Ensemble des techniques visant à améliorer la position d'une page dans les résultats organiques des moteurs de recherche classiques — principalement Google. Le SEO repose sur trois piliers : technique (indexation, vitesse, structure), contenu (pertinence, autorité thématique), et popularité (backlinks). En 2026, le SEO reste indispensable — il constitue le socle sur lequel repose 80 % des optimisations GEO.

En pratique : une page bien référencée en SEO n'est pas automatiquement citée par ChatGPT. Selon AI Labs Audit, 60 % des citations dans les AI Overviews proviennent d'URLs absentes du top 20 Google.

Discipline d'optimisation visant à faire apparaître votre contenu dans les moteurs de réponse — featured snippets Google (position zéro), assistants vocaux (Siri, Alexa, Google Assistant) et AI Overviews. L'AEO est antérieur au GEO : il a émergé vers 2019-2020 avec la montée des recherches vocales. Il se concentre sur la structure question-réponse, les listes structurées et les définitions claires. En 2026, l'AEO et le GEO sont complémentaires et souvent traités ensemble.

En pratique : structurer chaque section de contenu avec un H2 en format question et une réponse directe en premier paragraphe est la base de l'AEO. Blazing applique cette règle systématiquement dans ses articles.

Discipline d'optimisation visant à faire citer, mentionner ou recommander votre marque dans les réponses générées par les moteurs IA conversationnels — ChatGPT, Perplexity, Claude, Gemini. Contrairement au SEO qui optimise pour un classement de liens, le GEO optimise pour une présence dans la réponse synthétisée. Le GEO agit sur trois leviers : l'autorité thématique (être la référence reconnue sur un sujet), la citabilité du contenu (données chiffrées, structure claire, sources nommées) et l'entité de marque (cohérence des informations sur toutes les propriétés web).

En pratique : une marque avec un SoV IA de 25 % est citée dans une réponse LLM sur quatre dans sa catégorie — même si l'utilisateur ne clique jamais sur son site.

Approche d'optimisation focalisée sur l'influence dans les données d'entraînement des LLM — plutôt que sur les réponses en temps réel. L'objectif est de devenir une source incontournable dans la base de connaissance fondamentale du modèle, afin d'être cité sur le long terme, même sans RAG. Stratégie à horizon 12-24 mois, complémentaire du GEO qui agit sur le court terme.

Synonymes acceptables : AISO, GAIO. Blazing utilise GEO comme terme principal car il est le plus précis et le plus documenté dans la littérature francophone.

AISO (AI Search Optimization) est le terme le plus générique — optimisation pour toute forme de recherche assistée par IA. GSO (Generative Search Optimization) couvre toutes les formes de recherche générative incluant les IA conversationnelles et les fonctionnalités IA des moteurs classiques. GAIO (Generative AI Optimization) étend le périmètre aux interfaces conversationnelles et aux agents IA. En pratique, ces trois acronymes désignent les mêmes actions que le GEO avec un emballage marketing différent.

Conseil Blazing : utiliser GEO dans vos briefs et rapports — c'est le terme qui génère le plus de volume de recherche en France et Belgique et qui dispose du plus grand corpus de ressources en français.

Modèle d'IA entraîné sur des milliards de documents textuels, capable de comprendre et de générer du langage naturel. Les principaux LLM en 2026 : GPT-4o (OpenAI / ChatGPT), Claude 3.5 (Anthropic), Gemini 1.5 (Google), Mistral Large (Mistral AI), Llama 3 (Meta). Les LLM s'appuient sur une architecture transformer et génèrent leurs réponses de manière probabiliste — ce qui explique leur variabilité et leurs hallucinations.

Pour le GEO, ce qui compte : les LLM ne "cherchent" pas comme Google. Ils génèrent une réponse à partir de leur mémoire d'entraînement ou de documents récupérés en temps réel (RAG). Être dans leur mémoire ou dans leurs sources documentaires — c'est la double cible du GEO.

Fonctionnalité de Google Search qui génère un résumé automatique en haut des résultats de recherche pour certaines requêtes, en s'appuyant sur Gemini et la technologie RAG. Présent dans plus de 200 pays depuis 2024. Les AI Overviews citent des sources avec liens — ce qui en fait un canal de trafic direct, contrairement aux LLM conversationnels comme ChatGPT. Environ 60 % des citations dans les AI Overviews proviennent d'URLs absentes du top 20 Google.

Synonymes : AIO, Google SGE (ancien nom), Google AI Search. Pour un article complet sur les AI Overviews, voir notre guide dédié.

Fonctionnalité expérimentale de Google qui transforme l'intégralité de l'expérience de recherche en dialogue conversationnel avec une IA. Contrairement aux AI Overviews qui s'affichent automatiquement, AI Mode doit être activé manuellement. Accessible gratuitement aux utilisateurs américains depuis mai 2025. C'est l'aperçu du futur de la recherche Google — une SERP entièrement générée plutôt qu'une liste de liens enrichie d'un résumé.

Pour le GEO : AI Mode utilise le query fan-out de manière intensive, décomposant chaque question en 5 à 15 sous-requêtes. Un contenu qui couvre toutes les variantes conversationnelles d'un sujet a structurellement plus de chances d'être cité.

Nom de code utilisé par Google pour désigner les AI Overviews pendant leur phase de test (2023-2024). Le terme SGE est obsolète depuis le renommage en AI Overviews lors de Google I/O 2024. Certaines ressources anglophones utilisent encore SGE — il désigne la même fonctionnalité que AIO.

Faux ami à éviter : SGE est parfois confondu avec "Search Engine" de façon générique. Dans tout contexte GEO, SGE = AI Overviews de Google.

Système qui répond directement à une question en langage naturel, sans afficher une liste de liens à cliquer. Les answer engines incluent : les AI Overviews de Google, Perplexity (100 % answer engine), Bing Copilot, ChatGPT en mode recherche, et les assistants vocaux. Un answer engine peut ou non citer des sources — Perplexity le fait systématiquement, ChatGPT de façon sélective.

Pourcentage de mentions que votre marque reçoit dans les réponses IA par rapport à l'ensemble des marques citées sur un corpus de prompts de catégorie. Formule : SoV IA (%) = mentions de votre marque ÷ total des mentions toutes marques × 100. Le SoV IA est la métrique centrale du GEO — l'équivalent des parts de marché, mais appliqué aux réponses des LLM. Les benchmarks 2026 : 0–5 % = quasi-absent, 5–15 % = présence correcte, 15–30 % = acteur régulier, 30 %+ = leader catégoriel.

Pour aller plus loin : notre guide complet sur le share of voice IA détaille les formules, le protocole de mesure et les outils disponibles.

Sur 100 prompts de votre catégorie, dans combien de réponses votre marque est-elle citée au moins une fois ? C'est la métrique la plus simple à calculer et la première à suivre. Un taux de mention de 0 % signifie que les LLM ignorent votre marque. Un taux de 40 % signifie que vous êtes présent dans 2 réponses sur 5. À distinguer du SoV IA : le mention rate est absolu (votre présence), le SoV est relatif (votre part face aux concurrents).

Recherche dont l'utilisateur obtient une réponse satisfaisante directement dans l'interface IA, sans cliquer sur aucun lien. En 2026, plus de 60 % des recherches sont zéro clic. Pour les marques, cela signifie qu'une partie croissante de leur visibilité dans les LLM ne génère aucun trafic web mesurable — mais influence néanmoins les shortlists et les décisions d'achat. Le share of voice IA mesure cette influence invisible aux analytics classiques.

Technique par laquelle un LLM interroge des sources externes en temps réel avant de formuler sa réponse, plutôt que de s'appuyer uniquement sur ses données d'entraînement. Conceptualisée en 2020 par Patrick Lewis (Meta / UCL), la RAG fonctionne en trois étapes : (1) l'utilisateur soumet un prompt, (2) un moteur de récupération identifie les passages les plus pertinents dans une base documentaire externe, (3) le LLM génère sa réponse en s'appuyant sur ces passages. Perplexity fonctionne intégralement en mode RAG. Google AI Overviews combine RAG et index Google.

Pour la visibilité IA : si votre contenu est indexé, structuré et fait autorité sur son sujet, il peut être récupéré par le RAG et citer même s'il est récent. C'est pourquoi Perplexity est capable de citer un article publié la semaine dernière, alors que ChatGPT sans RAG s'appuie sur ses données d'entraînement avec une date limite.

Processus par lequel un LLM ancre ses réponses dans des sources vérifiables plutôt que de générer du texte sur la seule base de probabilités statistiques. Le grounding est le mécanisme fondamental du RAG — les passages récupérés sont "injectés" dans le contexte du modèle avant génération. Un LLM bien groundé produit des réponses plus factuelles, cite des sources et réduit les hallucinations. Pour le GEO, créer du contenu bien structuré et sourcé améliore votre chance d'être utilisé comme source de grounding.

Phénomène par lequel un LLM génère une réponse plausible mais factuellement incorrecte — chiffres inventés, citations inexistantes, faits erronés. Les hallucinations surviennent car les LLM génèrent du texte de manière probabiliste : ils prédisent le mot suivant le plus vraisemblable, pas nécessairement le plus juste. Le RAG réduit les hallucinations sans les éliminer. Pour les marques, une hallucination peut diffuser des informations inexactes sur leurs produits, leur histoire ou leur positionnement dans des milliers de réponses IA.

Exemple terrain : un LLM peut citer un dirigeant qui a quitté l'entreprise il y a 3 ans, inventer un chiffre de CA, ou attribuer une fonctionnalité à un produit concurrent. Les schémas JSON-LD et la cohérence d'entité réduisent ce risque en fournissant des données structurées vérifiables.

Technique par laquelle un LLM décompose automatiquement une requête initiale en plusieurs sous-requêtes avant de synthétiser sa réponse. Par exemple, à partir de "meilleur outil GEO pour PME", le modèle peut générer : "outils GEO prix", "tracking LLM débutant", "GEO pour agences marketing", "visibilité ChatGPT PME". Le query fan-out est particulièrement intensif dans Google AI Mode et Perplexity. Pour le GEO, l'anticiper signifie couvrir toutes les variantes conversationnelles d'un sujet dans un même contenu.

Représentation numérique d'un texte (mot, phrase, paragraphe) sous forme de vecteur dans un espace mathématique à haute dimension. Les LLM utilisent les embeddings pour comparer la similarité sémantique entre des passages de texte — c'est la technologie qui permet au RAG d'identifier les passages les plus "proches" de la requête. Un contenu bien structuré, avec des concepts nommés explicitement et des définitions claires, produit des embeddings plus précis et est plus facilement récupéré.

Ensemble de documents textuels sur lesquels un LLM a été entraîné. Pour GPT-4o, ce corpus dépasse plusieurs centaines de milliards de tokens issus du web, de livres et de bases de données. La composition du corpus détermine les biais et les lacunes du modèle : les contenus en français représentent environ 5 à 8 % des corpus anglophones dominants — d'où le retard de 12 à 18 mois des marchés francophones dans la visibilité IA. Être présent dans des sources souvent citées (Wikipédia, médias de référence, publications sectorielles) augmente la probabilité d'être dans le corpus des futurs modèles.

Processus de réentraînement d'un LLM sur un corpus spécialisé pour adapter son comportement à un domaine ou une tâche précise. À distinguer du RAG : le fine-tuning modifie les paramètres du modèle de manière permanente, le RAG enrichit le contexte de la requête sans modifier le modèle. Pour les marques, le fine-tuning n'est pas accessible directement — mais comprendre la distinction explique pourquoi le LLMO (optimiser les sources d'entraînement) est une stratégie différente du GEO (optimiser les sources récupérées en RAG).

Unité élémentaire de traitement d'un LLM — un token correspond approximativement à un mot ou à un fragment de mot (environ ¾ de mot en anglais, légèrement moins en français). Les LLM ont une "fenêtre de contexte" limitée en tokens — la quantité de texte qu'ils peuvent traiter en une fois. GPT-4o gère jusqu'à 128 000 tokens (~96 000 mots). Pour le GEO, la densité en tokens pertinents (termes spécialisés, entités nommées, données chiffrées) dans un contenu influence sa récupérabilité en mode RAG.

Métrique technique qui mesure à quel point un LLM est "surpris" par un texte — plus la perplexité est faible, plus le modèle considère le texte comme prévisible et cohérent. Un contenu bien structuré, avec un vocabulaire précis et des formulations directes, présente une perplexité plus faible pour les LLM entraînés sur des corpus similaires — ce qui facilite sa compréhension et son utilisation dans les réponses. À ne pas confondre avec Perplexity.ai, le moteur de recherche IA.

Concept reconnu et délimité auquel les LLM associent des attributs stables : une marque, une personne, un lieu, un produit, une organisation. Les entités sont les nœuds du Knowledge Graph — Google en reconnaît des milliards. Pour le GEO, la cohérence d'entité est fondamentale : si votre marque est appelée "Blazing", "Blazing AI" et "Blazing-ai.com" selon les sources, le modèle peut ne pas consolider ces mentions en une seule entité, fragmentant votre share of voice. La balise sameAs dans JSON-LD permet de consolider les références vers un profil unifié.

Base de données structurée qui organise les entités (personnes, lieux, marques, concepts) et leurs relations en un réseau de nœuds. Google Knowledge Graph est la principale base d'entités utilisée par Google AI Overviews et les LLM anglophones. Wikidata est l'équivalent ouvert. Pour le GEO, être référencé dans ces bases — via Wikipédia, données structurées JSON-LD et mentions dans des médias de référence — renforce la reconnaissance de votre marque comme entité fiable par les LLM.

Vocabulaire standardisé de balisage sémantique permettant de décrire le contenu d'une page de manière compréhensible par les moteurs de recherche et les LLM. Le JSON-LD (JavaScript Object Notation for Linked Data) est le format recommandé par Google pour implémenter Schema.org. Les types les plus utiles pour le GEO : Article, FAQPage, Organization, Person, Product, BreadcrumbList. Les pages avec schema.org complet sont 3× plus susceptibles d'apparaître dans les AI Overviews.

Cadre d'évaluation de la qualité du contenu utilisé par Google dans ses Quality Rater Guidelines, et repris implicitement par les LLM pour sélectionner leurs sources. Experience = expérience de terrain, Expertise = maîtrise du sujet, Authoritativeness = reconnaissance par les pairs, Trustworthiness = fiabilité et transparence. Pour le GEO, l'E-E-A-T se traduit concrètement : données chiffrées avec sources, auteur identifié avec biographie, mentions dans des médias tiers, schémas JSON-LD complets.

Encadré affiché au-dessus des résultats organiques Google, qui extrait directement la réponse à une question depuis une page web. Précurseur de l'AEO, le featured snippet était la première forme de "réponse directe" de Google avant les AI Overviews. Une page qui obtient un featured snippet a structurellement plus de chances d'être citée dans les AI Overviews — mais ce n'est pas automatique. La logique de structuration est la même : réponse directe sous le titre, format question-réponse, listes et tableaux clairs.

Robot d'exploration automatique utilisé par les entreprises IA pour collecter des contenus web et alimenter leurs modèles ou leurs systèmes RAG. Les principaux crawlers IA : GPTBot (OpenAI), ClaudeBot (Anthropic), PerplexityBot, GoogleBot (pour AI Overviews). Ces bots obéissent au fichier robots.txt — les éditeurs peuvent les autoriser ou les bloquer. Ahrefs estime que 63 % des sites reçoivent déjà du trafic depuis des crawlers IA. Autoriser GPTBot dans votre robots.txt est la première action GEO à réaliser.

Question ou instruction soumise par un utilisateur à un LLM pour obtenir une réponse. En GEO, les prompts sont l'équivalent des mots-clés SEO — sauf qu'ils sont formulés en langage naturel, souvent longs, et couvrent des intentions complexes. La "banque de prompts" est le corpus de questions que vos acheteurs posent aux LLM sur votre catégorie — c'est le point de départ de tout programme GEO. Un prompt tracker (Otterly, Peec, BotRank) exécute ces prompts régulièrement et mesure votre présence dans les réponses.

Assistant IA d'OpenAI, le plus utilisé au monde avec 800 millions d'utilisateurs actifs par semaine et plus d'un milliard de requêtes par jour en 2026. ChatGPT capte 60,7 % du marché de la recherche IA. En mode par défaut, ChatGPT s'appuie sur ses données d'entraînement avec une date limite. Avec l'option de recherche web activée, il fonctionne en mode RAG. Inclut des liens externes dans ~31 % de ses réponses — moins que Perplexity, mais sur un volume d'usage sans comparaison.

Moteur de recherche IA 100 % RAG — chaque réponse est construite en temps réel à partir de sources web indexées avec citations systématiques. 780 millions de requêtes en mai 2025, avec une croissance de 20 % mois après mois. Perplexity inclut des liens externes dans 77 % de ses réponses — le taux le plus élevé de tous les LLM grand public. C'est la plateforme la plus stratégique pour le trafic référent IA, même si son volume est inférieur à ChatGPT.

LLM d'Anthropic, reconnu pour la qualité de ses réponses et la fiabilité de ses sources. La valeur moyenne par visite en provenance de Claude est de 4,56 $ — la plus élevée de toutes les plateformes IA (Dataslayer, 2025). Claude ne génère pas de trafic référent direct (pas de liens externes dans ses réponses), mais façonne la perception des audiences B2B les plus qualifiées.

LLM de Google, intégré à Google Search (AI Overviews), Google Workspace et Android. Gemini est le seul LLM directement connecté au moteur de recherche dominant mondial — être cité dans Gemini bénéficie de l'effet de levier Google Search + Google Workspace. La visibilité dans Gemini est fortement corrélée à l'autorité SEO classique : Google cite en priorité les sources déjà bien positionnées dans son index.

LLM développé par la startup française Mistral AI (Paris, fondée en 2023). Mistral est le modèle de référence pour les marchés francophones et européens, avec une couverture linguistique du français nativement supérieure aux modèles américains. En croissance forte sur les marchés B2B en Belgique, France, Suisse et Luxembourg. Seul BotRank.ai couvre Mistral parmi les outils de tracking GEO commerciaux en 2026.