Les outils de citation sont fondamentalement différents des outils de suivi des classements, et cette différence est presque toujours considérée ou indiquée comme une limitation.
Un répondant à ma récente enquête auprès des praticiens du marketing numérique a clairement exprimé le cas. Vous ne pouvez pas procéder à une ingénierie inverse de ce qui fonctionne lorsque la réponse change à chaque fois que vous posez la question. Ce qui vous reste donc est plus proche d’un signal de notoriété de marque que d’un diagnostic. J’en ai entendu une certaine version de la part d’un nombre suffisant de personnes, maintenant qu’elle fonctionne comme lecture par défaut dans cet espace, et elle est juste. Cette enquête présentait délibérément ce que les répondants disaient sans réfutation, j’ai donc coupé ma réponse à l’époque. C’est la réponse.
Leur point de vue m’a fait réfléchir, et ce qui suit est là où cette réflexion m’a conduit jusqu’à présent. Je dirai encore une fois, d’emblée, que je dirige CitationIQ, une plateforme de données d’optimisation de l’IA, j’ai donc un intérêt commercial dans les réponses à des choses comme celle-ci. N’hésitez pas à me réduire en conséquence.
La question que je pose n’est pas la même
La lecture par défaut suppose que le travail de l’outil est d’expliquer pourquoi vous êtes apparu ou non. Cette attente vient directement du suivi des classements, où le poste était le résultat, et le travail de diagnostic consistait à déterminer ce qui l’avait motivé. Vouloir que cela revienne est raisonnable. Un nombre sur lequel vous pouvez agir est plus utile qu’un nombre que vous ne pouvez qu’observer.
J’y suis arrivé à partir d’une question différente. Pas pourquoi vous êtes apparu, mais si la phrase que vous recherchiez est toujours contestée ou est réglée. Ce sont deux choses différentes qu’il faut attendre d’une même preuve, et j’ai conclu que la seconde est celle qui compte actuellement sur le plan commercial.
Parce que si la réponse est établie et que la réponse ne vous appartient pas, la question du diagnostic a déjà reçu une réponse d’une manière qu’aucune ingénierie inverse ne pourra améliorer. L’utilisateur final ne se soucie pas de savoir à qui appartient la réponse. Ils voulaient la réponse, ils l’ont obtenue, et l’identité de la source n’a jamais été une question pour eux.
Installé est un mot plus utile que classé
Voici ce qui, à mon avis, se passe.
Le référencement traditionnel traitait la formulation comme extensible. Il y avait de nombreuses façons de demander la même chose, chacune étant dénombrable, chacune étant une opportunité distincte, et toute la méthode consistait à regrouper ces variations en un volume méritant d’être exploité. Les nouveaux systèmes traitent cette même formulation comme pliable. Ils prennent les variations, font la moyenne entre les sources et renvoient une réponse que la personne accepte et sur laquelle elle agit. C’est ce que j’entends par convergence.
Si j’ai bien compris, c’est proche d’une inversion. Ce que l’industrie a passé vingt ans à développer, c’est ce pour quoi ces systèmes sont conçus pour compresser.
Mais la convergence n’est pas aussi nette qu’il y paraît. Les modèles ne se basent pas de manière fiable sur une seule réponse. Un audit de juin 2026 portant sur 3 750 réponses sur trois modèles et 250 requêtes par catégorie a révélé que les trois étaient d’accord sur la marque phare dans seulement 41,6 % du temps. Le numéro le plus utile du même audit est celui en dessous. L’accord majoritaire, où au moins deux des trois noms citent la même marque phare, atteint 91,6 %.
Les modèles sont donc règlement sur quelles marques sont éligibles, et non sur laquelle vient en premier. L’ensemble est petit et stable. L’ordre circule. Lorsque quelqu’un réexécute une invite et obtient une réponse principale différente, il s’agit d’un mouvement à l’intérieur d’un ensemble fixe, et le traite comme une preuve que rien ne s’est réglé, lit la mauvaise couche.
Cela change ce que vous dit un outil de citation. Non pas votre position, qui n’a jamais été stable et ne le sera jamais, mais la question de savoir si la phrase y a encore sa place. Si 10 requêtes que vous avez traitées comme 10 opportunités aboutissent toutes à la même liste restreinte, elles constituaient une seule opportunité, et maintenant vous le savez.
Quelqu’un dira qu’il s’agit à nouveau du débat sur les extraits en vedette. Ce n’est pas le cas, même si les aspects économiques sont similaires. Les extraits ont réduit le clic et laissé l’espace de réponse intact. La phrase est restée contestée, un éditeur détenait la boîte, et on pouvait voir qui la détenait et aller la prendre. Ahrefs a alors mesuré les dégâts. La convergence fonctionne différemment car la réponse est construite à partir de plusieurs sources à la fois, de sorte que souvent personne n’a quoi que ce soit à prendre. Les praticiens qui disent avoir déjà vu cela se produire ont raison sur l’effet et se trompent sur le mécanisme, et c’est le mécanisme qui décide si l’ancienne réponse fonctionne toujours.
Mais est-ce que tout cela est réel ?
L’objection la plus forte est que la convergence est un artefact de la façon dont elle est mesurée. Sessions propres, invites synthétiques, pas d’historique utilisateur. Si chaque utilisateur réel bénéficie d’une expérience personnalisée, la convergence pourrait devenir quelque chose qui n’existe qu’au sein d’un espace de test.
La personnalisation ne semble pas dissoudre la convergence. Il semble le déplacer. Un audit de 2 000 analyses portant sur dix personnalités d’acheteur a révélé que les leaders de catégorie étaient largement résistants à la personnalité, avec une cohérence d’environ 80 %, quelle que soit la personne que le modèle pensait demander, tandis que les marques de taille moyenne échangeaient jusqu’à 75 % de l’ensemble de recommandations à mesure que la personnalité changeait. Les dirigeants restent sur place, peu importe qui le demande, et le désabonnement se produit en dessous d’eux. Ce qui signifie que la personnalisation concentre le problème que je décris plutôt que de le résoudre.
Je ne peux pas répondre aussi clairement à l’objection rapide synthétique. Personne dans cette catégorie, moi y compris, ne mesure actuellement à grande échelle les distributions de requêtes vérifiées du monde réel. C’est une véritable limite à ce que n’importe quel outil ici peut prétendre à l’heure actuelle, y compris le mien. (Et l’échelle fait ici référence à « tout cela » et non à « nous avons échantillonné 1 000 000 d’instances et trouvé X ». Bien, mais seulement une fraction de l’ensemble.)
La carte contient moins d’endroits que nous le pensions
Google indique que les aperçus de l’IA et le mode AI peuvent effectuer plusieurs recherches connexes dans des sous-thèmes et des sources de données avant d’élaborer une réponse. Ainsi, la phrase qu’une personne tape n’est souvent même pas la phrase recherchée par le système. Il s’agit de la compression qui se produit une couche plus tôt que la plupart des gens ne le recherchent.
Voici la partie qui sera impopulaire. L’espace des opportunités commerciales véritablement distinctes a toujours été plus petit que l’espace des formulations. La convergence ne l’a pas réduit. La convergence l’a rendu visible.
J’en ai regardé une version de l’intérieur. Au cours de mes années chez Bing, la concentration de l’attention au niveau des catégories était bien comprise et elle déterminait la destination des ressources. Le divertissement, l’automobile et l’information ont attiré du monde et de la capacité des serveurs, car c’est là que se situe la demande globale. Des catégories comme la couture ou le tricot comptaient énormément pour les personnes qui comptaient pour elles, et en recevaient proportionnellement moins. Il s’agit là d’une gestion ordinaire des ressources appliquée à la recherche d’informations, et c’était vrai deux décennies avant que quiconque ne forme un modèle de langage sur le Web ouvert.
Ce qui est nouveau, c’est que la concentration décide désormais des réponses et non plus uniquement des budgets. Des chercheurs de l’Université Trine et de Texas A&M ont mené une expérience. Ils ont construit des ensembles de produits d’une marque réelle contre neuf marques fictives validées, avec des notes, des prix, un nombre d’avis et des descriptions d’ingrédients identiques. La seule différence était le nom. La véritable marque a été recommandée dans chacun des 670 essais valides, sur trois modèles, deux langues et quatre catégories de produits. Pas une seule fois une marque fictive n’a fait surface.
Le modèle n’évaluait pas les produits. C’était reconnaître un nom. Ce qui vous indique à quoi ressemble la victoire maintenant, et ce n’est pas la meilleure réponse. Il s’agit de l’entité la plus décrite dans une catégorie où la description s’est déjà accumulée. Le même audit de juin a révélé de véritables vides concurrentiels, c’est-à-dire des requêtes de catégorie sans aucune marque dominante, dans seulement 8 % des 250 requêtes.
J’ai approfondi la confiance dans les articles précédents. Le point qui mérite d’être souligné est que ces systèmes ont besoin de sources fiables, car une réponse synthétisée n’est aussi bonne que celle à partir de laquelle elle a été construite. La reconnaissance est l’indicateur de fiabilité le moins cher disponible, c’est pourquoi les modèles s’appuient sur elle. Rien de tout cela ne devrait choquer qui que ce soit. Ce qui est choquant, c’est de savoir tout cela et de décider que le problème à résoudre est de ne pas pouvoir voir le classement.
Pourquoi l’industrie préfère ne pas examiner cela
Moins d’opportunités distinctes signifient que moins d’entreprises peuvent gagner, et celles qui le feront gagneront sur autre chose que la couverture de phrases.
Il s’agit d’un recadrage existentiel pour une discipline dont l’économie supposait que chacun pourrait éventuellement trouver sa place. La longue traîne n’a jamais été seulement une tactique. C’était la promesse qu’il y avait de la place pour tout le monde, qu’un petit opérateur, avec de la patience et un budget de contenu, pourrait construire quelque chose de défendable. Honnêtement, faire face à la convergence signifie faire face à une opportunité adressable plus petite que celle sur laquelle de nombreuses carrières ont été bâties, la mienne y compris.
Je ne pense pas que les pratiquants évitent cela par mauvaise foi. L’incitation à ne pas regarder est tout à fait compréhensible, et je n’y suis pas moi-même arrivé de bonne humeur.
Une autre chose complique la situation. Presque toutes les mesures publiées de la visibilité des marques IA proviennent d’entreprises vendant des mesures de visibilité des marques IA. Deux des trois études ci-dessus sont des recherches de fournisseurs avec des conflits révélés. C’est le même conflit que j’ai déclaré à mon sujet, qui apparaît dans l’ensemble de la base de preuves, et c’est une raison pour laquelle chaque chiffre de cet article est vague.
Où cet argument s’épuise
La convergence peut être temporaire. Les architectures de récupération changent, les familles de modèles divergent et l’ensemble de considérations canoniques actuel pourrait se fragmenter à nouveau dans 18 mois. Je n’ai aucun moyen de prédire ce risque.
La plus grande limite est le type de requête. Tout ce qui est noté ci-dessus est plus fort pour les questions informatives et au niveau des catégories et le plus faible pour les questions commerciales spécifiques. Convergence sur qu’est-ce que X vous en dit très peu sur meilleur X pour Y sous contrainte Z. Les données d’accords inter-modèles sont autant contre moi que pour moi ici, car le chiffre de 41,6 % provient de requêtes de catégories commerciales, et c’est précisément là que mon argument fait le plus de travail et reçoit le moins de soutien. Si cela ne vaut que pour les requêtes d’information, cela importe beaucoup moins que je ne le pense. Je ne le crois pas, mais je ne peux pas l’exclure au vu de ce qui a été publié jusqu’à présent.
Alors, qu’est-ce qui remplace la couverture de phrases ?
Je n’ai pas encore complètement réglé ce problème et j’espère avoir votre avis à ce sujet.
Je pense que certaines orientations semblent plus prometteuses que d’autres. Être la source sur laquelle les modèles convergent, plutôt qu’une source supplémentaire en compétition pour une expression, est la solution évidente et aussi la plus difficile, car elle est obtenue grâce à une description indépendante au fil des années plutôt que produite sur un calendrier de contenu.
La position au niveau de l’entité plutôt que l’optimisation au niveau de la page découle directement des résultats de la reconnaissance. Si le modèle sélectionne sur le nom qu’il connaît, alors l’unité d’investissement est le nom et non la page.
Les catégories pour lesquelles la convergence n’a pas encore eu lieu sont réelles et le mécanisme vous indique où chercher. Kandpal et ses collègues ont établi que la capacité d’un modèle à répondre à quelque chose dépend du nombre de documents pertinents qu’il a vus au cours de la pré-formation. Mallen et ses collègues ont découvert que la mise à l’échelle améliore le rappel du côté populaire tout en laissant le côté clairsemé à peu près là où il a commencé. Les catégories clairsemées sont celles où se trouvent les vides, et la technologie des soins de santé a montré le taux de vide le plus élevé lors de cet audit de juin, soit 20 %. Une couverture fine est une ouverture et une ouverture temporaire.
Et certaines requêtes ne peuvent tout simplement pas être gagnées et devraient être abandonnées plutôt que combattues. C’est l’élément le moins satisfaisant de la liste et probablement le plus précieux, car le coût de la contestation d’une phrase réglée n’est pas seulement une dépense inutile. C’est plutôt la phrase que vous n’avez pas contestée.
Ce sur quoi je reviens sans cesse, c’est que la convergence n’est pas un échec de mesure. Il s’agit d’une mesure de quelque chose que cette industrie n’avait pas eu l’occasion de voir auparavant, et ce qu’elle semble mesurer, c’est la marge de manœuvre qui reste, je pense. C’est inconfortable. Cependant, une carte plus petite que vous pouvez réellement voir bat toujours une grande carte que vous imaginiez.
Si vous testez cela avec vos propres données et obtenez une réponse différente, je veux en entendre parler. Laissez un commentaire ci-dessous ou contactez directement.
J’approfondis la façon dont ces systèmes construisent et conservent leur image de marque dans La couche machinedisponible ici.
Plus de ressources :
Cet article a été initialement publié sur Duane Forrester Decodes.
