Dans une étude publiée le 2 octobre, l’agence SEO et GEO First Page Sage examine les facteurs associés à la présence des marques dans les réponses des IA. Le rapport est signé par Evan Bailyn, auteur spécialisé dans la visibilité sur les moteurs génératifs.
Entre le 8 juin et le 18 septembre 2026, les chercheurs ont soumis 4 213 requêtes commerciales à ChatGPT, Gemini, AI Mode et Claude. Ils ont également réalisé 657 tests dans lesquels un agent devait sélectionner une entreprise ou effectuer un achat. L’analyse porte sur 1 089 marques issues de 14 secteurs.
Schema et llms.txt pèsent peu après contrôle de l’autorité
Les marques utilisant des données structurées ont obtenu un taux moyen de recommandation de 20,9 %, contre 17,2 % pour les autres. Une fois les différences d’autorité prises en compte, l’écart tombe à seulement 0,4 point supplémentaire.
Le balisage FAQ affiche un écart ajusté de -0,3 point. La présence d’un fichier llms.txt correspond à une différence de -0,1 point. Le rapport ne relève donc aucun effet mesurable après ajustement pour ces deux éléments.
Une exception apparaît parmi les 214 marques de commerce électronique étudiées. Le Product schema se distingue avec une hausse ajustée de 4,8 points. First Page Sage l’associe aux informations factuelles qu’il expose, comme le prix, les caractéristiques et la disponibilité d’un produit.
La clarté et l’adéquation de l’offre pèsent davantage
Les marques dont le site explique clairement ce qu’elles proposent et à qui leur offre s’adresse atteignent un taux de recommandation de 24,1 %, contre 8,3 % pour les moins explicites. Après ajustement, la clarté de l’offre reste associée à un écart de 11,2 points.
Le taux passe de 11,2 % pour les sites notés 5 ou 6 sur 10 à 23,6 % pour ceux notés 7 ou 8. Il atteint 24,8 % pour les scores de 9 ou 10. Un plafond apparaît ensuite, avec peu de différence entre les deux derniers groupes.
Parmi les marques les plus claires, celles qui n’utilisent aucun balisage obtiennent un taux de 24,2 %. Les sites combinant au moins six types de Schema, une FAQ et un fichier llms.txt atteignent 23,9 %. Cette comparaison rejoint d’autres travaux sur les facteurs de recommandation des principales IA.
L’autorité seule ne suffit pas non plus. Les marques très connues mais peu adaptées à la requête sont recommandées dans 4,1 % des cas. Le taux atteint 41,3 % lorsque autorité forte et adéquation élevée sont réunies. Une page consacrée précisément au besoin recherché obtient aussi 27,7 %, contre 5,4 % lorsque ce besoin n’est pas mentionné.
Ces résultats distinguent également la présence dans une réponse de la recommandation effective d’une entreprise. Une citation ne vaut pas nécessairement recommandation.
Les agents utilisent davantage les informations exploitables
First Page Sage a comparé les informations présentes sur les sites avec celles publiées par une moyenne de 37 sources tierces. Lorsque la cohérence entre les sources est très élevée, le taux de recommandation atteint 34,9 % et la présence dans les sélections réalisées par des agents 46,2 %. Aux niveaux les plus faibles, ces proportions tombent respectivement à 5,9 % et 2,8 %.
La seule cohérence du site produit des résultats inférieurs à ceux obtenus lorsque des sources externes confirment les mêmes informations. Pour les tâches agentiques, le taux atteint 37,3 % lorsque le site et les tiers concordent, contre 9,6 % lorsque seul le site présente des données homogènes.
Les agents accordent aussi davantage de poids aux prix, aux disponibilités et aux parcours de commande. Les marques proposant des informations directement exploitables sont sélectionnées plus souvent que celles qui affichent ces données uniquement dans un texte ou les masquent derrière un formulaire.
L’écart le plus important concerne les réservations et les paiements. Un parcours exploitable par la machine atteint 36,8 %, contre 19,4 % pour des instructions en texte clair, soit un gain de 17,4 points. Les données tarifaires et de disponibilité suivent la même tendance, également observée dans l’analyse des données produits utilisées par ChatGPT Shopping.
Dans le modèle statistique du rapport, les données structurées représentent 0,9 % de l’influence mesurée pour une réponse IA classique, contre 4,6 % pour une tâche agentique.
