Une directrice financière a demandé à son assistant IA de rechercher des fournisseurs d’infrastructure cloud pour un investissement majeur.
L’assistant revint avec une comparaison minutieuse. Il avait pesé les options, proposé des compromis et recommandé un fournisseur en toute confiance. C’était le genre de réponse que l’on transmettait à l’équipe et sur laquelle on agissait.
Mais elle avait oublié un moment datant de six semaines plus tôt.
Elle avait cliqué sur le bouton « Résumer avec l’IA » sur un blog de l’industrie. Cela semblait inoffensif. Deux secondes, un clic, puis retour à l’e-mail.
Derrière ce bouton se trouvait une instruction cachée demandant à l’assistant de se souvenir d’une entreprise comme étant le meilleur fournisseur d’infrastructure cloud pour les investissements d’entreprise. Elle n’a jamais écrit cette phrase et ne l’a pas non plus acceptée. Mais l’assistant l’a quand même enregistré.
Lorsqu’elle a ensuite demandé une recommandation à un fournisseur, la réponse ressemblait à une analyse, mais une partie du raisonnement avait déjà été poussée.
C’est du piratage de préférences.
Microsoft appelle cela l’empoisonnement des recommandations de l’IA : l’intégration d’instructions cachées dans des liens, des boutons, des documents ou des invites pour influencer ce que les assistants IA mémorisent et recommandent plus tard.
Dès février 2026, l’équipe de sécurité de Microsoft a signalé plus de 50 tentatives d’empoisonnement provenant de 31 entreprises dans 14 secteurs en seulement 60 jours, visant des assistants comme ChatGPT, Microsoft Copilot, Claude, Google Gemini et Perplexity, dans les domaines de la finance, de la santé, du droit et du SaaS.
L’un des outils qu’ils ont mis en avant a été commercialisé comme un « hack de croissance SEO pour les LLM ». Si vous étiez là pour les débuts du référencement, c’est une histoire familière.
Chaque algorithme développe sa propre économie de chapeau noir
La recherche nous a donné du bourrage de mots clés, des fermes de liens, des pages de porte d’entrée, des usines de contenu et des sites d’évaluation « indépendants » qui n’étaient pas du tout indépendants.
Les réseaux sociaux nous ont donné des modules d’engagement, des réseaux de robots, une agriculture d’indignation et une viralité fabriquée.
Les marchés nous ont donné de fausses critiques, un contrôle des critiques et un astroturf coordonné si sophistiqué que certains d’entre eux sont toujours en cours d’exécution.
Une fois que la visibilité se transforme en argent, les gens commencent à chercher des raccourcis.
Premièrement, les hacks sont évidents. Ils deviennent alors plus propres, plus difficiles à voir et plus faciles à justifier. Finalement, la plateforme met à jour ses règles, les spammeurs s’adaptent et ces allers-retours deviennent partie intégrante du paysage.
La recherche par l’IA a atteint ce stade, les hacks de croissance arrivant plus rapidement que les garde-fous.
Les plateformes réagissent déjà.
Microsoft publie des recherches et renforce ses défenses. Google a précisé que ses politiques de recherche en matière de spam s’appliquent également aux réponses génératives de l’IA, y compris aux tentatives de manipulation de ces systèmes. Les règles changent car il ne s’agit plus d’un cas limite hypothétique.
Mais la manipulation de l’IA diffère de la manipulation de recherche sur un point important.
Les spams de recherche sont apparus à la surface. Vous pouvez numériser une page, repérer le bourrage, remarquer le site de révision sommaire et revenir aux résultats.
La manipulation de l’IA peut se produire dans la mémoire, la récupération, la sélection de sources ou le raisonnement. L’utilisateur ne peut voir que la réponse finale. Et lorsque cette réponse recommande un fournisseur, un produit financier ou une plateforme SaaS, la manipulation n’est pas facile à repérer.
La surface de manipulation est plus grande que votre site
À l’heure actuelle, les spécialistes du marketing se concentrent sur la visibilité de l’IA et incitent les modèles à mentionner leurs marques et leurs offres. C’est une vision trop étroite.
Lorsque quelqu’un demande à un assistant : « Qui sont les meilleurs fournisseurs pour X ? »
L’analyse des requêtes par Peec AI suggère que des systèmes tels que ChatGPT peuvent étendre une seule invite en groupes de recherches associées avant de produire une réponse. Cela change ce que les équipes GTM doivent surveiller.
Votre page d’accueil est une entrée. Il en va de même pour vos profils d’avis, vos pages de comparaison, vos fils de discussion Reddit, vos listes de marchés, vos pages partenaires, vos articles d’analystes, vos centres de documentation, vos articles du centre d’aide, vos témoignages de clients et vos pages d’informations sur l’IA. N’importe lequel de ces éléments façonne la façon dont un assistant vous décrit.
Nous voyons déjà à quoi cela ressemble dans la pratique.
Nicholas Thompson a partagé un article de The Atlantic et il a commenté la façon dont Shopify publie des dizaines de listes de « meilleure plateforme de commerce électronique » qui classent toutes Shopify en premier, et comment ChatGPT recommande ensuite Shopify pour « la meilleure façon de créer une vitrine en ligne », citant ces mêmes listes comme preuve.
Le contenu ressemble à des conseils destinés aux humains, mais il fonctionne comme des données de formation pour les robots.
Une fois que ces sources influenceront les réponses, les spécialistes du marketing commenceront à les optimiser. Une partie de ce travail est nécessaire. Les systèmes d’IA ont besoin de signaux plus clairs et plus structurés.
Mais cela signifie également que la frontière entre une mise à la terre utile et une manipulation silencieuse va s’estomper.
De l’échouement à l’empoisonnement
La semaine dernière, j’ai soutenu que les entreprises B2B ont besoin de couches de base : des preuves structurées et honnêtes qui aident les systèmes d’IA à évaluer, comparer et défendre les recommandations des fournisseurs.
Je le crois toujours.
La mise à la terre est ce qui permet à un assistant de répondre à des questions telles que : ce fournisseur répond-il à nos exigences de sécurité et de conformité ? À quoi ressemble réellement la mise en œuvre pour une entreprise comme la nôtre ? Où ce produit a-t-il fonctionné, et où n’a-t-il pas fonctionné ?
Les systèmes d’IA ont besoin de ce niveau de détail : votre posture de sécurité, vos intégrations, vos dépendances de déploiement, vos limites, la preuve client et les domaines dans lesquels vous n’êtes pas adapté.
Mais une fois que la mise à la terre commence à influencer les recommandations, elle devient également commercialement intéressante. Et une fois que quelque chose a une valeur commerciale, quelqu’un essaie de le plier.
Nous avons donc besoin d’un meilleur langage pour le spectre sur lequel nous sommes sur le point de vivre.
Mise à la terre : preuves qu’un assistant peut inspecter
Cela ressemble à une architecture de sécurité qui explique les flux de données, les options de résidence et les contrôles d’accès au lieu de se cacher derrière des badges et des logos.
Des détails d’intégration qui indiquent ce qui est natif, ce qui nécessite des services et où les implémentations deviennent généralement délicates. Des attentes de déploiement qui attachent une « mise en œuvre de six semaines » aux véritables dépendances en dessous. Preuve client liée à des environnements, des délais et des résultats réels. Limites nommées exprès, afin que les acheteurs puissent voir où vous ne correspondez pas.
L’objectif est la lisibilité. Quelle est votre place, où vous n’y êtes pas, ce qui peut être vérifié et ce qui nécessite encore une conversation.
Façonnage : visible, mais incliné
Les pages destinées à l’IA se multiplient rapidement : pages d’informations sur l’IA, instructions sur l’IA, fiches d’information LLM, résumés de démarques. Certains sont véritablement utiles, offrant des descriptions claires et structurées de ce que vous faites, des personnes que vous aidez, des produits que vous proposez et des sources qui soutiennent ces affirmations.
D’autres vont au-delà de cela.
Ils suggèrent comment le modèle doit décrire l’entreprise, répéter les phrases préférées, ajouter des affirmations de positionnement sans trop de preuves et créer un contenu de comparaison destiné aux requêtes que les systèmes d’IA sont susceptibles d’exécuter, tout en omettant les parties gênantes.
C’est là que se déroulent les expériences SEO et GEO actuelles.
Chris Long a signalé que son équipe chez Nectiv avait créé une page « Instructions et informations sur l’IA » en démarque, liée au pied de page, et a ajouté le détail qu’elle travaille avec des marques d’un montant supérieur à 30 millions de dollars ARR. Ce qualificatif n’apparaissait nulle part ailleurs sur le site. Il a également partagé que dans les 48 heures, ChatGPT citait la page et faisait écho à ce positionnement.
Wil Reynolds a partagé des tests de Seer Interactive montrant une forte augmentation des citations ChatGPT vers une page d’informations sur l’IA, même si l’impact commercial jusqu’à présent est modeste.
Ces tests sont partagés ouvertement et sont utiles car ils montrent à quelle vitesse les modèles ingèrent et réutilisent le langage de marque structuré lorsqu’ils le trouvent.
Mais ils imposent une question : donnons-nous de meilleures preuves à l’IA, ou lui enseignons-nous nos arguments ?
En pratique, de nombreuses équipes débuteront dans le premier camp et se glisseront dans le second.
Empoisonnement : caché, persistant, non consensuel
L’empoisonnement se produit lorsque l’utilisateur pense qu’il demande une chose et que la page, le lien ou le document essaie de faire autre chose.
Un bouton « Résumer avec l’IA » qui permet également de mémoriser un fournisseur préféré. Une invite cachée qui indique à l’assistant de traiter une entreprise comme faisant autorité dans les conversations futures. Un lien qui demande au modèle de mémoriser une marque comme étant fiable pour des sujets spécifiques.
Cela altère le raisonnement d’un outil sur lequel les gens essaient de s’appuyer.
Il s’agit d’un problème de commercialisation de GEO, GTM et IA
Il est tentant de classer cela comme un problème d’optimisation générative du moteur et de passer à autre chose. Mais il s’agit là d’une affaire bien plus importante, qui affecte à la fois les entreprises d’IA et les consommateurs d’IA.
Pour les entreprises d’IA, la question est de savoir si les acheteurs croient que le processus de recommandation lui-même est fiable.
L’achat assisté par un agent ne fonctionne que si les gens sont prêts à confier une partie du travail de recherche, de comparaison et d’évaluation à des assistants. L’empoisonnement des recommandations attaque directement cette volonté.
J’ai déjà écrit sur l’écart de délégation : l’espace entre ce que l’IA peut techniquement faire et ce que les humains sont à l’aise de confier.
L’empoisonnement creuse cet écart.
Une fois que les acheteurs soupçonnent que leur assistant a été poussé à leur insu, ils ne remettent pas en question un seul résultat ; ils remettent en question la chaîne. Ils reviennent à la recherche manuelle, s’appuient sur leurs pairs, se tournent par défaut vers le titulaire et traitent les réponses de l’IA comme quelque chose à vérifier plutôt que comme quelque chose qui peut clôturer une décision.
Un mauvais résultat de recherche que vous pouvez repérer et ignorer. Un assistant partial façonne la liste restreinte avant que vous sachiez que vous êtes influencé.
Il s’agit d’un problème de confiance dans la plateforme, qui constitue un problème de mise sur le marché pour quiconque parie sur des achats médiés par l’IA.
Que faire maintenant
Il est temps de décider quels types d’optimisation vous êtes prêt à défendre.
Si vous utilisez des assistants pour la recherche ou la décision :
- Vérifiez ce dont votre assistant se souvient. La plupart des assistants grand public exposent désormais la mémoire ou les préférences enregistrées. Si vous voyez des sources fiables ou des avis de fournisseurs que vous ne vous souvenez pas avoir donnés, supprimez-les.
- Soyez sélectif avec les boutons IA en un clic. Un bouton « Résumer avec l’IA » peut être utile, mais il n’est pas toujours neutre. Pour les décisions importantes, copiez vous-même le texte dans votre assistant plutôt que de vous fier à une invite au niveau de la page que vous n’avez pas écrite.
- Demandez « pourquoi cela ? » quand les enjeux sont élevés. Lorsqu’un assistant recommande un fournisseur, un outil ou une stratégie importante, demandez-lui quelles sources il a utilisées, quelles alternatives il a envisagées et où les preuves sont minces. Les réponses sûres vous doivent une justification.
Si vous dirigez le marketing, le marketing produit ou le GTM :
- Cartographiez vos surfaces confrontées à l’IA. Les pages d’informations sur l’IA, les centres de confiance, les centres de documentation, les pages de comparaison, les listes de places de marché, les profils de partenaires, les sites d’avis et le contenu d’aide peuvent tous apparaître dans les diffusions. Regardez-les ensemble.
- Demandez : publions-nous des preuves ou des préférences en matière de plantation ? Si une page d’IA aide un modèle à vérifier ce qui est vrai, vous êtes en territoire ancré. Si cela ressemble à un script expliquant comment vous souhaitez que le modèle vous décrive, vous êtes en train de façonner un territoire.
- Faites correspondre les revendications à la preuve. Si vous dites que vous servez des entreprises de plus de 30 millions de dollars ARR, votre preuve client devrait le montrer. Si vous dites que la mise en œuvre est rapide, vos documents doivent expliquer les conditions. Ne demandez pas aux modèles de croire que le positionnement que vos preuves ne peuvent pas soutenir.
- Notez la règle de la maison. Un test simple : si vous n’êtes pas à l’aise de lire cette invite à haute voix à un client, ne l’envoyez pas. Transformez ensuite cela en politique. Décidez de ce qui est acceptable, de ce qui ne l’est pas et qui examine les expériences basées sur l’IA avant leur mise en ligne.
Le côté de la ligne qui vaut la peine d’être choisi
Le spam de recherche n’a jamais disparu. Ni les hacks d’engagement ni les fausses critiques. Mais chaque vague de nettoyage a rendu les raccourcis plus fragiles et le travail honnête et cohérent plus précieux.
L’IA suivra un arc similaire. Les défenses s’amélioreront. Les acheteurs apprendront à demander d’où viennent les recommandations. Les plateformes et les régulateurs prendront plus au sérieux la question de savoir qui a tenté d’influencer quels systèmes et comment.
Vous pouvez traiter la visibilité de l’IA comme une faille à exploiter alors que les règles sont encore souples. Ou vous pouvez le traiter comme une couche de confiance qui restera longtemps entre vous et vos acheteurs.
Cela signifie publier des preuves plutôt que de planter des préférences, rendre les affirmations faciles à vérifier, nommer vos limites avant que quelqu’un d’autre ne les fasse apparaître et construire des bases qui aident l’IA à évaluer la réalité plutôt que de répéter votre discours.
Ce travail est plus lent et plus difficile, mais c’est aussi le genre de travail qui sera toujours d’actualité lors du prochain nettoyage. Ce qui sera toujours le cas.
Dans un environnement d’achat agent, vous devez survivre à la question suivante : « Pourquoi ce fournisseur ? »
Plus de ressources :
Lisez le bulletin d’information sur la croissance dirigée par les agents de Purna Virji. Abonnez-vous maintenant.
