restreint et plus stable, l’enjeu est d’être positionné sur les quelques sources récurrentes.

L’étude a également permis d’identifier trois catégories de sources privilégiées par les IA pour les requêtes locales :

• Les store locators des marques (pages de type « agence + ville »), qui constituent la première source de données utilisée par les IA pour les requêtes géolocalisées.

• Les annuaires (Mappy, 118 000, Petit Futé, etc.), que Thibault Renouf qualifie de « revanche des petits annuaires : on nous a dit pendant des années “est-ce que les gens vont vraiment sur 118 000 pour chercher un point de vente ?” Mais maintenant, les IA y vont ».

• Les comparateurs, privilégiés par les LLM parce qu’ils concentrent de nombreuses marques sur une seule page, ce qui réduit le coût de traitement par rapport au scraping de multiples sites individuels.

Pour mesurer l’efficacité de leur visibilité dans les réponses des IA, trois indicateurs ont été présentés :

• Le taux de visibilité : fréquence d’apparition de la marque sur 30 envois du même prompt.

• La position moyenne dans la réponse : plus la marque est mentionnée tôt, plus elle est mémorisée.

• Le taux de source : pourcentage de fois où une page du site a été utilisée comme source de données.

Ces métriques, encore nouvelles, s’ajoutent aux indicateurs SEO traditionnels dans un paysage de la recherche en pleine recomposition.