Lorsque vos clients demandent quelque chose à ChatGPT ou Gemini, le modèle lance silencieusement un ensemble de recherches Web traditionnelles en arrière-plan, récupère les pages de classement et synthétise la réponse à partir de celles-ci. Les sites classés pour ces requêtes cachées sont cités. Ceux qui ne le font pas, ne le font pas. QueryFan génère des invites spécifiques à chaque personne, les exécute dans les deux modèles et capture les recherches exactes déclenchées par chacun d’entre eux. Cette liste est votre véritable cible de visibilité de l’IA. C’est gratuit.
Les listes de mots clés sont utiles, elles manquent juste la moitié de l’image
Permettez-moi d’être précis à ce sujet avant que quiconque n’écrive une réponse furieuse.
J’utilise le terme « mots-clés » pour désigner les requêtes « one-shot » qui sont envoyées dans les moteurs de recherche traditionnels. Oui, je sais que nous vivons dans un monde « sémantique » depuis plus d’une décennie, mais convenons simplement d’une terminologie que tout le monde peut suivre pour l’instant.
Le principal problème des « listes de mots clés » dans le contexte de la recherche IA est triple :
- En règle générale, les requêtes (invites) qui entrent dans les LLM ont tendance à être plus longues, à multiples facettes et de nature conversationnelle. Les recherches traditionnelles ont tendance à avoir une portée plus restreinte.
- La recherche traditionnelle est « one-shot ». Vous effectuez votre recherche, obtenez vos informations, puis effectuez une autre recherche indépendante. Les requêtes/invites sur les LLM ont tendance à être de nature conversationnelle et portent le contexte des jetons précédents.
- Les mécanismes utilisés par les LLM pour la recherche sur le Web comportent également un contexte de personnalisation. Si l’utilisateur a déjà déclaré qu’il était végétalien et qu’il demande au LLM à propos de [running shoes]il est fort probable que le LLM effectuera une recherche pour répondre à cela.
Essentiellement, la recherche IA est devenue une sorte de « décodeur d’intention universel » pour les utilisateurs. Ces grandes conversations multifactorielles avec l’IA sont décomposées en sous-ensembles de requêtes résolubles, qui sont exécutées en arrière-plan comme des recherches « traditionnelles » sur Google ou Bing, les sites résultants étant utilisés pour générer une réponse. Le processus est connu sous le nom de « Retrieval Augmented Generation » (RAG).
La cible d’optimisation a été déplacée. Vous n’optimisez plus uniquement ce que l’humain tape dans une boîte de discussion. Vous optimisez ce que l’agent IA recherche discrètement en son nom, en arrière-plan, sans que l’utilisateur ne sache que cela s’est produit.
Ces requêtes en arrière-plan sont ce que QueryFan capture. Elles sont souvent très différentes de ce que l’utilisateur a réellement demandé. Et il s’agit de la liste exacte des éléments pour lesquels vous devez vous classer pour apparaître dans les réponses générées par l’IA.
Pièce A : Reddit est tombé d’une falaise un mardi
L’étendue et la profondeur de cette relation secrète sont devenues claires lorsque Reddit a bénéficié d’une visibilité fulgurante sur Google et que la tragédie a frappé le 10 septembre 2026. Selon les données de suivi des citations de PromptWatch, le taux de citation de Reddit dans les réponses ChatGPT s’est effondré presque du jour au lendemain. Cela représentait jusqu’à 15 % de toutes les citations. En quelques jours, il était tombé en dessous de 2 %.
La cause était peu glamour : Google a discrètement supprimé la possibilité de demander 100 résultats de recherche simultanément (le num=100 paramètre) de son API de recherche à cette date.
Pensez à ce que cela vous dit. Suivi de la visibilité de Reddit dans les réponses ChatGPT Capacités de recherche groupée de Googlerien de ce que Reddit a fait, ni une mise à jour des données d’entraînement, ni un ajustement d’alignement. L’implication est à peu près aussi subtile qu’un piano abandonné : ChatGPT extrayait en masse les résultats de recherche Google, Reddit dominait ces résultats à l’époque, et lorsque l’extraction massive a disparu, les citations de Reddit ont fait de même.
Les surfaces de recherche IA sont, en grande partie, des enveloppes autour de la recherche traditionnelle. Le côté « IA » est réel (la synthèse, la personnalisation, la cohérence conversationnelle) mais le récupération d’informations cette étape est remarquablement familière. Google indexe et classe le Web ; l’IA consulte cet index. Votre contenu doit encore être classé.
Comment fonctionne QueryFan
Étape 1 : Vos mots clés « traditionnels »
Votre liste de mots clés traditionnelle pour le terme « chaussures de course » peut incorporer diverses variantes suggérées de ce terme, provenant d’une source telle que Google Suggest.
Pour QueryFan, nous pouvons simplement prendre le sujet des « chaussures de course » et l’utiliser comme première étape, car nous allons générer des invites à ce sujet.
Étape 2 : Définir les personas
Vos personas sont la façon dont nous allons personnaliser les invites que nous générons. Cela modifiera notre traversée de l’espace des jetons, nous alignant sur les données de formation provenant de millions de communautés, de messages de forum, de fils de discussion Reddit et de discours sur Internet où de vrais utilisateurs posent de vraies questions avec ces identités.
QueryFan envoie votre combinaison personnage + sujet au LLM pour générer les types de questions que le personnage poserait réellement à un outil d’IA. Pas des mots-clés. Questions. Des questions réelles, conversationnelles et chargées de contexte. Pour le [middle-aged vegan man who just started running] Par exemple, cela produira des choses comme :
- « Quelles chaussures de course végétaliennes conviennent aux hommes d’âge moyen qui commencent tout juste à courir ? »
- « Où puis-je acheter des chaussures de course végétaliennes en ligne au Royaume-Uni ?
- « Que dois-je rechercher lors du choix de ma première paire de chaussures de course en tant que débutant ? »
Étape 3 : Sélection LLM et enrichissement également demandé
Branche des conversations IA. Quelqu’un qui pose des questions sur les chaussures de course végétaliennes posera des questions complémentaires : sur le coût, sur les marques, sur la prévention des blessures. QueryFan transmet les invites générées via l’API AlsoAsked pour capturer les questions de suivi d’intention la plus proche autour de chacune. Les données People Also Ask sont ici le bon instrument, car elles ont été conçues pour modéliser la proximité des questions, ce qui est précisément ce dont vous avez besoin lorsque vous essayez de prédire la suite d’une conversation.
Par exemple, une recherche au Royaume-Uni sur « chaussures de course » ferait apparaître des questions de suivi sur des marques spécifiques, demandant comment choisir une chaussure, et même des questions médicales courantes.
Vous pouvez également choisir si vous souhaitez utiliser ChatGPT, Gemini ou les deux. Chaque LLM gère et répartit les requêtes légèrement différemment, donc si vous optimisez pour une plate-forme spécifique, il est préférable d’obtenir les données à partir de là.
Étape 4 : Déploiement des requêtes
QueryFan envoie la liste d’invites enrichie à GPT-5 avec la recherche sur le Web activée (via l’API OpenAI Responses) et à Gemini avec la mise à la terre de la recherche Google active (via l’API Gemini Grounding). Les deux modèles, lorsqu’ils décident qu’une invite nécessite des informations à jour, effectuent de véritables recherches Google en coulisses.
Ce processus capture les requêtes de diffusion car les deux API sont, de manière plutôt utile, transparentes sur ce qu’elles ont recherché. L’API Gemini renvoie un webSearchQueries tableau dans le groundingMetadata champ de chaque réponse fondée. L’API Responses d’OpenAI enregistre les requêtes de recherche réelles dans le web_search_call sortir. QueryFan récolte les deux.
Le résultat est un tableau : des invites spécifiques à la personne, les requêtes de recherche Google réelles lancées par l’IA. Ce n’est pas ce que votre client a tapé. Ce que l’IA recherchait en leur nom. Ce sont vos nouvelles cibles SEO, et jusqu’à présent, il n’existait aucun outil gratuit permettant de les afficher à grande échelle.
La question fondamentale : toutes les invites ne déclenchent pas une recherche
Une mise en garde brève mais importante avant de vous précipiter pour tout classer comme une opportunité de référencement.
Toutes les invites n’amènent pas l’IA à effectuer une recherche sur le Web. Les modèles prennent une décision basée sur le consensus de prédiction des jetons quant à savoir si des informations en direct sont requises.
Pour donner un exemple, la question « Que font les globules rouges ? » ne déclenche pas de recherche. La raison en est qu’il y a une courbe en cloche très raide selon laquelle les jetons vont apparaître ensuite. Dans les milliards de documents de formation, la réponse est restée très stable, de sorte qu’une réponse « conforme au modèle » peut être générée en toute confiance.
À l’opposé de l’échelle, une invite telle que « Que s’est-il passé dans l’actualité aujourd’hui ? déclencherait une recherche sur le Web. Il y aurait une courbe très plate de « les jetons wtf sont les prochains ? », car il n’y a pas de réponse « stable » dans les données d’entraînement ; cela change toujours, cela nécessite des données en direct. Il s’agit d’une autre version du concept Query Deserves Freshness (QDF) que les référenceurs utilisent depuis des années.
Si vous êtes intéressé par la mise à la terre, Dan Petrovic a fait un excellent travail dans ce domaine et a même publié des modèles entraînés sur Hugging Face pour prédire si les requêtes seront mises à la terre lorsqu’elles atteindront un seuil de confiance.
QueryFan fait apparaître ce qui déclenche des recherches déclenchées et ce qui ne l’est pas. Seuls ceux qui sont fondés (ceux qui ont réellement provoqué une recherche sur Google) sont exploitables via le référencement. Les réponses intégrées au modèle sont, pour l’instant, largement hors de votre portée. Il faudrait influencer les données de formation pour y déplacer l’aiguille, ce qui est un projet complètement différent, avec un horizon beaucoup plus long.
Que faites-vous avec les résultats
Vous disposez désormais d’une liste de requêtes de recherche réelles que les outils d’IA lancent lorsqu’ils répondent aux questions de vos personnages spécifiques. Exécutez une analyse des écarts standard :
- Pour laquelle de ces requêtes avez-vous du contenu ?
- Pour lequel êtes-vous déjà classé ?
- Lesquels n’ont aucune couverture, que ce soit sur votre site ou partout où vous êtes susceptible d’être mentionné ?
Les deux premières catégories sont diagnostiques. Le troisième est votre liste d’actions.
Une distinction importante par rapport au référencement traditionnel : votre propre le classement n’est pas le seul chemin vers la visibilité de l’IA. Les LLM analysent les 10, 20, parfois 50 premiers résultats pour une requête fondée et les synthétisent. Un site d’évaluation de confiance classé en position 3 est un moyen légitime d’apparaître dans une réponse générée par l’IA, même si votre propre domaine ne figure jamais sur la première page. Faire évaluer un produit sur un site spécialisé de haute autorité, obtenir une mention dans un article de synthèse, apparaître dans un contenu communautaire pertinent, tout cela compte.
La visibilité LLM est un objectif multi-sites. Cela signifie que l’analyse des écarts a deux résultats : le contenu à créer sur votre propre siteet des emplacements pour gagner sur les sites d’autres personnes.
La ligne de frappe
Revenez à ce graphique de citation Reddit. Celui qui est tombé d’une falaise lorsque Google a modifié un seul paramètre de l’API. La visibilité IA d’une entreprise entièrement indépendante a suivi le comportement d’une API de recherche qu’elle ne contrôlait pas et dont elle ignorait probablement l’existence.
C’est la forme de la dépendance. Et cela n’implique pas que le référencement soit mort ; c’est presque le contraire. Le référencement fonctionne désormais à un niveau supplémentaire : au lieu d’optimiser pour la requête humaine, vous devez optimiser pour la requête traduite par l’IA qui se produit entre l’humain et Google.
QueryFan vous permet de voir ce que cette traduction produit réellement. Votre liste de mots clés vous indique ce que les gens ont tapé dans une barre de recherche. QueryFan vous indique ce que ChatGPT et Gemini ont recherché en leur nom, en arrière-plan, sans que personne ne leur demande de l’annoncer.
Ce sont des listes différentes. L’écart entre eux n’est pas un raffinement mineur de votre stratégie de contenu. C’est la partie de la recherche IA que personne n’a mesuré parce que personne ne disposait d’un outil gratuit pour le mesurer.
Divulgation : L’auteur est le créateur de Queryfan.
Plus de ressources :
Cet article a été initialement publié sur Mark Williams-Cook Substack.
