Il y a quelques semaines, on m’a donné accès à un rapport confidentiel destiné aux partenaires d’OpenAI, un type de jeu de données généralement réservé à un petit groupe d’éditeurs.

Pour la première fois, ce rapport offre un aperçu détaillé des métriques de **visibilité** à l’intérieur de **ChatGPT**, des informations que seuls quelques partenaires sélectionnés d’**OpenAI** avaient jusqu’alors en main.

Ce n’est pas une fuite spectaculaire, mais plutôt une fenêtre rare sur le fonctionnement interne d’une plateforme qui va redessiner la pratique du **SEO** et de la publication pilotée par l’**IA** dans la décennie à venir.

Les enseignements tirés de ce jeu de données dépassent largement toute polémique ponctuelle : la **visibilité** liée à l’**IA** explose, tandis que le **trafic** issu de ces interfaces s’effondre.

C’est le signe le plus net que nous quittons l’ère des « moteurs de recherche » pour entrer dans celle des « **moteurs de décision** », où des agents **IA** extraient, interprètent et synthétisent l’information sans renvoyer systématiquement l’utilisateur vers la source.

Ce changement contraint chaque éditeur, professionnel du **SEO**, marque et stratège de contenu à redéfinir profondément ce que signifie réellement la **visibilité en ligne**.

1. Ce que montre le rapport : une forte visibilité… sans génération de trafic

Le jeu de données du rapport couvre un mois entier pour un grand éditeur média. Il détaille, avec une granularité étonnante, la fréquence d’affichage d’une URL dans **ChatGPT**, sa position dans l’interface, le nombre de clics qu’elle génère, le nombre de conversations impactées, ainsi qu’un taux de clics superficiel (**CTR**) selon les différents emplacements UI.

Affichage d’URL et interaction utilisateur dans ChatGPT

La meilleure URL du panel a enregistré 185 000 impressions de conversation distinctes, c’est-à-dire autant de sessions **ChatGPT** où l’URL a été affichée.

Sur ces impressions, 3 800 ont donné lieu à un clic, soit un **CTR** au niveau conversationnel de 2 %. En comptant les apparitions multiples au sein des mêmes conversations, on arrive à 518 000 impressions totales et 4 400 clics, ce qui fait chuter le **CTR** global à 0,80 %.

Cela représente un niveau d’exposition remarquable. Mais ce n’est clairement pas un niveau de trafic significatif.

La plupart des autres URLs font beaucoup moins bien :

• 0,5 % de **CTR** (considéré comme « bon » dans ce contexte).
• 0,1 % de **CTR** (typique).
• 0,01 % de **CTR** (fréquent).
• 0 % de **CTR** (extrêmement courant, surtout pour des contenus très de niche).

Ce phénomène n’est pas un artefact isolé : il est confirmé sur l’ensemble du jeu de données et recoupe des études externes, y compris des analyses de logs serveurs menées par des spécialistes **SEO** indépendants montrant des **CTR** sous 1 % depuis des sources **ChatGPT**.

Nous avions observé une tendance similaire avec l’ère du « zero-click » chez Google ; **ChatGPT** ne fait qu’accélérer ce mouvement. Mais il y a une différence essentielle : les extraits optimisés de Google cherchaient encore à pousser l’utilisateur vers la source pour approfondir. **ChatGPT**, lui, vise souvent à satisfaire complètement l’intention utilisateur, supprimant ainsi le besoin de cliquer plutôt que de le rendre simplement facultatif.

2. Le paradoxe de surface : là où OpenAI montre le plus, on clique le moins

Le rapport segmente chaque interaction par « surfaces » de l’interface utilisateur, et met en lumière une dynamique contre-intuitive : le bloc de réponse principal, qui concentre plus de 95 % du contenu généré par les **LLM**, génère un volume d’impressions massif — parfois cent fois supérieur à d’autres surfaces — mais son **CTR** oscille entre 0,01 % et 1,6 %, et plus la réponse est qualitativement complète, plus le **CTR** tend à être faible.

Placement du contenu LLM et relation avec le CTR

C’est l’équivalent moderne du « Position Zéro », mais encore plus radical : il ne s’agit plus seulement de clics en moins, mais d’une absence d’intention de cliquer. Psychologiquement, la dynamique diffère de Google : lorsqu’**ChatGPT** délivre une réponse complète, l’utilisateur perçoit le clic comme un signe de doute sur la fiabilité de l’IA ou comme une démarche de vérification académique — cas plutôt marginal. L’**IA** a déjà résolu la demande.

La barre latérale, en revanche, illustre un comportement opposé : elle reçoit beaucoup moins d’impressions mais affiche un **CTR** régulier et élevé, entre 6 % et 10 % dans le jeu de données. C’est supérieur aux positions naturelles 4–10 de Google. Les utilisateurs qui cliquent depuis la barre latérale sont souvent en mode découverte plutôt qu’en mode validation. La barre latérale sert la curiosité contextuelle.

Les **citations** situées en bas des réponses connaissent un comportement semblable : lorsqu’elles s’affichent, elles atteignent un **CTR** de 6 % à 11 %, mais ces citations ne sont visibles que si **ChatGPT** décide explicitement de mentionner des sources. Elles attirent davantage les profils académiques et les vérificateurs de faits. Fait intéressant : la présence de citations ne renforce pas le **CTR** du bloc principal ; elle peut au contraire le diminuer en fournissant la vérification nécessaire sans exiger de clic.

Les résultats de recherche « classiques » apparaissent rarement et seulement lorsque l’IA juge qu’une information en temps réel est nécessaire. Ils peuvent afficher des pics de **CTR** de 2,5 % à 4 %, mais les volumes sont pour l’instant trop faibles pour constituer une source robuste pour la plupart des éditeurs — malgré le fait que ces clics représentent une intention forte.

Le constat est net : plus OpenAI affiche votre contenu, moins il génère de clics. À l’inverse, les apparitions rares offrent des **CTR** plus élevés. Cela renverse vingt-cinq ans de logique **SEO** : dans la recherche traditionnelle, une grande visibilité entraînait du trafic. Dans la recherche native-**IA**, une grande visibilité conduit souvent à une extraction d’information plutôt qu’à une redirection d’utilisateurs vers la source.

« Le ‘bloc principal’ de ChatGPT est un moteur de visibilité, pas un moteur de trafic. »

3. Pourquoi le CTR s’effondre : ChatGPT est une destination, pas une porte d’entrée

Les réactions publiées sur les fils LinkedIn à propos de ces données étaient remarquablement concordantes : les utilisateurs ne cliquent pas parce que **ChatGPT** a résolu leur problème. Là où Google proposait une réponse via un lien, **ChatGPT** livre directement la réponse.

Conséquences :

• Les utilisateurs satisfaits ne cliquent pas (ils ont obtenu la réponse).
• Les utilisateurs curieux cliquent parfois (ils veulent approfondir).
• Les utilisateurs sceptiques cliquent rarement (ils font soit confiance à l’IA, soit rejettent le processus).
• Très peu quittent l’interface.

Comme l’a résumé un SEO expérimenté :

« Le trafic n’est plus la métrique centrale à optimiser. On optimise désormais le transfert de confiance. »

Un autre analyste ajoutait :

« Si ChatGPT cite ma marque comme autorité, l’utilisateur m’accorde déjà sa confiance avant même de visiter mon site. Le clic devient une formalité. »

Il s’agit d’un changement fondamental dans la consommation de l’information. Avant l’ère **IA** : « Je cherche une réponse » → clic → lecture → évaluation → décision. Dans l’ère **IA** : « Je veux une réponse » → réception → confiance → action, sans clic. L’**IA** devient l’intermédiaire crédible ; la source reste une autorité silencieuse.

Évolution des schémas de consommation d’information

C’est l’amorce d’un mouvement que certains appellent « **Inception SEO** » : on optimise pour être la réponse elle-même, pas seulement pour générer des clics. L’objectif devient d’être la source de confiance que l’**IA** choisit et cite.

4. L’autorité remplace les mots-clés : nouvelle logique de récupération par les IA

Le **SEO** traditionnel repose sur l’indexation et la correspondance de mots-clés. Les **LLM** fonctionnent selon d’autres principes : ils s’appuient d’abord sur la connaissance interne au modèle, construite à partir de données crawled, de licences et de partenariats, et ne sollicitent des sources externes que lorsque leur base interne est insuffisante, périmée ou incertaine.

Lorsqu’un **LLM** choisit des sources externes, il privilégie des signaux tels que l’autorité de domaine, la clarté et la structure du contenu, la reconnaissance d’entités et l’alignement avec un graphe de connaissances, la cohérence factuelle historique et la fraîcheur pour les requêtes sensibles au temps. La décision de citer dépend ensuite du type de question et du degré de confiance du modèle.

Les implications sont profondes :

• La force d’une entité prime sur la couverture de mots-clés.
• L’**autorité de marque** pèse plus que la construction de liens classiques.
• La cohérence et la structuration du contenu importent davantage que le volume pur.
• La confiance du modèle devient le facteur de classement central.
• La précision factuelle sur la durée crée un avantage cumulatif.

« Vous ne rivalisez plus dans un index. Vous concourez dans le graphe de confiance du modèle. »

Le modèle **SEO** ancien était : « Ranquzr pour 1 000 mots-clés → Obtenir du trafic depuis 1 000 requêtes ». La nouvelle logique **IA** devient : « Devenir l’entité référente pour 10 thèmes → Devenir la source par défaut pour 10 000 réponses générées par l’IA ». Une seule marque très autoritaire peut dominer les citations d’un modèle sur un ensemble thématique entier.

Le concept de « longue traîne » peut perdre de son sens à mesure que l’**IA** synthétise les réponses plutôt que d’apparaître en correspondance mot-à-mot. L’« autorité de sujet » devient plus précieuse que l’« autorité sur mot-clé ». Être cité une seule fois par un **LLM** peut influencer des millions de réponses en aval.

5. Nouveaux KPI : « part du modèle » et influence au sein des réponses

Avec l’effondrement du **CTR**, les marques doivent adopter des métriques adaptées à la visibilité native-**IA**. La première est la « part du modèle » : la fréquence à laquelle votre marque, entité ou URLs apparaissent dans les réponses générées par l’**IA**, indépendamment du fait qu’elles soient cliquées ou non. C’est l’équivalent de la « part de voix », mais dans le raisonnement du modèle.

Hiérarchie de décision des LLM

Comment mesurer :

• Suivre les mentions de marque dans les réponses des principaux acteurs **IA** (par exemple ChatGPT, Claude, Perplexity, résumés Google AI).
• Surveiller la reconnaissance d’entités dans les contenus générés par l’**IA**.
• Analyser la fréquence des citations dans les réponses pour votre domaine thématique.

Les **LLM** formulent de plus en plus des affirmations autoritaires : « Selon l’éditeur X… », « Les experts de la marque Y recommandent… », « Comme le note le leader Z… »

C’est la nouvelle forme de « rappel de marque », mais à la vitesse des machines et à grande échelle : influence sur des millions d’utilisateurs sans qu’ils visitent votre site. Être recommandé par une **IA** peut valoir plus qu’une première position sur Google, car l’aval du modèle porte une autorité algorithmique. L’utilisateur ne voit pas plusieurs sources en concurrence ; la recommandation est contextualisée dans la requête précise, au moment même de la décision.

Il y a aussi la présence contextuelle : être partie prenante du processus de raisonnement sans être explicitement cité. C’est la « matière noire » de la visibilité **IA**. Votre contenu peut façonner la réponse sans attribution explicite, mais influence néanmoins la compréhension d’un sujet par des millions d’utilisateurs. Lorsqu’un utilisateur demande « meilleures pratiques de management d’équipe à distance », l’**IA** peut synthétiser 50 sources mais n’en citer que trois ; les 47 autres auront pourtant participé au raisonnement.

Les requêtes à forte intention restent un indicateur crucial. Les prompts très ciblés, bas de tunnel, conservent un **CTR** mesurable de l’ordre de 2,6 % à 4 %. Il s’agit typiquement de comparatifs produits, d’instructions techniques nécessitant des visuels, d’actualités récentes, de spécifications réglementaires ou d’études académiques exigeant des sources primaires. Stratégie : ne pas abandonner entièrement l’optimisation du clic — identifiez plutôt les 10–20 % de requêtes où le clic compte encore.

Enfin, les **LLM** évaluent l’autorité en regardant votre « écosystème environnant » : cohérence inter-pages, schéma et données structurées exploitables par machine, alignement avec des bases de connaissances (Wikidata, Wikipédia, annuaires sectoriels), références tierces cohérentes et persistance temporelle de l’autorité. Cette approche entière d’optimisation d’entité traite votre présence numérique comme un tout cohérent et digne de confiance, non comme des pages isolées.

Les métriques classiques du **SEO** ne suffisent plus. Les éditeurs devront se doter de nouveaux tableaux de bord pour compter les citations **IA**, d’outils pour mesurer la « part du modèle » sur plusieurs plateformes LLM, de nouvelles méthodologies d’attribution en monde post-clic, et de cadres pour mesurer l’influence sans visites directes.

6. Pourquoi il nous faut une « console de recherche IA »

Beaucoup de spécialistes **SEO** ont reconnu la même chose dans ce jeu de données :

« Cela ressemble au prototype d’une AI Search Console d’OpenAI. »

Actuellement, les éditeurs ne peuvent pas :

• Voir le volume d’impressions reçu dans **ChatGPT**.
• Mesurer leur taux d’inclusion par types de requêtes.
• Savoir combien de fois leur marque est citée vs référencée implicitement.
• Identifier quelles surfaces UI affichent leurs contenus le plus souvent.
• Corréler la visibilité **ChatGPT** avec le chiffre d’affaires ou d’autres KPI de marque.
• Suivre l’impact au niveau entité dans le graphe de connaissances.
• Mesurer la fréquence à laquelle les **LLM** récupèrent des données en temps réel depuis eux.
• Comprendre pourquoi ils ont été choisis (ou non) pour une requête donnée.
• Comparer leur visibilité à celle des concurrents.

Google avait son « Not Provided », masquant des données de mots-clés. Les plateformes **IA** risquent d’aller plus loin : « pas même observable », cachant le processus décisionnel lui-même. Cela crée plusieurs problèmes : impossibilité d’optimiser ce qu’on ne peut mesurer, absence de responsabilité des plateformes **IA**, et asymétrie informationnelle.

Une « console de recherche IA » idéale fournirait des métriques centrales : volume d’impressions par URL, entité et thème, répartition par surfaces UI, **CTR**, métriques d’engagement, analyses au niveau conversation (sessions uniques), séries temporelles, détail d’attribution et de sourcing (citation explicite vs usage implicite), concurrents présents, catégories de requêtes où vous apparaissez et scores de confiance montrant le degré de fiabilité accordé par le modèle.

Des outils diagnostiques expliqueraient pourquoi une URL a été sélectionnée ou écartée, quels signaux de qualité le modèle a détectés, votre statut de reconnaissance d’entité, la connectivité au graphe de connaissances et la validité des données structurées. Des recommandations d’optimisation pointeraient les lacunes dans votre empreinte d’entité, les zones thématiques où votre autorité est faible et des opportunités pour améliorer votre visibilité **IA**.

Plusieurs facteurs pousseront les plateformes à offrir ce type de données : des obligations réglementaires (ex. AI Act européen) pourront exiger une transparence algorithmique ; les partenariats médias demanderont des métriques de visibilité en échange de licences ; la viabilité économique exige des boucles de rétroaction pour un écosystème de contenu sain ; et l’avantage concurrentiel fera migrer les éditeurs vers la première plateforme offrant des analytics robustes.

Le jeu de données que nous analysons pourrait bien être le prototype de cette infrastructure standard à venir.

Console de recherche IA

7. Effets sectoriels : médias, monétisation et régulation

Les réactions à ces données ont mis en lumière des enjeux majeurs pour le secteur média. Le modèle économique de Google et celui d’**OpenAI** se distinguent fortement. Google contribue au financement des médias via les droits voisins dans l’UE et d’autres juridictions, envoie encore un trafic significatif (même en baisse) et anime des écosystèmes publicitaires qui financent la création de contenu.

À l’inverse, les plateformes **IA** comme **OpenAI** rémunèrent pour l’instant une poignée de partenaires via des accords privés, envoient presque aucun trafic (des **CTR** inférieurs à 1 %), extraient une valeur maximale du contenu tout en offrant peu de compensation, et ne fournissent pas d’écosystème publicitaire pour les éditeurs.

Les « AI Overviews » contribuent déjà à réduire le **CTR** organique, et **ChatGPT** pousse cette tendance à son terme logique en éliminant la plupart des clics. Cela impose une refonte complète des modèles économiques et soulève des questions urgentes : les plateformes **IA** doivent-elles payer des droits voisins comme certains moteurs de recherche ? Les gouvernements vont-ils imposer des cadres compensatoires pour l’utilisation de contenus ? Les éditeurs doivent-ils négocier des partenariats directs avec les fournisseurs de **LLM** ? De nouveaux écosystèmes de licences émergeront-ils pour la formation, l’inférence et la citation des données ? Quelle valeur attribuer à un contenu consulté sans être cliqué ?

Plusieurs modèles économiques potentiels se dessinent. Un modèle basé sur la citation rémunérerait les éditeurs proportionnellement à la fréquence à laquelle leur contenu est cité ou utilisé, façon royalties du streaming musical — à condition que les métriques soient transparentes.

Les accords de licence permettraient aux éditeurs de concéder directement leur contenu aux plateformes **IA**, avec des tarifs modulés selon l’autorité et la fraîcheur. Cela existe déjà avec des groupes majeurs comme l’Associated Press, Axel Springer ou le Financial Times. Des modèles hybrides combineraient fréquence de citation, impressions et **CTR**, pondérés par la valeur des requêtes et l’intention utilisateur, pour créer des cadres de compensation standardisés.

Les obligations réglementaires pourraient contraindre les plateformes **IA** à partager des revenus avec les créateurs, s’appuyant sur des précédents en matière de droits voisins, et inclure des mécanismes d’arbitrage obligatoires.

Ce changement serait la transformation la plus majeure dans l’économie des médias numériques depuis l’avènement de la publicité programmatique. Les plateformes qui résoudront ce problème équitablement bâtiront des écosystèmes durables ; celles qui l’ignoreront feront face à une intervention réglementaire et à des mouvements de rétorsion des éditeurs.

8. Ce que doivent faire aujourd’hui les éditeurs et les marques

Au vu des données et des réactions d’experts, un plan d’action commence à émerger. Première priorité : favoriser l’inclusion plutôt que les clics. L’objectif réel est d’être intégré à la réponse générée, pas d’engendrer un pic de trafic. Cela implique de produire des contenus complets et d’autorité que les **IA** pourront synthétiser, de privilégier la clarté et l’exactitude factuelle plutôt que des techniques d’optimisation à court terme, de structurer l’information pour faciliter l’extraction automatique des faits, et de construire une autorité thématique plutôt que de viser des mots-clés isolés.

Renforcer votre empreinte d’entité est tout aussi essentiel. Chaque marque, auteur, produit et concept doit être lisible par machine et cohérent : présence sur Wikidata et Wikipédia, cohérence des informations NAP (nom, adresse, téléphone) sur toutes les propriétés, implémentation exhaustive de balisage schema, création et maintenance d’entrées dans les graphes de connaissances, catalogues produits structurés, et liens clairs entre entreprises, personnes et sujets.

Constituer des signaux de confiance pour la récupération de sources est crucial car les **LLM** privilégient les contenus clairement structurés, à faible ambiguïté et issus de sources autoritaires. Ces signaux comprennent :

• Transparence de l’auteur : bios, compétences et expertises identifiables.
• Normes éditoriales : politique de vérification des faits, corrections et sourçage.
• Autorité de domaine : ancienneté, profil de backlinks et reconnaissance sectorielle.
• Données structurées : implémentation de schema et extraits enrichis.
• Consistance factuelle : maintien de la précision dans le temps sans contradictions.
• Vérification experte : appuis et citations par des tiers reconnus.

Il ne faut pas pour autant abandonner l’optimisation du clic. Concentrez vos efforts sur les pages adressant les requêtes bas de tunnel qui maintiennent un **CTR** de l’ordre de 2 % à 4 % — là où la réponse **IA** n’est pas suffisante.

Exemples de requêtes à fort CTR :

• « Comment configurer [installation technique spécifique] » (requiert visuels ou code).
• « Comparer [Produit A] vs [Produit B] spécifications » (tableaux, comparatifs détaillés).
• « Dernières nouvelles sur [événement en cours] » (nécessite de la fraîcheur).
• « Où acheter [produit spécifique] » (intention transactionnelle).
• « Carrières [Entreprise] » (accès à l’espace recrutement).

Stratégie : identifier les 10–20 % de votre périmètre thématique où l’**IA** ne peut satisfaire totalement l’intention, et optimiser ces pages pour capter les clics restants.

Sur le plan éditorial, privilégiez l’information essentielle en tête, employez un langage précis et définitif, citez des sources primaires, évitez l’ambiguïté sauf si la prudence l’exige, et produisez des contenus conçus pour rester exacts sur le long terme.

Le changement mental le plus important est peut-être de cesser de raisonner uniquement en termes de visites et de commencer à penser en termes d’influence. La valeur se transfère des visites vers la participation au raisonnement du modèle. Les nouveaux indicateurs de réussite devraient suivre la fréquence à laquelle vous êtes cité par des **IA**, la part des réponses **IA** de votre domaine qui vous mentionnent, votre « part du modèle » par rapport à vos concurrents, la persistance de votre autorité à travers les mises à jour de modèles, et la reconnaissance de votre entité comme source de référence sur vos sujets clés.

La priorité stratégique change : passer de « générer un million de visites mensuelles » à « influencer 10 millions de décisions médiées par des **IA** ».

Les éditeurs doivent en outre diversifier leurs sources de revenus pour ne pas dépendre d’un modèle monétisé par le trafic. Les alternatives comprennent : construire une relation directe avec l’audience via newsletters et listes d’e-mails ; proposer du contenu premium sous abonnement ; intégrer du commerce (affiliation, vente de produits, services) ; nouer des partenariats B2B pour proposer du contenu en marque blanche, des accès API et des licences de données ; et négocier des accords de rémunération avec les plateformes **IA** pour l’utilisation de contenu.

Les éditeurs qui contrôlent la relation avec leur audience plutôt que de dépendre d’intermédiaires prospéreront.

Le paradoxe du super-prédateur

Une réalité souvent négligée à propos des systèmes d’**IA** : ils ne créent pas le contenu à partir de rien ; ils reposent entièrement sur l’œuvre cumulée de millions d’humains — journalisme, recherche, documentation technique, création — qui constituent la base sur laquelle chaque modèle est entraîné. C’est pourquoi **OpenAI** a engagé des négociations de licence intensives avec de grands éditeurs : ce n’est pas de la philanthropie, c’est une nécessité existentielle. Un modèle entraîné uniquement sur des données historiques se déconnecte progressivement de l’actualité et devient incapable de détecter les nouvelles informations en temps réel. Il ne peut pas inventer la vérité à partir de la puissance de calcul seule.

Cela crée ce que j’appelle le « paradoxe du super-prédateur » : si **OpenAI** venait à perturber totalement le trafic web au point de fragiliser ou de faire disparaître les producteurs de contenu, les données d’entraînement se raréfieraient. Le modèle se retrouverait affamé dans un désert de contenu frais — ses réponses paraîtraient alors datées et décalées par rapport à la réalité. Le prédateur aura dévoré son propre écosystème.

Deux avenirs s’offrent à nous. Dans l’un, **OpenAI** continue de traiter les éditeurs comme des obstacles ; l’écosystème de contenu s’effondre et les systèmes **IA** en souffrent. Dans l’autre, **OpenAI** partage la valeur avec les créateurs via des modèles de compensation durables, des systèmes d’attribution et des partenariats. Cela permettrait aux créateurs de continuer à produire. La solution est moins technologique que stratégique : les outils pour construire des systèmes **IA** économiquement viables existent en grande partie aujourd’hui. La clé est la volonté de reconnaître que si l’**IA** devient l’interface universelle du savoir humain, elle doit nourrir le monde dont elle apprend plutôt que de le cannibaliser à court terme.

La décennie à venir se jouera moins sur qui conçoit le modèle le plus puissant que sur qui saura construire l’écosystème le plus durable — qui résoudra le paradoxe du super-prédateur avant qu’il n’entraîne l’extinction conjointe des créateurs et des systèmes qui en dépendent.

Remarque : toutes les données et statistiques citées ci-dessus proviennent du rapport partenaire OpenAI, sauf indication contraire.

Ressources complémentaires :

---

Image principale : Nadya_Art/Shutterstock