Le poids du trafic dirigé par des systèmes de intelligence artificielle générative reste aujourd’hui marginal comparé aux canaux traditionnels, mais il commence à attirer l’attention comme potentiel levier d’acquisition. Dans sa récente analyse, Similarweb a mesuré ce que l’on appelle les « AI referrals » — c’est‑à‑dire les visites qu’initient des assistants conversationnels comme ChatGPT, Gemini ou Perplexity lorsqu’ils proposent un lien vers un site extérieur. L’étude fait ressortir des taux de conversion souvent supérieurs à ceux des sources classiques, une concentration importante des flux vers quelques plateformes majeures, et l’existence de leaders sectoriels. Autant d’éléments qui invitent à reconsidérer la place de ces assistants dans les stratégies de visibilité en ligne, tout en gardant à l’esprit les limites actuelles de ces données.

Comment définir et mesurer le trafic issu des systèmes d’IA générative ?

Par trafic issu de l’IA générative — ou AI referrals dans le vocabulaire de Similarweb — on entend les sessions web déclenchées lorsqu’un utilisateur clique sur un lien fourni par un modèle conversationnel. Ces liens peuvent apparaître dans une réponse directe, une liste de sources, ou via une interface intégrée (plugin, navigateur ou application). Le suivi de ces interactions repose généralement sur des méthodes d’estimation : corrélation des redirections, suivi des référents, analyse des sessions et comparaisons temporelles entre requêtes et visites.

Il est important de dissocier plusieurs dimensions : d’abord, la **quantité** de visites obtenues via ces recommandations ; ensuite, la **qualité** de ces visites (durée de session, pages vues, engagement) ; enfin, la **valeur** mesurée par des indicateurs commerciaux comme le taux de conversion. Similarweb rapporte que, en juin 2025, les visites provenant des assistants génératifs affichaient un taux de conversion moyen de 11,4 %, un chiffre notablement supérieur à la recherche payante (9,3 %) et quasiment double de la recherche organique (5,3 %). Ce différentiel suggère que les utilisateurs redirigés par ces outils sont souvent plus avancés dans leur parcours d’achat ou décisionnel.

Cependant, la méthodologie derrière ces estimations mérite d’être interrogée. Les données proviennent de panels d’utilisateurs, de crawlers, et d’algorithmes propriétaires qui identifient et attribuent les sessions dites « IA ». Cela pose plusieurs questions : la couverture des panels est-elle représentative des marchés étudiés ? Les modèles identifient‑ils correctement l’origine de la session lorsque l’IA propose un lien mais que l’utilisateur ouvre ensuite le site dans une fenêtre séparée ? Les différences entre assistants (par exemple ChatGPT vs Gemini) sont-elles correctement distinguées ? Autant de limites à garder en tête avant d’en tirer des conclusions définitives.

Qui capte aujourd’hui la majorité des AI referrals ?

Les chiffres montrent une concentration marquée : les grandes plateformes technologiques captent l’essentiel de ce flux émergent. En août 2025, Google figurait en tête avec près de 51,7 millions de visites attribuées aux recommandations génératives, sans compter le trafic additionnel que la firme reçoit via ses autres services, comme YouTube. Derrière, Reddit apparaît comme le deuxième grand bénéficiaire, ce qui illustre le rôle des espaces communautaires dans l’indexation et la circulation de contenus repris par les modèles d’IA.

Au‑delà des mastodontes, l’étude identifie des acteurs sectoriels particulièrement privilégiés par les modèles d’IA. Dans la catégorie développement logiciel, GitHub domine avec environ 6,2 millions de visites en août ; pour le design, Canva revendique environ 3,1 millions de visites. Dans l’électronique grand public, des marques établies telles que Samsung et Apple ressortent comme sources fréquentes de référence. Enfin, les services d’hébergement et d’enregistrement de noms de domaine — Hostinger, Wix, Namecheap — figurent parmi les sites massivement cités par les assistants génératifs.

Cette concentration soulève une observation récurrente : les modèles d’IA semblent, pour l’instant, favoriser des acteurs déjà reconnus et bien indexés dans le web public. Plusieurs facteurs peuvent l’expliquer : le volume et la qualité du contenu disponible, la fréquence des mises à jour, la réputation établie (backlinks, signaux sociaux), ainsi que la manière dont ces plateformes structurent leurs données pour être facilement « ingérables » par les modèles.

Pourquoi les AI referrals affichent-ils des taux de conversion élevés ?

Plusieurs facteurs expliquent que les visites générées par des assistants génératifs présentent, en moyenne, un rendement commercial supérieur. Premièrement, la nature même des interactions conversationnelles favorise des réponses synthétiques et orientées vers la résolution d’un besoin : quand l’utilisateur clique sur un lien proposé par une IA, il a souvent déjà une intention précise (acheter, s’inscrire, obtenir une information technique). Deuxièmement, les recommandations d’un assistant peuvent servir à valider une décision — par exemple proposer la fiche d’un produit, la documentation d’un service, ou un tutoriel étape par étape — ce qui rapproche l’internaute du point de conversion.

Troisièmement, la crédibilité perçue du lien peut être différente selon le contexte. Si l’IA cite une source réputée ou un contenu exhaustif, l’utilisateur est plus enclin à compléter le parcours engagé. Enfin, dans certains cas, les formats de présentation (extraits enrichis, résumés, comparaisons) réduisent le temps nécessaire à la prise de décision, ce qui augmente mécaniquement la probabilité de conversion lors de la visite.

Il convient toutefois de nuancer ces conclusions : un taux de conversion élevé sur un petit volume de trafic peut être moins significatif qu’un taux moyen sur des millions de sessions. De plus, la qualité de la mesure — attribution correcte, segmentation par source, exclusion des visites bots — demeure essentielle pour interpréter ces chiffres de façon fiable.

Les limites actuelles : représentativité, transparence et diversité

Le potentiel des AI referrals est réel, mais plusieurs freins réduisent aujourd’hui leur portée. D’abord, le canal est encore peu volumineux : dans la plupart des cas étudiés, il représente moins de 1 % du trafic total des sites. Ce caractère marginal implique que son impact global reste limité, même si sa qualité est élevée.

Ensuite, la transparence des modèles pose problème. Les assistants ne dévoilent pas toujours clairement comment ils sélectionnent les sources ou pourquoi une page est recommandée plutôt qu’une autre. Cette opacité soulève des enjeux de responsabilité et complique l’optimisation volontaire des contenus pour être repris par ces systèmes.

La question de la diversité des recommandations est également centrale. Si les IA privilégient majoritairement des acteurs déjà établis, elles peuvent renforcer les effets de domination et réduire la visibilité des sites plus petits ou plus récents. Cette dynamique pourrait aboutir à une polarisation supplémentaires du web, au détriment de la pluralité des voix et des ressources.

Enfin, les méthodes de mesure actuelles s’appuient sur des modèles propriétaires ; les estimations varient selon les fournisseurs d’analytics, et il existe peu de standards pour définir, collecter et partager ces métriques. Jusqu’à ce que la filière se stabilise, toute interprétation devra rester prudente.

Vers une discipline dédiée : le GEO (Generative Engine Optimization)

À l’instar du SEO qui vise à optimiser la visibilité sur les moteurs de recherche traditionnels, la montée des assistants génératifs a donné naissance à l’idée du GEO — Generative Engine Optimization. Le GEO désigne l’ensemble des pratiques visant à structurer et présenter des contenus de manière à ce qu’ils soient plus facilement compris, résumés et cités par les modèles d’IA.

Concrètement, cela implique plusieurs axes techniques et éditoriaux : structuration claire des informations (titres, sous‑titres, listes), utilisation de formats standardisés (FAQ, fiches produit complètes, données balisées), mise à disposition d’API publiques ou de pages d’aide bien formatées, et maintien d’une autorité thématique par la production régulière de contenus de qualité. La visibilité sur des plateformes ouvertes ou communautaires — forums, dépôts de code, wikis — peut aussi augmenter la probabilité d’être référencé par un assistant qui s’appuie sur ces sources.

Autre point : la compatibilité avec les outils d’indexation. Les modèles sont entraînés sur des corpus massifs ; fournir des métadonnées claires, des extraits structurés (rich snippets), et des ressources accessibles facilite leur intégration dans les réponses génératives. Il est possible que, à terme, des standards émergent pour indiquer explicitement aux moteurs d’IA comment citer et lier les contenus, mais rien n’est encore stabilisé.

Bonnes pratiques éditoriales et techniques pour augmenter la probabilité d’être cité

Si l’on accepte l’idée que l’optimisation pour les modèles génératifs relève d’une discipline naissante, plusieurs recommandations pratiques se dégagent, sans qu’elles garantissent néanmoins un résultat :

• Structurer l’information : utiliser des titres explicites, des résumés en début d’article, et des paragraphes concis pour faciliter l’extraction d’informations.
• Rédiger des réponses complètes : les assistants privilégient souvent des sources qui répondent pleinement à une requête (détails techniques, comparatifs, guides pas à pas).
• Publier des formats standardisés : pages FAQ, fiches produits avec caractéristiques claires, guides méthodologiques, documentation technique.
• Soigner la réputation en ligne : backlinks de qualité, mentions sur des sites référents, et présence dans des communautés reconnues peuvent améliorer la probabilité d’être cité.
• Rendre les données accessibles : balisage sémantique (schema.org), métadonnées, et API publiques peuvent faciliter l’indexation et l’utilisation par des systèmes automatisés.
• Maintenir l’actualité : les modèles peuvent privilégier des sources régulièrement mises à jour pour des sujets fluctuants (prix, disponibilité, réglementation).

Il est essentiel de souligner que ces actions relèvent d’une optimisation de la qualité et de la structuration du contenu plus que d’une manipulation directe des modèles. La meilleure stratégie reste, dans la plupart des cas, de produire des ressources utiles, vérifiables et bien organisées.

Conséquences pour les éditeurs : opportunités et risques

Pour les sites établis, l’émergence des AI referrals constitue une opportunité : attirer un trafic qualifié, souvent proche de la conversion, peut améliorer la rentabilité par session. Pour les pure players et les plateformes communautaires, une présence forte sur ces canaux peut renforcer l’autorité et la notoriété.

Cependant, les risques ne sont pas négligeables. La concentration des recommandations vers quelques acteurs majeurs peut accentuer les inégalités entre grands et petits sites. L’opacité des critères de sélection des modèles fragilise également la capacité des éditeurs à comprendre pourquoi ils sont cités — ou ignorés. Enfin, une dépendance excessive à ces canaux émergents sans diversification pourrait exposer les organisations à des variations imprévisibles liées aux évolutions des modèles et des politiques d’accès aux données.

Sur le plan juridique et éthique, la reproduction de contenus par les IA pose des questions : attribution correcte des sources, respect des droits d’auteur, et traitement des données personnelles. Les plateformes d’IA et les éditeurs devront progressivement clarifier ces aspects, notamment au regard des réglementations européennes et internationales en matière de propriété intellectuelle et de protection des données.

Mesurer et comparer : comment évaluer l’apport réel des AI referrals ?

Déterminer la valeur réelle de ce canal exige des metrics adaptées et une approche comparative. Parmi les indicateurs utiles :

• Volume de sessions attribuées aux assistants génératifs (en valeur absolue et en part du trafic total).
• Taux de conversion spécifique à la source, comparé aux autres canaux (recherche organique, payante, réseaux sociaux, trafic direct).
• Valeur par visite (revenu moyen par session, panier moyen, taux d’inscription).
• Taux de rebond, durée moyenne des sessions et pages vues par session pour évaluer l’engagement.
• Qualité des leads : par exemple le taux d’activation d’un compte, le pourcentage d’abonnements payants issus du canal.

Ces métriques doivent être interprétées avec prudence et croisées avec des analyses qualitatives : quelles pages sont citées ? Quelles requêtes conduisent aux recommandations ? Existe‑t‑il des thématiques ou des formats particulièrement valorisés par les assistants ? Les réponses à ces questions aident à cibler les efforts éditoriaux et techniques.

Perspectives : quel avenir pour les AI referrals ?

Plusieurs trajectoires sont possibles. Si les assistants génératifs s’intègrent de plus en plus aux workflows quotidiens des internautes, leur rôle de moteur de trafic pourrait croître rapidement, surtout pour des requêtes complexes et transactionnelles. L’essor du GEO pourrait formaliser des pratiques d’optimisation dédiées, et des standards émergents faciliteraient l’interopérabilité entre contenus et modèles.

En revanche, plusieurs facteurs pourraient freiner cette croissance : décisions stratégiques des fournisseurs d’IA (limitation des sources citées, partenariats commerciaux), évolutions réglementaires autour des données et du droit d’auteur, ou encore des changements dans les comportements utilisateurs (préférence pour des expériences intégrées plutôt que des clics vers des sites externes).

Il est également possible que les grands acteurs technologiques renforcent leur contrôle sur le cycle de distribution de l’information, en monétisant ou en favorisant certaines sources via des accords commerciaux. Dans ce scénario, les possibilités d’accès équitable pour les sites indépendants pourraient se réduire, à moins que des mécanismes de transparence et de gouvernance ne soient mis en place.

Synthèse et recommandations pour les professionnels du web

En synthèse, les principaux enseignements à retenir sont les suivants :

• Le trafic issu des assistants d’intelligence artificielle générative est aujourd’hui encore minoritaire en volume, mais il tend à générer des sessions plus qualifiées et des taux de conversion supérieurs à la moyenne.
• La distribution de ce trafic est fortement concentrée sur des plateformes et des marques déjà dominantes (Google, Reddit, GitHub, Canva, etc.).
• La discipline naissante du GEO invite les éditeurs à améliorer la structuration, la complétude et la qualité de leurs contenus pour maximiser les chances d’être repris par les modèles.
• Les limites méthodologiques et l’opacité des modèles imposent de la prudence dans l’interprétation des données et dans l’établissement de stratégies exclusivement centrées sur ce canal.

Pour les équipes en charge du contenu et de l’acquisition, trois orientations pratiques peuvent être mises en place sans attendre des évolutions normatives :

• Renforcer la structuration des pages (titres clairs, résumés, listes, FAQ). Ceci facilite l’extraction d’informations par les modèles.
• Prioriser la production de contenus complets et actionnables (guides, fiches techniques, comparatifs) qui répondent directement aux intentions des internautes.
• Surveiller les performances par source et affiner les métriques d’attribution pour distinguer l’apport des AI referrals de celui des autres canaux.

En gardant ces éléments à l’esprit, il est possible d’anticiper et de s’adapter aux évolutions de la recherche et de la découverte d’information dans un environnement où les modèles génératifs occupent une place croissante.

Ce qu’il faut retenir

En conclusion, l’émergence des AI referrals illustre une transition naissante dans les mécanismes de recommandation et d’accès à l’information sur le web : un canal prometteur, susceptible d’apporter des visiteurs à forte intention, mais qui reste pour l’instant inégalement réparti et difficile à mesurer de manière définitive. Les stratégies éditoriales et techniques qui favorisent la clarté, la complétude et la fiabilité des contenus constituent, aujourd’hui, les meilleures façons d’augmenter les probabilités d’être repris par ces nouveaux moteurs de recommandation.