Sélection vivante, vérifiée à la source et mise à jour au fil des publications. Les liens renvoient aux versions officielles (arXiv, actes de conférence, rapports d'institut).
Référence vérifiéeFondation
GEO : Generative Engine Optimization
Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande
Première formalisation académique du GEO. Les auteurs définissent les « moteurs génératifs » et démontrent que des optimisations légères du contenu — ajout de statistiques, de citations et de formulations citables — peuvent accroître la visibilité d'une source dans les réponses générées, avec des gains atteignant l'ordre de 40 %. L'étude introduit GEO-bench, banc d'essai de référence.
Source · ACM SIGKDD — KDD 2024 · arXiv:2311.09735Date · 2024Lire l'étude →
Référence vérifiéeFiabilité des citations
AI Search Has a Citation Problem
Klaudia Jaźwińska, Aisvarya Chandrasekar — Tow Center for Digital Journalism, Columbia University
Test de huit moteurs de recherche IA sur leur capacité à citer correctement des articles de presse : collectivement, plus de 60 % des réponses contenaient des citations erronées (mauvais éditeur, URL inventée). Constat marquant : les outils payants se montraient souvent plus sûrs d'eux… tout en se trompant davantage.
Référence vérifiéeImpact comportemental
Google users are less likely to click on links when an AI summary appears
Pew Research Center
Analyse du comportement de navigation de 900 internautes américains. En présence d'un résumé IA, seuls 8 % cliquaient sur un lien classique, contre 15 % sans résumé — près de moitié moins. Les sources citées à l'intérieur du résumé n'étaient cliquées que dans 1 % des cas, et environ 18 % des recherches déclenchaient un résumé IA.
Référence vérifiéeDécouvrabilité réelle
The Discovery Gap : LLM Discoverability of Product Hunt Startups
Amit Prakash Sharma — IIT Patna
112 startups testées sur 2 240 requêtes : interrogés sur un produit nommé, les modèles le reconnaissent presque parfaitement, mais ne le font émerger que dans 3 à 8 % des questions de découverte. Surprise contre-intuitive : les scores GEO ne prédisaient pas la découvrabilité — les signaux SEO (domaines référents) et la présence communautaire, oui.
Référence vérifiéeMéthode · structure du contenu
Structural Feature Engineering for GEO : How Content Structure Shapes Citation Behavior
Junwei Yu et al.
Démontre que la structure du contenu façonne la citation. Une optimisation structurelle améliore le taux de citation de 17,3 % et la qualité perçue de 18,5 % sur six moteurs génératifs grand public. L'étude établit l'optimisation structurelle comme composante fondamentale du GEO.
Référence vérifiéeMéthode · automatisation
What Generative Search Engines Like and How to Optimize Web Content Cooperatively (AutoGEO)
Yujiang Wu, Shanshan Zhong, Yubin Kim, Chenyan Xiong — Carnegie Mellon University
Propose un cadre qui apprend automatiquement les préférences des moteurs génératifs, puis réécrit le contenu pour maximiser sa visibilité tout en préservant l'exactitude. Marque le passage des heuristiques manuelles à une optimisation pilotée par les données. Accepté à ICLR 2026.
Référence vérifiéeMéthode · diagnostic des échecs
Diagnosing and Repairing Citation Failures in GEO (AgentGEO)
Zhihua Tian, Yuhan Chen, Yao Tang, Jian Liu, Ruoxi Jia
Propose la première taxonomie des modes d'échec de citation et un système agentique qui diagnostique pourquoi un document n'est pas cité, puis le répare. Gain de citation supérieur à 40 % en ne modifiant que 5 % du contenu — tout en alertant sur le risque que l'optimisation générique pénalise le contenu de longue traîne.
Référence vérifiéeMesure & benchmark
CC-GSEO-Bench : A Content-Centric Benchmark for Measuring Source Influence in Generative Search Engines
Qiyuan Chen et al.
Propose un banc d'essai centré sur le contenu pour mesurer l'influence réelle d'une source dans les réponses des moteurs génératifs — au-delà de sa simple présence. Un outil utile pour quantifier objectivement la contribution d'un contenu à une réponse, enjeu central de toute mesure de visibilité.
Référence vérifiéeSécurité & manipulation
Ranking Manipulation for Conversational Search Engines
Samuel Pfrommer, Yatong Bai, Tanmay Gautam, Somayeh Sojoudi — UC Berkeley
Démontre que des injections de prompt dissimulées dans une page peuvent manipuler l'ordre des sources citées par un moteur conversationnel et propulser un produit mal classé. Les attaques se transfèrent à des systèmes réels comme Perplexity — un enjeu de sécurité et de fiabilité pour la visibilité IA. Publié à EMNLP 2024.
Référence vérifiéeApplication sectorielle
E-GEO : A Testbed for Generative Engine Optimization in E-commerce
Puneet S. Bagga, Vivek F. Farias, Tamar Korkotashvili, Tianyi Peng, Yuhang Wu
Introduit un banc d'essai dédié au GEO dans le commerce en ligne, où la visibilité d'un produit dans les recommandations d'IA a un impact commercial direct. Signe que le GEO se spécialise désormais par secteur, avec des enjeux et des métriques propres à chaque marché.
Méthode
Comment nous mesurons
L'Observatoire applique ces enseignements à son propre Baromètre, selon un protocole ouvert et reproductible.
Voir notre méthodologie →