Sommaire
Une étude de First Page Sage analyse les facteurs qui structurent les recommandations des assistants IA. Elle met en évidence des logiques communes, mais aussi des différences selon les modèles.
Le GEO, ou l’optimisation pour les moteurs génératifs
L’étude de First Page Sage part du constat que le GEO reste un champ jeune, encore peu stabilisé, avec peu de travaux de référence. L’objectif du cabinet est donc de poser un premier cadre de lecture, à partir d’une observation prolongée des grands assistants présents sur le marché américain.
Le jeu de données initial a été constitué entre le 18 décembre 2023 et le 23 février 2024 pour ChatGPT seul, puis enrichi jusqu’au 3 avril 2026 avec quatre outils :
- ChatGPT,
- Google Gemini,
- Perplexity,
- Claude.
Au total, First Page Sage a soumis 11 128 requêtes commerciales à ces assistants, dans de nombreuses catégories de produits et de services, afin d’identifier les facteurs qui influencent leurs recommandations.
Une base commune, avec des pondérations différentes
L’étude explique que les quatre assistants mobilisent globalement la même famille de signaux, sans leur accorder le même poids. Les principaux facteurs retenus sont :
- les mentions dans des listes faisant autorité,
- les prix, accréditations et affiliations,
- les avis en ligne,
- les cas clients et données d’usage,
- le sentiment social,
- l’autorité d’un site ou d’une page,
- les avis locaux,
- annuaires traditionnels.
Les moteurs génératifs ne créent pas leurs recommandations à partir d’une seule logique. Ils agrègent plusieurs signaux de crédibilité, de visibilité et de réassurance, puis les hiérarchisent différemment selon leur propre système.
Les facteurs les plus utilisés
Les listes faisant autorité
Pour First Page Sage, c’est le signal dominant chez plusieurs assistants. Les moteurs génératifs fonctionnent comme des systèmes de prédiction. Pour recommander, ils s’appuient sur ce que disent déjà plusieurs sources jugées fiables sur un sujet donné.
Dans la pratique, cela renvoie souvent à :
- des comparatifs,
- des classements,
- des listes “best of”,
- des sélections publiées par des sites bien positionnés ou réputés.
L’étude souligne que ces listes servent de base de consolidation. Quand plusieurs sources fiables citent les mêmes acteurs, les assistants ont tendance à les reprendre.
Les prix, accréditations et affiliations
Ce facteur joue comme un signal de légitimité. Lorsqu’une entreprise, un produit ou un service est associé à une distinction, à une certification ou à une affiliation reconnue, cette information renforce ses chances d’être recommandé.
Les avis en ligne
Les avis publiés sur des plateformes jugées fiables gardent un poids important, notamment pour ChatGPT, Gemini et Perplexity. First Page Sage cite par exemple Amazon, Better Business Bureau, Glassdoor, Trustpilot, Capterra ou CNET.
Les cas clients et données d’usage
Le fait d’être associé publiquement à des marques connues, d’avoir des partenariats visibles, des études de cas ou des données d’adoption constitue aussi un signal d’autorité. Ce facteur compte surtout chez ChatGPT et Claude.
Le sentiment social
ChatGPT prend aussi en compte, de façon plus marginale, la tonalité des conversations autour d’une marque ou d’une entreprise dans les articles, les réseaux sociaux publics et les forums.
L’autorité du site
Gemini accorde un poids particulier à l’autorité des sites et des pages dans l’écosystème Google. First Page Sage rattache ce facteur à la logique historique de Google, avec une base fondée sur la qualité des contenus et les liens entrants.
Les avis locaux
Pour les requêtes locales, Gemini et Perplexity mobilisent davantage les avis issus de Google Business Profile, Yelp, TripAdvisor, Angie’s List et d’autres plateformes de ce type.
Les bases de données et annuaires traditionnels
Claude se démarque nettement sur ce point. Il s’appuie beaucoup plus que les autres sur des bases jugées fiables, comme Bloomberg, Hoovers ou d’autres répertoires structurés, ainsi que sur des corpus de référence plus traditionnels.
ChatGPT : une logique fondée sur les listes, puis l’arbitrage
First Page Sage attribue à ChatGPT la répartition suivante :
- mentions dans des listes faisant autorité : 41 %
- prix, accréditations et affiliations : 18 %
- avis en ligne : 16 %
- cas clients et données d’usage : 14 %
- sentiment social : 11 %
Le cabinet explique que ChatGPT s’appuie d’abord sur Bing, dont l’algorithme de classement reste proche, dans ses fondements, de celui de Google. Il examine plusieurs résultats bien positionnés, vérifie leur autorité, puis cherche les acteurs qui reviennent le plus souvent.
ChatGPT fonctionne beaucoup par convergence. Quand plusieurs listes fiables citent les mêmes entreprises ou les mêmes produits, elles ont de fortes chances d’apparaître dans sa réponse.
L’étude précise aussi que ChatGPT peut parfois s’appuyer très fortement sur le premier résultat d’une requête Bing reformulée. First Page Sage donne l’exemple d’une question sur les meilleures agences GEO en 2026, pour laquelle ChatGPT a repris directement une liste publiée par… First Page Sage, bien placée sur Bing.
Quand les listes sont contradictoires, trop faibles ou trop influencées, ChatGPT semble passer à d’autres signaux. First Page Sage cite le cas d’une requête sur les meilleures tondeuses à moins de 1 000 dollars. Dans ce cas, l’assistant n’aurait pas retenu les listes dominantes du search, mais plutôt des avis jugés plus fiables, issus notamment du New York Times et de Consumer Reports.
L’ordonnancement final des résultats aurait ensuite été influencé par la fréquence des mentions observées dans les médias sur les deux ou trois années précédentes. C’est là que le sentiment social entre en jeu.
Gemini : une logique proche du search, plus ancrée dans l’écosystème Google
Pour Gemini, First Page Sage distingue deux cas.
Requêtes générales
- mentions dans des listes faisant autorité : 49 %
- autorité du site dans Google : 23 %
- prix, accréditations et affiliations : 15 %
- avis en ligne : 13 %
Requêtes locales
- avis de commerces locaux : 38 %
- mentions dans des listes faisant autorité : 29 %
- avis en ligne : 19 %
- autorité du site liée au profil Google Business : 14 %
Gemini suit une logique proche de ChatGPT, mais en s’appuyant plus directement sur les systèmes Google. Il regarde les résultats de première page, repère les acteurs communs à plusieurs listes ou annuaires et cite souvent les sources utilisées dans sa réponse.
L’étude note aussi plusieurs spécificités.
- D’abord, Gemini semble moins dépendre du premier résultat qu’un ChatGPT peut l’être dans certains cas. Il cherche davantage les convergences entre plusieurs sources.
- Ensuite, il valorise fortement les entreprises désignées comme “award-winning”. Une entreprise primée peut donc être recommandée même si elle n’apparaît pas partout.
- À l’inverse, l’étude indique qu’une mauvaise note en ligne, inférieure à 3,5 étoiles, peut l’écarter d’une recommandation, même si elle figure sur plusieurs listes ou bénéficie d’une récompense.
- Sur les produits, Gemini peut aussi reformuler la notion de “meilleur”. Dans l’exemple donné par First Page Sage sur des crèmes hydratantes pour peau sèche, il aurait interprété “best” comme “most popular”, puis mis en avant des produits très vendus et bien notés.
- Pour les requêtes locales, Gemini change nettement de logique. Les avis Google Business Profile deviennent alors le facteur le plus corrélé à la recommandation, devant les listes et les autres avis.
Perplexity : un système plus simple, très dépendant des listes
First Page Sage distingue là aussi deux cas.
Requêtes générales
- mentions dans des listes faisant autorité : 64 %
- avis en ligne : 31 %
- prix, accréditations et affiliations : 5 %
Requêtes locales
- avis de commerces locaux : 39 %
- mentions dans des listes faisant autorité : 34 %
- avis en ligne : 27 %
Perplexity apparaît comme le système le plus simple dans sa logique de recommandation. Le cabinet explique qu’il tire la plupart de ses réponses commerciales à partir de listes qui figurent dans les cinq premiers résultats Google de la requête équivalente.
Il sélectionne ensuite des éléments dans deux ou trois listes, puis les ordonne surtout à partir des avis. Les récompenses, accréditations et affiliations jouent un rôle secondaire.
Pour le local, Perplexity suit une logique assez proche de Gemini, avec un poids important donné aux avis Google, Yelp, TripAdvisor, Time Out, Eater et autres plateformes jugées fiables selon le type de requête.
Claude : une logique à part, fondée sur les bases établies
Claude se distingue très fortement des trois autres assistants. First Page Sage lui attribue la répartition suivante :
- bases de données et annuaires traditionnels : 68 %
- prix, accréditations et affiliations : 19 %
- cas clients et données d’usage : 13 %
Le point décisif, selon l’étude, est que Claude dispose d’un accès plus limité à l’internet ouvert. Il s’appuie donc davantage sur des bases structurées et sur des répertoires traditionnels.
Ses recommandations sont ainsi davantage influencées par :
- l’ancienneté,
- la taille,
- la reconnaissance institutionnelle,
- les affiliations visibles,
- les bases clients connues,
- les données d’usage ou de popularité disponibles.
First Page Sage donne l’exemple d’une requête sur les meilleures agences de voyage aux États-Unis. Claude aurait privilégié des entreprises installées depuis plus de 50 ans, y compris face à des acteurs plus récents mais mieux notés.
Autre point relevé par l’étude : Claude n’essaie pas réellement de recommander des commerces locaux, contrairement à Gemini et Perplexity.
Des différences importantes selon le type de requête
L’un des apports les plus utiles du rapport est de montrer que les assistants ne travaillent pas de la même manière sur les requêtes générales et sur les requêtes locales.
- Pour les requêtes générales, les listes éditoriales, les annuaires, les récompenses et l’autorité des sites jouent un rôle majeur.
- Pour les requêtes locales, le poids des avis devient beaucoup plus fort, en particulier chez Gemini et Perplexity. L’autorité du profil local ou des plateformes d’avis prend alors plus d’importance que les seuls contenus éditoriaux.
L’étude montre aussi que les versions les plus avancées de ces assistants personnalisent leurs recommandations à mesure que l’utilisateur donne davantage d’informations sur lui-même. Ce point peut faire varier le poids des signaux observés.
Ce que cette étude pose comme fondement du GEO
L’intérêt de ce rapport tient à un point de méthode. First Page Sage ne présente pas le GEO comme une simple transposition du SEO. Le cabinet décrit plutôt un système hybride, à l’intersection de plusieurs couches du web.
Les recommandations des assistants reposent à la fois sur :
- la visibilité acquise dans les moteurs,
- la présence dans des listes éditoriales,
- la crédibilité portée par les avis,
- les signaux institutionnels,
- les bases de données établies,
- les éléments publics de réassurance.
Le GEO, dans cette lecture, ne consiste donc pas seulement à “bien se positionner”. Il consiste à être présent dans les sources que les assistants utilisent pour fabriquer une recommandation.
C’est aussi ce qui explique les écarts entre modèles :
- ChatGPT et Perplexity regardent beaucoup les listes et les avis,
- Gemini ajoute une couche plus directement liée aux systèmes Google,
- Claude dépend bien davantage de bases traditionnelles et favorise les acteurs établis.
