Sommaire
Le concept d’Assistive Agent Optimization (AAO) propose un cadre élargi pour optimiser la visibilité des marques dans des systèmes où des agents IA recommandent et prennent des décisions. Il vise à dépasser les terminologies existantes en intégrant modèles de langage, knowledge graphs et recherche traditionnelle dans une stratégie unifiée.
Dans une tribune publiée sur Search Engine Land, Jason Barnard avance un nouveau terme pour structurer l’optimisation dans les environnements IA : Assistive Agent Optimization (AAO). L’objectif n’est pour lui pas de renommer le SEO, mais de proposer un cadre couvrant l’ensemble des systèmes qui recommandent ou agissent pour l’utilisateur.
SEO, AEO, AIEO… et désormais AAO
Jason Barnard distingue quatre étapes successives :
- SEO : être trouvé,
- AEO (Answer Engine Optimization) : être la réponse,
- AIEO (AI Engine Optimization) : être recommandé,
- AAO (Assistive Agent Optimization) : être choisi lorsque l’agent agit sans intervention humaine.
Selon lui, les termes actuellement en circulation (GEO, LLM optimization, Entity SEO, AI SEO…) ne couvrent qu’une partie du périmètre. AAO viserait à englober l’ensemble des systèmes combinant modèles de langage, graphes de connaissances et moteurs de recherche traditionnels.
Une architecture commune aux moteurs et agents
L’auteur décrit ce qu’il appelle une “trinité algorithmique” composée de :
- Large Language Models (LLM),
- Knowledge Graphs,
- Search traditionnel.
La pondération varie selon les plateformes, mais l’architecture resterait similaire, qu’il s’agisse de :
- Google,
- Microsoft,
- ChatGPT,
- Perplexity,
- Copilot.
Dans cette logique, l’optimisation ne se limite plus à la visibilité dans un index, mais à la capacité d’un agent à sélectionner une marque lorsqu’il formule une recommandation ou exécute une action.
Le “glossary test” : une question de terminologie
Jason Barnard applique ce qu’il appelle un “glossary test”. C’est-à-dire qu’un terme doit être compréhensible par un non-spécialiste dès sa première lecture. Il estime que :
- “Generative Engine Optimization” repose sur une technologie susceptible d’évoluer,
- “Entity SEO” nécessite une compréhension technique préalable,
- “LLM Optimization” ne couvre qu’une partie du système,
- “AI SEO” reste attaché à une logique moteur.
AAO, selon lui, désigne une fonction (optimiser pour qu’un agent choisisse une marque) plutôt qu’une technologie spécifique.
Ce que change le cadre AAO
L’article identifie plusieurs évolutions opérationnelles :
1. La marque comme point d’ancrage
L’auteur insiste sur le rôle de la “entity home”, la page centrale qui structure l’identité d’une marque dans les systèmes algorithmiques. La compréhension d’une entité conditionnerait la confiance de l’agent.
2. Un funnel internalisé
Dans ce modèle, la découverte, la comparaison et la décision peuvent se dérouler au sein même de l’agent, avant toute interaction avec le site. L’utilisateur reçoit une recommandation déjà arbitrée.
3. Une diversification des sources
L’auteur souligne que les agents ne s’appuient plus exclusivement sur l’index web. APIs, bases propriétaires et flux structurés alimentent directement certains systèmes.
4. Le retour du “push”
Il évoque des mécanismes permettant de transmettre activement des données structurées aux moteurs, comme IndexNow, initié par Bing. Dans ce contexte, la publication passive ne suffirait plus.
Une continuité des compétences SEO
Jason Barnard précise que les compétences SEO restent pertinentes. Selon lui, AAO inclut AIEO, qui inclut AEO, qui inclut SEO. Le changement concernerait principalement la cible, passer d’un moteur listant des résultats à un agent qui choisit.
Le cadre AAO s’accompagne d’un pipeline en dix étapes décrivant le parcours d’un contenu avant qu’il ne soit recommandé par un système IA :
- Discovered (Découvert) : le bot identifie l’existence du contenu ou de la marque.
- Selected (Sélectionné) : le système décide que la ressource mérite d’être explorée.
- Crawled (Exploré) : le contenu est récupéré par le robot.
- Rendered (Interprété) : le système transforme le contenu brut en version exploitable (HTML rendu, texte compréhensible).
- Indexed (Indexé) : les informations sont intégrées dans la mémoire du moteur ou de l’agent.
- Annotated (Annoté) : le contenu est classifié selon différentes dimensions : thématique, entité, intention, fiabilité, etc.
- Recruited (Mobilisé) : l’algorithme sélectionne ce contenu comme candidat potentiel pour répondre à une requête ou à un besoin.
- Grounded (Vérifié) : les informations sont croisées avec d’autres sources afin d’évaluer leur cohérence et leur crédibilité.
- Displayed (Affiché) : le système présente la marque ou le contenu dans l’interface utilisateur.
- Won (Choisi) : l’agent recommande ou sélectionne la solution au moment décisionnel, parfois sans exposition d’alternatives.
Ce schéma formalise la progression d’un contenu dans des environnements où la recommandation peut intervenir avant toute visite sur le site, voire sans interaction humaine intermédiaire.
L’article s’inscrit dans le débat actuel sur la terminologie et la structuration des stratégies de visibilité dans les environnements IA, en proposant un cadre unifié centré sur le rôle des agents IA d’assistance.
