Sommaire
Les professionnels SEO expérimentent déjà des techniques pour gagner en visibilité sur ChatGPT, Perplexity ou Gemini, mais une question reste sans réponse : comment nommer cette nouvelle discipline ?
Une enquête menée par Aleyda Solis auprès de plus de 200 SEO seniors révèle ce manque de consensus, alors que 91 % des dirigeants ont déjà interrogé leurs équipes sur ces enjeux au cours de l’année écoulée.
Une bataille de terminologies
Selon l’étude SEOFOMO, l’industrie n’a pas encore trouvé son vocabulaire.
- 36 % des répondants rapportent que leurs clients ou managers parlent simplement d’“optimisation recherche IA”.
- 27 % considèrent qu’il s’agit toujours de SEO, appliqué aux plateformes d’IA.
- 18 % emploient le terme GEO (Generative Engine Optimization).
D’autres sigles émergent — AEO (Answer Engine Optimization) ou LLMO — illustrant une discipline en pleine construction, encore à la recherche de ses fondations.
Qui pilote ces efforts ?
Dans la majorité des cas (75 %), ce sont les équipes SEO traditionnelles qui prennent en charge ces initiatives. Rares sont les entreprises à avoir créé une équipe dédiée ou une approche véritablement transversale.
Cela suggère que, pour l’instant, l’optimisation IA est perçue comme une extension naturelle des compétences SEO existantes, plutôt qu’une spécialité autonome.
Des tactiques inspirées du SEO classique
Pour tenter d’améliorer leur visibilité dans les moteurs génératifs, les professionnels s’appuient sur plusieurs leviers :
- Schema et données structurées pour faciliter l’interprétation,
- Relations presse digitales et citations sur des plateformes comme Reddit ou Wikipedia,
- Contenus découpés et FAQ pour être mieux repris,
- Suivi des mentions/citations IA sur ChatGPT, Perplexity ou Gemini.
Ces tactiques montrent une adaptation des méthodes SEO classiques aux spécificités des environnements IA.
Des résultats encore limités
Sur le plan business, l’impact reste faible : 62 % des SEO déclarent que la recherche IA génère moins de 5 % des revenus.
Les difficultés de mesure renforcent cette frustration : manque d’attribution, volatilité des réponses IA, absence de métriques fiables… Autant de freins qui compliquent l’évaluation de la performance.
