L’écart de longueur est réel et bien documenté, certaines mesures décrivant les invites ChatGPT exécutant un ordre de grandeur plus long qu’une requête Google typique en termes de nombre de caractères. Rien de tout cela ne vous dit quoi faire lundi. Ce qui devrait changer la façon dont vous lisez vos propres rapports n’est pas la longueur de la saisie ; c’est ce que font deux systèmes différents avec la même chaîne lorsque vous commencez à mesurer sur les deux en même temps.
Commencez par l’opération, pas par le nombre de mots
Un index de recherche correspond à une chaîne. Un modèle de langage en interprète un. Ce sont des tâches différentes, et elles récompensent différentes formes d’entrée, c’est pourquoi envoyer la même requête aux deux surfaces ne vous donne pas deux lectures d’une même chose. Cela vous donne deux choses différentes qui partagent une zone de saisie. L’index recherche les documents dont le texte correspond aux termes littéraux que vous lui avez remis. Le modèle utilise tout ce que vous lui avez remis pour trianguler l’intention, et plus il obtient de contexte, plus il se concentre avec confiance sur une réponse. Donnez à un index de recherche une phrase longue et spécifique et vous aurez réduit le champ des documents concurrents, ce qui facilite généralement le classement. Donnez à un modèle la même phrase et vous aurez affiné son objectif. Même corde, mécanique opposée.
Deux réflexions nous aident à rester honnête avant d’aller plus loin. La première est qu’une longue phrase n’est pas automatiquement un mot-clé à longue traîne. Le domaine du référencement s’est installé il y a des années, et les praticiens les plus pointus le disent encore clairement, que la longue traîne est définie par la spécificité et le volume de recherche plutôt que par le nombre de mots, de sorte qu’un terme principal de trois mots peut être brutalement compétitif tandis qu’un numéro de modèle de produit de cinq mots reste grand ouvert. La deuxième correction est plus profonde, car la longue invite n’est souvent même pas celle qui atteint un index de recherche, et souvent pas le même index sur lequel votre rapport de classement est construit. De leur côté, les modèles divisent une invite en requêtes de récupération plus courtes et en lancent plusieurs, l’analyse du parcours de navigation plaçant l’invite tapée à près de 23 mots, mais la recherche que le modèle envoie plus proche de quatre, et une étude distincte mesurant plus de deux de ces recherches par invite à environ cinq mots chacune. La longue invite que vous avez tapée et la courte requête envoyée par le modèle pour être mise en correspondance ne sont pas le même événement, donc traiter la longueur de l’invite comme un proxy du comportement de recherche entraîne une double erreur du mécanisme.
Regardez attentivement l’effet de cette décomposition sur votre suivi, car elle supprime une hypothèse. Du côté de la recherche, la chaîne que vous soumettez est la chaîne qui correspond, donc lorsque vous suivez une requête, vous suivez la chose que VOUS avez choisie. Du côté de l’IA, le modèle lit votre invite, déduit ce que vous vouliez dire et écrit ses propres requêtes de récupération pour rechercher du support, ce qui signifie que la chaîne qui touche l’index est celle créée par le MODÈLE plutôt que celle que vous ou votre client avez créée. Vous ne suivez plus votre requête. Vous suivez la paraphrase de votre requête par le modèle, l’exécutez sur un index, puis filtrez à travers le propre jugement du modèle sur ce qui mérite une citation. Trois transformations se situent entre l’invite que vous avez enregistrée et le résultat que vous avez obtenu, et aucune d’entre elles n’est visible dans le numéro qui apparaît sur le tableau de bord.
Les deux extrémités de la courbe ne se comportent pas de la même manière
Une requête en un seul mot brise les deux surfaces, et cela pour des raisons opposées. Le modèle LLM ne peut pas trianguler de manière fiable l’intention d’un seul mot, il renvoie donc quelque chose de générique dans lequel une entreprise n’apparaîtra pas. L’index de recherche traditionnel comporte tellement de concurrence pour un terme principal que l’entreprise n’est presque certainement pas classée. Une courte requête se lit donc comme non citée et non classée à la fois, un double négatif qui ressemble à un échec mais est en réalité une entrée trop mince pour diagnostiquer quoi que ce soit. Marchez jusqu’au bout et les surfaces se divisent. Une phrase longue et spécifique donne au modèle LLM une intention riche et une raison plausible de citer, et elle donne simultanément à l’index de recherche traditionnel une chaîne peu concurrentielle pour laquelle il est plus facile de classer même avec une autorité de domaine modeste. La partie longue peut se lire comme citée, comme classée ou les deux.
Prenons un exemple : deux concurrents vendent le même logiciel B2B et ont, en réalité, une visibilité quasi identique sur le sujet qui les concerne tous les deux. Une équipe construit son ensemble de suivi de la manière dont elle a toujours écrit les mots-clés, dans des expressions nominales serrées. L’autre équipe, plus récente, rédige ses requêtes suivies de la même manière qu’elle parle à un chatbot, sous forme de questions complètes. L’ensemble de la première équipe est orienté vers des cordes en forme de tête qui sont farouchement contestées dans l’index et trop fines pour que le modèle puisse être placé en toute confiance, de sorte que leur tableau de bord indique faible des deux côtés. L’ensemble de la deuxième équipe est orienté vers des questions longues et spécifiques qui se classent facilement malgré une faible concurrence et donnent au modèle suffisamment de références, de sorte que leur tableau de bord se lit fort des deux côtés. Rien dans leur statut réel ne diffère. Ce qui diffère, c’est la façon dont chaque équipe a tapé, et le rapport a discrètement converti une habitude stylistique en ce qui ressemble à un écart concurrentiel.
Là où cela devient un problème de mesure, pas un problème de langue
La plupart de vos clients adoptent une habitude de formulation sans y penser, et ils le feront, car les gens choisissent la voie de la moindre résistance. Un client écrit les requêtes qu’il suit dans des phrases nominales serrées de style mot-clé, un autre les écrit sous forme de questions conversationnelles complètes, et cette habitude ne reste pas poliment du côté du classement du rapport. Il plie les deux colonnes en même temps et les plie différemment, car chaque surface lit la même chaîne selon ses propres termes. Deux clients avec une visibilité réelle identique peuvent publier des profils opposés, l’un fort en termes de classement et peu en termes de citation, et l’autre inverse, sans aucune raison autre que la façon dont chacun d’eux a tapé. Il s’agit là d’un véritable problème de validité, et pas seulement pour le classement lu seul. Le numéro ressemble à un fait concernant le client. Cela tient en partie à la formulation.
C’est pourquoi aligner le classement à côté de la citation et lire les deux colonnes comme comparables est une erreur. Vous comparez deux nombres qui n’ont jamais été du même type, car chacun a été produit par un système différent effectuant un travail différent avec une chaîne lue selon des termes différents. Les recherches sur le chevauchement soutiennent la divergence, même si elles ne parviennent pas à s’entendre sur son ampleur. Moz a découvert que la plupart des citations du mode AI n’apparaissent jamais dans les résultats organiques pour la même requête, une étude de suivi a placé à peine un dixième des URL citées dans le top 10 de Google, et une étude Semrush a penché dans l’autre sens pour au moins une plate-forme, avec Perplexity chevauchant fortement le top 10 de Google. L’ampleur est contestée. Le fait que les deux surfaces lisent et récompensent des choses différentes ne l’est pas.
Il existe une version de cet écart qui résiste mieux que le rang seul, et je veux faire attention à la façon dont je l’exprime, car il s’agit d’un argument plutôt que d’un résultat prouvé. L’écart entre le classement et le fait d’être cité est lu par rapport à la même chaîne de requête des deux côtés, de sorte que l’effet de formulation qui déforme chaque nombre absolu devrait largement s’annuler de la comparaison, ce qui rendrait le contraste plus fiable que l’un ou l’autre chiffre pris seul. C’est un raisonnement, personne n’a démontré cela, et vous devriez le considérer ainsi. Ce qui est suffisamment stable pour agir, c’est le point voisin, cette forme d’entrée déplace ce qui fait surface. Un travail contrôlé a montré que le sourçage de l’IA évoluait en fonction du caractère de la requête, et une étude distincte a révélé que les résultats changeaient lorsque les invites étaient reformulées. La forme est une variable. Le traiter comme constant lorsque vous comparez des surfaces est l’erreur.
La garde est une colonne de volume, et elle ne fonctionne que d’un seul côté
La défense du côté des rangs n’est pas glamour, et c’est tout le jeu. Ne lisez jamais un numéro de rang sans le volume de recherche à côté. Un classement à la quatrième place sur une expression que personne ne recherche n’est pas une victoire ; c’est une phrase qui a été classée parce qu’elle était suffisamment spécifique pour ne pas être contestée, et le volume est ce qui rend un placement creux évident comme étant creux. Les mêmes sources SEO qui vantent la spécificité de la longue traîne préviennent que le volume est un point de départ et non un verdict. Le numéro le plus sain sur le tableau de bord est parfois le plus vide, et seul le volume à côté vous indique lequel.
Cette discipline ne dépasse pas les limites, et c’est là que la plupart des gens trichent discrètement. Le volume de recherche est une mesure de surface de recherche, produite par un mécanisme qui n’a pas d’équivalent du côté LLM. Aucune plate-forme n’expose la fréquence à laquelle une question a été posée, il n’y a pas d’index de fréquence d’invite et tout ce qui est vendu en tant que volume d’invite LLM est constitué de données de mots clés de recherche portant un costume ou d’une métrique de citation rebaptisée demande. Ainsi, le fait de fixer un chiffre de volume à côté d’une citation pour juger si cette citation est importante n’est pas un garde-fou. Classement des disciplines en volume. Cela ne dit rien d’une citation, et prétendre qu’elle s’étend est un autre cas de traitement de deux surfaces comme une seule.
Ce qui laisse une question légitime : si le volume ne se transfère pas, quelles disciplines du côté des citations ? Ce n’est pas une demande qui compte, car il n’en existe pas. Le substitut honnête est la fréquence de citation dans un ensemble d’invites exécutées de manière répétée au fil du temps, qui est un signal directionnel, pas un chiffre de volume, et doit être lu comme tel. Il vous indique si votre présence dans la réponse est stable ou fortuite, et non le nombre de personnes interrogées. Traiter cette lecture directionnelle comme s’il s’agissait d’un numéro de demande précis est la version côté citation du même piège à rang creux, et cela suscite le même scepticisme.
Lisez vos propres instruments
Rien de tout cela ne justifie de s’éloigner des chiffres. Le désordre est réel, que vous le mesuriez ou non. Les réponses de l’IA changent d’une exécution à l’autre, chaque surface lit la même chaîne différemment et la formulation fausse la comparaison. Le mesurer ne crée pas cette volatilité. Ne pas la mesurer laisse simplement la volatilité invisible et vous permet de confondre une seule lecture avec un fait. La véritable erreur n’est pas le désordre. Il s’agit de traiter une seule course comme si elle était réparée, de lire une invite un après-midi comme la vérité sur votre visibilité. Les données ainsi présentées sont directionnelles plutôt que directes, et directionnelles ne constituent pas des excuses ; c’est la bonne unité en ce moment. Une position que vous pouvez observer évoluer au fil du temps, un écart que vous pouvez dimensionner, une tendance échantillonnée sur plusieurs cycles au lieu d’être examinée en même temps, tout cela est lisible et honnête, exactement comme ne l’est pas une estimation ponctuelle prétendant être précise. L’instrument doit correspondre au terrain, et le terrain qui se déplace est lu par direction et non par décimale.
Tout cela revient à la seule compétence durable de la pièce. La couche de mesure de la recherche par IA est suffisamment jeune pour que les chiffres arrivent plus précis qu’ils ne le sont, et le praticien qui comprend ce que le système a fait à l’entrée est celui qui peut distinguer un signal réel d’un artefact de formulation. Aucun outil n’installe ce jugement à votre place. Quelque chose peut faire apparaître l’écart entre le classement et la citation ; comprendre pourquoi cet écart est le signal et non le bruit, c’est à vous de le transporter.
Alors que nous terminons cette semaine, gardez à l’esprit que le SEO n’est pas GEO, et que GEO n’est pas SEO, et bien qu’ils soient complémentaires, ils sont différents. Vous en avez probablement maîtrisé un il y a dix ans. L’autre demande de nouvelles compétences, un nouveau vocabulaire, de nouvelles données et un nouveau compte rendu de ce que la machine fait à votre saisie entre l’invite et la réponse. L’assurance qu’un bon référencement est tout ce dont vous avez besoin est une direction destinée à vous garder à l’aise, souvent entendue par ceux qui ont quelque chose à perdre. Les surfaces divergent toujours et les amalgamer est la chose la plus coûteuse que vous puissiez apporter à ce travail.
Si vous avez remarqué cet effondrement caché quelque part dans votre propre pile, ou si vous voyez l’asymétrie mordante d’une manière que je n’ai pas prise en compte, je veux l’entendre dans les commentaires. Et si vous voulez une version plus longue de l’argument expliquant pourquoi comprendre la couche machine vaut mieux rechercher ses sorties, voici mon livre : La couche machine.
Plus de ressources :
Cet article a été initialement publié sur Duane Forrester Decodes.
