J'ai fait un audit GEO en direct. Voici ce que les distributeurs B2B devraient regarder.

Chaque outil existant que j’ai testé était soit une plateforme SEO d’entreprise à 400 $/mois avec des fonctions GEO greffées dessus, soit un vérificateur générique gratuit qui notait votre schéma et s’arrêtait là. Du travail utile dans les deux cas — mais aucun ne me montrait ce dont j’avais vraiment besoin dans les dix premières minutes d’une rencontre client : ce que l’IA dit de vous en ce moment, et quoi faire pour y remédier.

Alors j’en ai bâti un. Quatre requêtes réalistes d’acheteur, trois moteurs, transcriptions intégrales. Pas de tableau de bord qui se limite à un score. Pas d’abonnement. Quatre-vingt-dix secondes. Ce n’est pas un concurrent des plateformes d’entreprise — c’est un outil d’un autre genre, conçu pour une tâche précise : montrer à un dirigeant B2B ce que voient ses acheteurs quand ils demandent une recommandation à l’IA.

Pour montrer ce qu’il fait réellement ressortir, voici ce que j’ai obtenu en l’appliquant à un grand distributeur de matériel électrique nord-américain — une entreprise milliardaire, membre d’un groupe mondial, le genre d’entreprise auprès de qui chaque électricien de son territoire commande depuis trente ans. L’industrie la connaît. L’IA, non.

Le score disait 38 sur 100. Les transcriptions disaient quelque chose de plus utile.

Un audit qui se limite à un score dirait à ce distributeur que son site a des problèmes et lui recommanderait un audit de schéma. Les transcriptions m’ont révélé trois tendances qu’aucun score ne pouvait faire ressortir — et ce sont les tendances que je vois maintenant dans presque chaque audit B2B que je fais.

Tendance 1 : la collision d’entités

Quand on a demandé à ChatGPT qui sont les concurrents de ce distributeur, il a décrit avec assurance une entreprise de télécommunications américaine. Informatique en périphérie, solutions réseau, infrastructure infonuagique. Mauvaise industrie, mauvais pays, mauvaise entreprise.

Le nom de la marque chevauchait celui d’une entité américaine beaucoup plus grande, dans un secteur complètement différent. Quand l’IA doit choisir entre un distributeur B2B régional au graphe d’entité mince et une entreprise de télécoms de plusieurs milliards de dollars qui a des décennies de présence structurée sur Wikipédia, Wikidata et à la SEC, elle choisit la télécom à tous les coups. Le distributeur disparaît.

C’est le mode d’échec le plus fréquent chez les distributeurs B2B que j’audite. Si le nom de votre entreprise chevauche celui d’une marque mère, d’une entité héritée d’une fusion-acquisition, d’un terme générique de l’industrie ou d’une entreprise beaucoup plus grande dans un autre secteur, l’IA se rabattra sur l’entité dont le graphe est le plus solide. Votre véritable catégorie sera écrasée en silence.

La solution n’est pas du SEO technique. C’est la désambiguïsation d’entité : une fiche Wikidata liée à votre véritable société mère, un schéma Organization avec des liens sameAs vers LinkedIn, Crunchbase et des répertoires de l’industrie, et le même vocabulaire de catégorie sur chaque page de votre site, pour que les moteurs d’IA aient quelque chose de concret sur quoi s’ancrer. Rien de cela ne vous sera recommandé par un audit basé sur un score, parce qu’aucun de ces signaux n’apparaît dans une analyse du robots.txt.

Tendance 2 : la dérive de catégorie

ChatGPT a classé ce distributeur dans les télécommunications. Gemini l’a correctement classé dans la distribution de matériel électrique. Claude ne l’a classé nulle part — il a carrément refusé de répondre.

Trois moteurs, trois réponses différentes. Ce n’est pas un problème d’IA. C’est un problème de contenu. Sur le Web, le nom de cette entreprise n’apparaît pas assez souvent avec un même terme de catégorie pour que l’IA converge. Chaque moteur a saisi le signal qu’il pouvait trouver et a foncé avec.

Pour un distributeur de 50 M$ à 500 M$, ça ressemble à ceci : ChatGPT vous qualifie de grossiste, Gemini de fabricant, Perplexity affirme que vous êtes une entreprise de logistique. Vos acheteurs interrogent des moteurs différents et obtiennent des histoires différentes. Votre équipe de vente passe les dix premières minutes de chaque appel de découverte à expliquer ce que vous vendez vraiment.

La solution est éditoriale, pas technique. Choisissez une catégorie. Utilisez les mêmes mots pour la décrire sur votre page d’accueil, votre page À propos, vos études de cas, votre LinkedIn, vos passages en balado, vos articles signés dans les publications de l’industrie. C’est la répétition à travers des sources indépendantes qui construit l’association entité-catégorie que les moteurs d’IA récompensent.

Tendance 3 : le refus comme diagnostic

Claude a refusé de répondre à trois des quatre requêtes. Des variantes de « Je n’ai pas d’information fiable sur cette entreprise dans mes données d’entraînement ».

On dirait une limite de l’outil. Ce n’en est pas une.

Quand un LLM refuse, il vous dit quelque chose de précis : il n’y a pas assez de cooccurrences, dans les données d’entraînement, entre le nom de l’entreprise et sa catégorie pour appuyer une réponse assurée. Le modèle aurait pu deviner. Il a choisi de ne pas le faire. C’est le signal le plus clair possible que l’empreinte de mentions par des tiers est trop mince.

Pour les distributeurs du marché intermédiaire, c’est le résultat d’audit le plus fréquent et le plus actionnable. Ça veut dire qu’aucune publication de l’industrie, aucun rapport d’analyste, aucune transcription de balado, aucun avis Clutch, aucun fil Reddit, aucun long texte LinkedIn, aucune fiche G2 n’a associé le nom de l’entreprise à sa catégorie en volume suffisant pour entrer dans le corpus d’entraînement. Le problème n’est pas l’invisibilité. C’est l’impossibilité d’être reconnu.

Ce qui a rendu cet audit particulièrement instructif : Claude a activement conseillé à l’acheteur de « vérifier Clutch ou G2 » pour évaluer les fournisseurs de cette catégorie. Le distributeur n’est présent sur aucune de ces deux plateformes. Chaque fois que Claude donne ce conseil, la vente s’en va.

Et puis il y a la couche technique

L’audit a aussi fait ressortir ce sur quoi la plupart des outils basés sur un score se concentrent exclusivement : les signaux techniques. Pour ce distributeur, le portrait était tout aussi sombre.

Aucune donnée structurée. Pas de schéma Organization, pas de liens sameAs, pas de schéma FAQ. Le site a les bases — balises title, méta-descriptions, balises canoniques, HTTPS, hreflang pour le multilingue — mais rien de propre à l’IA. Pas de fichier llms.txt. Le robots.txt existe, mais ne contient aucune règle pour les robots d’exploration d’IA. Les signaux d’auteur sont présents, mais les références sont minces.

Deux gains faciles précis, au-delà de ce que l’audit a signalé : un schéma FAQ avec des questions formulées comme les acheteurs les posent vraiment, et un bloc Réponse rapide — une réponse directe de 40 à 80 mots en haut de chaque page clé, que l’IA peut extraire telle quelle. Les deux sont présentés dans la littérature sur le GEO comme ayant un effet de levier disproportionné. Ils demandent une demi-journée à un développeur.

C’est la couche que les audits basés sur un score font bien. C’est aussi la moitié la plus facile à corriger. Le schéma, c’est un billet de développement. Un fichier llms.txt, c’est un travail de trente minutes. Les règles pour les robots d’exploration d’IA dans le robots.txt, c’est une mise à jour d’une ligne.

Mais tout livrer proprement n’aurait rien changé au refus de Claude, à la confusion de ChatGPT avec la télécom ni à la dérive de catégorie d’un moteur à l’autre. La couche technique est nécessaire. Elle n’est pas suffisante. Le travail éditorial — désambiguïsation d’entité, études de cas nominatives, mentions par des tiers — c’est là que le score bouge vraiment.

Pourquoi les scores cachent tout ça

Le GEO n’est pas une discipline distincte du SEO. La position de Yoast, reprise par Gary Illyes de Google, est que le SEO fondamental en couvre déjà l’essentiel. Ce qui est nouveau, c’est l’accent : l’association d’entités, les mentions de marque sans lien et l’extractibilité structurée. Les audits basés sur un score vérifient la couche SEO. Ils passent à côté de ces nouveaux accents.

Un 38 sur 100 vous dit que quelque chose cloche. Il ne vous dit pas que votre marque entre en collision avec une télécom américaine dans les données d’entraînement de ChatGPT, que votre catégorie est divisée en trois d’un moteur à l’autre, ni que Claude redirige activement vos acheteurs vers des plateformes où vous n’avez aucun profil.

Les audits basés sur un score sont des outils SEO qui portent une étiquette GEO. Ils ont été conçus pour un monde où la réponse était « mieux se classer » et où le signal était le trafic. Le GEO, c’est un autre jeu. Le signal, c’est la citation. La réponse est éditoriale. Le score est un détecteur de fumée qui vous dit qu’il y a un feu, mais pas à quel étage.

La transcription, c’est le plan d’étage.

Trois correctifs qui font bouger le chiffre

Pour tout distributeur ou fabricant B2B qui lit ceci, l’ordre est le même.

Réglez d’abord la désambiguïsation d’entité. Fiche Wikidata, schéma Organization, liens sameAs vers votre société mère et LinkedIn, nom-adresse-téléphone cohérents dans tous les répertoires. C’est la fondation. Si l’IA ne sait pas qui vous êtes, rien d’autre ne compte.

Publiez des études de cas nominatives avec des indicateurs concrets. « Délai d’exécution du projet réduit de 40 pour cent pour la construction d’un hôpital à Montréal. » Trois études de cas sur votre domaine, reprises dans des publications de l’industrie. Les pipelines d’entraînement de l’IA récompensent la cooccurrence indépendante entre votre nom, votre catégorie et des résultats mesurables. Le texte générique d’une page d’accueil ne passe pas ce filtre. La recherche universitaire sur les méthodes GEO (Aggarwal et al., GEO-bench) a montré que l’ajout de statistiques concrètes et de citations de sources produisait des hausses de visibilité de 22 à 37 % dans les réponses générées par l’IA — avec des gains encore plus importants pour les entités non dominantes, ce qui décrit la plupart des distributeurs du marché intermédiaire.

Obtenez de trois à cinq mentions par des tiers où votre nom et votre terme de catégorie précis apparaissent dans la même phrase, sur un domaine qui n’est pas le vôtre. Publication spécialisée, rapport d’analyste, transcription de balado, compte rendu de conférence. C’est ainsi que le refus se transforme en recommandation.

Rien de tout ça n’est rapide. Rien de tout ça n’est un plugiciel. Tout ça s’accumule.

Pourquoi c’est important maintenant

Selon Yoast, 42 % des utilisateurs commencent maintenant leurs recherches avec un LLM plutôt qu’avec un moteur de recherche traditionnel. Pour le B2B en particulier, ce chiffre est l’avant-garde d’un virage qui change déjà la façon dont les ventes entrent dans votre pipeline.

Les distributeurs B2B ont passé trente ans à bâtir des remparts relationnels — des représentants dédiés, l’historique des comptes, la loyauté envers les fournisseurs, l’appel du mardi matin. Ces remparts existent toujours. Mais on les contourne. L’acheteur qui vous appelait en premier interroge maintenant ChatGPT en premier, et ChatGPT fait une recommandation avant même que votre représentant sache que la vente est en marche.

Vous ne perdez pas la vente. Vous perdez l’appel de découverte. La vente va à celui que l’IA a nommé dans le paragraphe.

Si vous n’avez pas encore lu votre paragraphe, c’est par là qu’il faut commencer.

Si votre score est laid, vous êtes en bonne compagnie. Même des entreprises milliardaires avec trente ans de capital de marque obtiennent 38 sur 100. Le score est le début de la conversation, pas la fin.