Les trois lignes du tableau de bord GEO sont maintenant posées : le crawl lu dans les logs, la citation relevée dans les réponses, le référent compté dans Analytics. Chacune sait dire où vous en êtes.

Aucune ne sait dire pourquoi.

C'est pourtant la question qui arrive en fin de trimestre, et elle est légitime : est-ce que ce que vous avez fait a produit un effet ? Le réflexe universel consiste à comparer la période qui précède le chantier et celle qui suit. Ce réflexe est faux en recherche générative, pour deux raisons qui s'additionnent et qu'il faut séparer. La première, le SEO l'a réglée il y a dix ans. La seconde est propre aux réponses générées, et elle est plus sévère.

Le avant-après était déjà disqualifié avant l'arrivée des IA

La discipline du test en recherche existe, elle est documentée, et son verdict sur le avant-après est sans appel. SearchPilot, qui industrialise les tests SEO depuis l'époque de Distilled, classe explicitement les études avant-après parmi les protocoles mal contrôlés : on y modifie un groupe de pages sans randomisation ni groupe de comparaison, et il devient impossible de distinguer l'effet du changement d'un événement extérieur survenu au même moment.

La raison pour laquelle un test de recherche ne ressemble pas à un test de conversion tient en une phrase de leur documentation : l'utilisateur que l'on teste est Googlebot, pas un humain, et il n'existe qu'un seul Googlebot. On ne peut donc pas répartir des visiteurs entre une version A et une version B. L'unité que l'on randomise est la page.

Le protocole qui en découle est simple à énoncer. On prend un ensemble de pages qui partagent le même gabarit, on les répartit au hasard en deux groupes, on applique le changement à un seul groupe, et on compare l'évolution des deux courbes. SearchPilot modélise en plus le trafic attendu à partir d'une centaine de jours d'historique et publie un intervalle de confiance à 95 % autour de l'impact cumulé.

L'exemple pédagogique qu'ils utilisent mérite d'être retenu parce qu'il dit tout : lors d'une journée mondiale du chat, le trafic d'un site animalier grimpe dans le groupe témoin comme dans le groupe modifié. Sans témoin, l'analyste attribue la hausse à son changement et se félicite. Avec témoin, il voit que le monde extérieur a bougé et que son changement n'a rien fait.

Un groupe témoin ne sert pas à ajouter de la rigueur pour la forme. Il sert à absorber les mises à jour d'algorithme, la saisonnalité, l'actualité et les mouvements des concurrents. Tout ce que votre avant-après attribue par défaut à votre travail.

L'instrument de mesure du GEO est lui-même bruité

Voilà pour l'héritage. La difficulté propre à la recherche générative est d'un autre ordre : en SEO, la mesure est stable et c'est le monde qui bouge ; ici, la mesure bouge aussi.

Le travail le plus précis sur ce point est celui de Dmitrij Żatuchin, déposé sur arXiv le 14 juillet 2026 sous le titre Where Does the Noise Come From?. L'auteur décompose la variance d'un indicateur de marque mesuré sur 12 933 réponses, pour 20 marques d'Europe centrale et orientale, en 8 langues et sur 3 modèles (GPT-5.2, Gemini 3 Flash et Perplexity). La question posée n'est pas de savoir quelle marque gagne, mais d'où vient la dispersion des résultats.

La réponse est brutale. Le simple fait de reposer la même question au même modèle explique 34,8 % de la variance. L'interaction entre la marque et son contexte d'apparition en explique 29,6 %, et la langue de la requête 26,5 %. L'identité de la marque elle-même, ce que l'on prétend mesurer, pèse un coefficient de corrélation intraclasse de 0,0146.

Le chiffre qui devrait figurer sur tous les rapports de visibilité générative est celui-ci : le coefficient de généralisabilité atteint environ 0,36 sur le plan croisé complet, et 0,01 pour une réponse unique. Une réponse isolée ne contient à peu près aucune information stable.

Deux précautions sur cette étude, parce qu'elles limitent ce qu'on peut en tirer. La variable mesurée est la polarité de sentiment des mentions, pas le taux de citation, et l'auteur le dit. Et le résultat porte sur la capacité à séparer des marques entre elles, ce qui n'est pas exactement notre problème quand on suit une seule marque dans le temps.

Combien de répétitions, alors ?

Deux relevés publics semblent se contredire sur ce point, et les réconcilier donne la règle pratique.

Żatuchin conclut qu'il vaut mieux élargir que répéter : une cinquième répétition du même prompt ne réduit la variance d'erreur relative que de 0,0003, alors que la couverture en langues et en modèles fait bouger le résultat. Evertune, dans une analyse publiée le 16 juillet 2026 par Will Robinson sur 10 700 prompts adressés à ChatGPT, conclut l'inverse en apparence : sur une requête d'achat automobile, une marque qui apparaît dans environ 10 % des réponses est mesurée avec une marge d'erreur de 27 points à 5 répétitions, de 12 points à 12 répétitions et d'environ 6 points à 100 répétitions, les rendements devenant décroissants au-delà.

Les deux sont vrais parce qu'ils ne mesurent pas la même chose. Répéter améliore la précision de votre propre taux, par simple arithmétique de l'échantillonnage. Répéter n'améliore pas votre capacité à distinguer votre marque d'une autre, parce que la part de variance qui sépare les marques est minuscule et qu'aucun nombre de répétitions ne l'augmente.

Pour un test avant-après sur votre propre site, c'est la première lecture qui compte, et elle est décourageante. À cinq passages par prompt, votre instrument a 27 points de marge. Un gain réel de 10 points ne sera pas lisible. Les relevés à cinq répétitions que vendent la plupart des outils de suivi ne servent pas à valider un changement, seulement à cadrer un ordre de grandeur.

L'article Don't Measure Once, déposé sur arXiv le 8 avril 2026 par Julius Schulte, Malte Bleeker et Philipp Kaufmann, formule la conséquence de la façon la plus courte : une visibilité générative doit se décrire comme une distribution, pas comme un point.

Deux études sur le même objet, deux conclusions opposées

L'illustration la plus utile de tout ce qui précède est le désaccord public sur une question simple : ajouter du balisage structuré fait-il gagner des citations ?

D'un côté, une étude de mesure GEO publiée en juin 2026 par Deepak Gupta et relayée par Security Boulevard, dont l'ampleur impose le respect. Le relevé porte sur 50 431 citations, collectées sur 240 pages réparties en quatre propriétés. Le protocole interroge six moteurs deux fois par semaine pendant treize semaines à partir de février 2026, avec 200 prompts organisés en cinq catégories de 40. Douze changements ont été déployés sur la période, à raison d'un ou deux par semaine.

Le plus rentable, l'ajout de tableaux sameAs fournis aux blocs Person et Organization, ressort à +34 % de citations, et +52 % sur Gemini et Bing. Les dates visibles ressortent à +22 %, les pages de méthodologie à +9 %, la structuration par blocs à +18 % sur les seules pages réécrites, et le llms.txt à +11 % avec la mention explicite que ce dernier résultat n'a pas été répliqué.

De l'autre, l'étude d'Ahrefs du 11 mai 2026, signée Louise Linehan et Xibeijia Guan, relue par Ryan Law. Le protocole est une différence de différences : 1 885 pages ayant ajouté du JSON-LD entre août 2025 et mars 2026, appariées à environ 4 000 pages témoins issues d'autres domaines, à raison de trois témoins par page traitée choisis pour leur niveau de citation initial comparable, avec une fenêtre de trente jours avant et après. Résultat : -4,6 % sur les AI Overviews, un écart significatif dont les auteurs chiffrent la probabilité d'occurrence fortuite à environ une chance sur 2 500, puis +2,4 % sur AI Mode et +2,2 % sur ChatGPT, tous deux indiscernables de zéro.

Deux verdicts de signes opposés, sur des objets voisins. La tentation est de choisir l'étude qui arrange, ou de conclure que personne ne sait rien. Les deux réactions sont paresseuses.

Ce que dit le premier auteur de sa propre étude. Il écrit noir sur blanc que les changements ont été déployés séquentiellement et non isolés, que les gains sont observationnels et non causaux, et qu'il faut lire les hausses comme une direction et non comme des tailles d'effet. Aucun intervalle de confiance, aucun seuil de signification, aucun groupe témoin. Ce n'est pas un défaut caché, c'est une limite annoncée. Le problème n'est pas l'étude, il est dans la façon dont le chiffre de +34 % circule ensuite, détaché de l'avertissement qui l'accompagnait.

Ce que l'étude avec témoin ne dit pas non plus. Ahrefs reconnaît ses propres limites, et l'une d'elles est décisive : pour entrer dans le groupe traité, une page devait avoir accumulé plus de 100 citations en AI Overviews en février 2025. L'étude ne mesure donc pas l'effet du balisage sur une page quelconque, mais son effet sur des pages déjà massivement citées. Un plafond y est mécaniquement probable, et la régression vers la moyenne joue contre le groupe traité. Les auteurs ajoutent qu'ils ne peuvent pas isoler le balisage des autres modifications faites au même moment, qu'ils ont regroupé tous les types de schéma, et que la fenêtre de trente jours ne dit rien du plus long terme.

La leçon de méthode est plus solide que n'importe lequel des deux chiffres. Un protocole sans témoin produit des nombres généreux et non interprétables. Un protocole avec témoin produit des nombres modestes, interprétables, et valides uniquement sur la population qu'il a sélectionnée. Nous détaillons ce que cela implique pour le balisage lui-même dans notre article sur schema.org et le GEO.

Le protocole qui tient

Six décisions, à prendre avant de toucher au site, et à écrire quelque part.

1. Unite randomisee    la page, jamais le prompt
2. Groupe temoin       meme gabarit, meme niveau initial
3. Jeu de prompts      fige et versionne avant le test
4. Repetitions         le maximum tenable, pas cinq
5. Effet minimum       declare avant, sinon pas de test
6. Un seul changement  par fenetre, sinon rien n'est isole

L'unité randomisée est la page. C'est le point le plus souvent manqué. Le prompt est votre instrument de mesure, il n'est pas l'objet du test. On ne randomise pas les questions posées aux moteurs, on randomise les pages que l'on modifie, et on interroge le même jeu de questions des deux côtés.

Le groupe témoin se constitue à l'intérieur du site. Ahrefs a pu apparier avec des pages d'autres domaines parce qu'il dispose d'un index de citations. Vous ne l'avez pas. Prenez donc des pages du même gabarit, de niveau de citation initial comparable, réparties au hasard, et ne les touchez pas pendant la durée du test. La discipline consiste à ne pas améliorer les pages témoins parce qu'on a vu comment les améliorer.

Le jeu de prompts se gèle. Toute modification de la liste en cours de route annule la comparaison, et ces listes s'enrichissent naturellement à mesure que l'on comprend mieux son marché. Versionnez le fichier, notez la date, notez aussi la version de modèle utilisée pour chaque relevé : une mise à jour de moteur entre les deux périodes est le confondant le plus fréquent, et c'est précisément ce que le témoin est là pour absorber.

Le nombre de répétitions se pousse aussi haut que le budget le permet. C'est la décision la plus coûteuse des six, et celle sur laquelle les outils du marché vous laisseront prendre le mauvais réflexe, parce que leurs réglages par défaut sont bas. Cinq passages par prompt ne suffisent pas à valider un changement. Le seuil utile se situe au-delà de la douzaine, et la marge continue de se resserrer jusqu'à une centaine.

L'effet minimum détectable se déclare avant. Il découle directement de la décision précédente. Avec la marge d'erreur mesurée par Evertune, un test à cinq répétitions sur vingt prompts ne peut honnêtement détecter qu'un bouleversement. Si l'effet attendu est de quelques points, soit vous augmentez le nombre de relevés jusqu'à ce que la marge descende sous l'effet visé, soit vous renoncez au test et vous l'annoncez comme tel. Un test sous-dimensionné ne donne pas un résultat incertain, il donne un résultat aléatoire présenté comme une mesure.

Un seul changement par fenêtre. C'est le point sur lequel l'étude à 50 431 citations s'est disqualifiée toute seule, en toute transparence.

Les changements qui ne sont pas testables, et pourquoi le dire

Reste un angle mort qu'il serait malhonnête de passer sous silence. Une bonne part des interventions GEO ne sont pas des modifications de pages mais des modifications de site : les règles du robots.txt, la publication d'un llms.txt, le passage au rendu serveur, la refonte du balisage global.

Aucune de ces interventions n'admet de groupe témoin sur le même site, puisqu'elles s'appliquent partout à la fois. Il n'existe pas de moitié du site où le robots.txt serait différent. On peut construire des cas particuliers, en réservant un sous-répertoire ou un sous-domaine, mais ils cessent alors d'être comparables au reste.

Pour cette famille de changements, la seule honnêteté disponible consiste à raisonner sur le mécanisme plutôt que sur la mesure. Débloquer un robot d'un moteur qui vous était fermé rend possible un accès qui était impossible : le mécanisme est certain, l'ampleur du gain ne l'est pas. C'est une affirmation défendable, et elle est plus solide qu'un avant-après qui prétendrait chiffrer l'effet à 18 %.

La distinction à installer chez un client tient en deux catégories. Ce qui se mesure : les changements de page, avec témoin, protocole et marge d'erreur. Ce qui se raisonne : les changements d'infrastructure, avec un mécanisme explicite et une ampleur assumée comme inconnue. Confondre les deux produit soit des rapports faussement précis, soit des chantiers techniques qu'on n'ose plus recommander faute de pouvoir les chiffrer.

Questions fréquentes

Combien de temps doit durer un test GEO ? Comptez au minimum quatre semaines de relevés après le déploiement, et autant avant. L'indexation doit d'abord avoir lieu, et les moteurs ne repassent pas tous à la même fréquence, ce que seuls vos logs serveur peuvent vous dire. Tant que le crawl du groupe traité n'est pas constaté, il n'y a rien à mesurer.

Le rapport IA générative de la Search Console permet-il de faire un test ? Partiellement. Il donne des impressions par page sur AI Overviews et AI Mode, ce qui suffit à comparer deux groupes de pages dans le temps. Il ne donne ni clics ni requêtes, et il ne couvre que les surfaces de Google. Pour les autres moteurs, il faut relever les réponses soi-même.

Peut-on tester avec un outil de suivi de citations du marché ? Oui pour les relevés, à condition de vérifier deux choses : le nombre de passages par prompt, souvent bas par défaut, et la possibilité de constituer deux groupes suivis séparément. Certains éditeurs proposent désormais des groupes test et témoin nativement. La responsabilité du plan d'expérience reste la vôtre.

Que faire d'un test qui ne montre rien ? Le publier en interne comme tel. Un résultat nul bien mesuré est une information : il indique que l'effet est inférieur à votre seuil de détection, donc probablement inférieur à ce que le budget engagé justifiait. C'est plus utile qu'une hausse inventée, et c'est ce qui permet d'arrêter les chantiers qui ne rendent rien.

Faut-il tester sur ses meilleures pages ? Non, et c'est le piège dans lequel l'étude d'Ahrefs est tombée par construction. Des pages déjà très citées ont peu de marge de progression et régressent naturellement vers la moyenne, ce qui pénalise le groupe traité. Testez sur des pages moyennes, celles dont vous voulez réellement changer le sort.

Il reste une conclusion qui dépasse la méthode. Le marché du GEO produit aujourd'hui beaucoup de chiffres et très peu de témoins. Les tailles d'effet à deux chiffres qui circulent viennent presque toutes de protocoles avant-après, souvent menés honnêtement, dont les auteurs annoncent eux-mêmes qu'ils ne démontrent pas de causalité.

Nous préférons présenter moins de chiffres et dire lesquels sont mesurés. Dans un audit GEO, les recommandations sont donc classées en deux piles séparées : celles qui feront l'objet d'un test avec groupe témoin, et celles qui reposent sur un mécanisme que nous expliquons sans prétendre en chiffrer l'effet. La deuxième pile est plus grosse que la première. C'est l'état réel de la discipline en 2026, et le prétendre autrement ne rendrait service à personne.