Les 100 facteurs qui influencent les recommandations des IA : ChatGPT, Claude, Gemini, Perplexity et Google AI Mode

Comment une IA arrive-t-elle à recommander une marque ?

Étape 1 : interpréter la requête

Le système analyse l'intention, les contraintes (secteur, budget, langue, localisation) et les entités. Deux formulations proches n'activent pas la même recherche ni les mêmes sources. Cette étape échappe en partie à votre contrôle, mais elle décide si votre contenu, taillé pour une intention précise, sera même considéré.

Étape 2 : décider s'il faut chercher sur le web

Chaque produit décide, requête par requête, s'il mobilise ses seules connaissances apprises ou s'il déclenche une recherche web. Cette décision est documentée pour Gemini, Claude et ChatGPT. Sans recherche, votre visibilité dépend de votre empreinte dans le corpus ; avec recherche, de votre présence récupérable en direct.

Étape 3 : récupérer des documents et des passages

Le système interroge un ou plusieurs index (le robot OAI-SearchBot et des partenaires de recherche pour ChatGPT, Google pour Gemini et AI Mode, Brave Search, déclaré parmi les sous-traitants d'Anthropic en mars 2025, pour Claude, un index propre pour Perplexity), puis extrait des passages. Google AI Mode décompose la requête en plusieurs sous-requêtes parallèles, un mécanisme officiel appelé « query fan-out ». Ici priment l'accessibilité technique et la pertinence du passage.

Étape 4 : classer, filtrer, comparer

Les passages candidats sont reclassés, filtrés et comparés. Les travaux sur les LLM classeurs montrent des biais de position et de popularité : l'ordre et la notoriété influencent le résultat, sans pondération publique. La corroboration entre sources joue ici, sans garantie.

Étape 5 : produire une recommandation

Le modèle synthétise et, le cas échéant, nomme des options adaptées. La recommandation peut s'appuyer sur un consensus externe plutôt que sur les affirmations de la marque. Une solution mal documentée ailleurs part avec un handicap, même si son propre site est excellent. Pour approfondir ce mécanisme, voir comment une IA choisit les logiciels qu'elle recommande.

Étape 6 : sélectionner ou rattacher des citations

Les produits qui affichent des citations (Perplexity et AI Mode presque toujours, Gemini via ses données de grounding, Claude et ChatGPT en mode recherche) rattachent des sources à certaines phrases. La source citée soutient une phrase ; elle n'a pas forcément déterminé la recommandation, et les citations sont fréquemment inexactes. L'ordre des citations n'est pas un classement stable.

Le mécanisme complet, étape par étape et moteur par moteur, est dans comment fonctionnent les moteurs génératifs. Les dix familles de facteurs et leur niveau de preuve, dont ce tableau détaille les cent sous-facteurs, sont dans le guide complet du GEO.

Ce que signifie vraiment le mot « facteur »

• Direct : agit vraisemblablement sur une décision, à une étape identifiée (ex. la pertinence d'un passage). Effet probabiliste, jamais garanti.
• Indirect : agit via un intermédiaire (ex. les liens éditoriaux influencent l'index de recherche, donc la récupérabilité, sans être un facteur GEO autonome confirmé).
• Prérequis : sans lui rien ne se passe, mais sa présence ne suffit pas (ex. l'accessibilité au crawler).
• Proxy : corrèle avec un résultat sans en être la cause directe (ex. le volume d'avis, souvent lié à la notoriété).
• Contextuel : dépend de la requête ou de l'utilisateur (langue, localisation, besoin de fraîcheur, activation de la recherche).
• Négatif : diminue la probabilité d'être retenu (faux avis, informations erronées persistantes, contenu de faible valeur en masse).

Notre méthode, et pourquoi corrélation n'est pas causalité

Les sources sont hiérarchisées : documentation officielle des fournisseurs, publications scientifiques, analyses techniques transparentes, plateformes commerciales. Lorsque deux sources fiables divergent, nous vérifions dates, périmètres et versions, puis retenons la formulation la plus prudente. Les chiffres tiers (nombre de sous-requêtes du fan-out, recoupement avec l'organique) sont présentés comme des observations tierces, jamais comme des faits officiels. Deux facteurs souvent surestimés ont leur dossier : llms.txt, sans consommateur documenté, et les données structurées, sans effet démontré sur les citations.

Le piège central est la causalité. Observer qu'une marque souvent recommandée possède beaucoup d'avis ne prouve pas qu'elle est recommandée à cause de ses avis. Une marque très citée cumule en général plus de pages, plus de liens, plus d'avis, plus de couverture média et une notoriété plus large : ces variables sont corrélées entre elles. Le biais de popularité documenté produit justement de la corrélation sans qu'un « compteur d'avis » soit utilisé.

Pour qu'une étude soutienne une conclusion causale, elle doit contrôler un groupe témoin, la répétition des requêtes, l'ordre des options, la langue, la localisation, le modèle, la date, le mode de recherche et la variabilité. À défaut, elle décrit une association, pas une cause. La méthode de mesure est détaillée dans mesurer sa visibilité dans les IA.

Le tableau des 100 facteurs

Ressources à télécharger : les 100 fiches détaillées (Markdown), le jeu de données CSV, sa version JSON et la table des sources S01 à S18 à laquelle renvoient leurs codes. Réutilisables avec attribution.

Les facteurs à traiter en priorité

Les guides qui détaillent ces leviers un à un, de l'accès des robots aux avis et aux liens, sont réunis dans le thème Optimisation.

Les différences entre les cinq moteurs

La cartographie complète des familles de sources par moteur est traitée dans où les IA puisent leurs recommandations.

Auditer sa visibilité dans les IA

1. 1Figer un panel de requêtes couvrant recommandation, comparaison, cas d'usage, budget, secteur, contrainte, requête récente.
2. 2Tester les cinq moteurs, en distinguant les modes (avec ou sans recherche web).
3. 3Répéter chaque requête plusieurs fois, en sessions indépendantes et datées.
4. 4Relever mentions, recommandations, premières positions et domaines cités, en gardant à l'esprit que l'ordre n'est pas un classement.
5. 5Classer les domaines cités par famille de sources, par moteur et par requête.
6. 6Mesurer la stabilité inter-répétition ; ne jamais conclure d'un test unique.

Ce relevé est le premier temps de la méthode Evocia en cinq étapes : mesurer, puis analyser, optimiser, construire l'autorité et suivre au même protocole.

Limites et questions encore ouvertes

• Les systèmes sont opaques et évoluent vite : les mécanismes documentés aujourd'hui peuvent changer.
• On n'observe ni les données d'entraînement, ni l'ensemble des sources réellement consultées.
• Les réponses varient selon la date, le compte, la langue, la région et la version du modèle.
• La causalité est difficile à établir : la plupart des effets sont plausibles, pas démontrés sur un produit précis.
• Aucune pondération n'est publique : personne ne peut garantir une citation ou une position.

La bonne posture n'est pas de courir après une astuce, mais de construire un système de preuves cohérent, vérifiable et mesuré. Ce cadre est détaillé dans le guide complet du Generative Engine Optimization (GEO).