Comment ChatGPT et les LLM recommandent-ils une entreprise ?

ChatGPT, Perplexity, Gemini ou Claude ne recommandent pas une entreprise avec une grille universelle.

Un coiffeur, un expert-comptable, une agence SEO, un cabinet de conseil, un fournisseur industriel ou une solution réglementée ne sont pas évalués de la même manière. Les critères changent selon le risque, la fréquence d’achat, la localisation, la spécialisation, la preuve disponible et le type de décision.

C’est un point central en GEO : être visible dans l’IA ne suffit pas. Il faut comprendre les critères que l’IA utilise pour justifier une recommandation dans votre marché précis.

Réponse courte

ChatGPT et les LLM recommandent une entreprise en reconstruisant une grille de décision adaptée au marché.

Type de marché	Critères souvent dominants	Sources souvent utiles	Risque GEO
Service local récurrent	Proximité, note, avis, disponibilité, sentiment client	Google Business Profile, avis, annuaires locaux	Être absent si la fiche locale est faible
Profession intellectuelle locale	Spécialisation, clientèle cible, ancienneté, clarté du site	Site, pages spécialités, avis, sources professionnelles	Être comparé comme un généraliste
Agence SEO ou GEO	Résultats visibles, positionnement, preuves publiques, analyses publiées	SERP, études, cas, contenus experts	Être cité sans être jugé crédible
Fournisseur B2B complexe	Critères d’achat, preuves, seuils, cas d’usage, risques	Pages critères, études, cas clients, documentation	Être exclu de la shortlist
Offre réglementée ou technique	Normes, conformité, traçabilité, preuves vérifiables	Documentation, certifications, matrices, CCTP	Être comparé sur un standard trop faible

La phrase à retenir :

Les LLM ne recommandent pas une entreprise seulement parce qu’elle est visible. Ils la recommandent quand elle est facile à justifier dans la grille de critères propre à son marché.

Pourquoi cette question existe déjà dans la recherche

Les utilisateurs ne cherchent plus seulement une liste de prestataires. Ils demandent aux moteurs et aux IA de réduire l’incertitude :

• “Quel est le meilleur expert-comptable pour une PME ?”
• “Quelle agence SEO choisir ?”
• “Quels critères comparer pour choisir un fournisseur ?”
• “Quels prestataires recommandes-tu dans ma ville ?”
• “Quels risques vérifier avant de signer ?”
• “Quelle entreprise est la plus crédible pour ce besoin ?”

Gartner prévoit une baisse de 25 % du volume de recherche traditionnel d’ici 2026 sous l’effet des chatbots et agents IA (Gartner). Pew Research Center observe aussi que les utilisateurs cliquent moins sur les liens quand un résumé IA apparaît dans Google (Pew Research Center).

Le sujet n’est donc pas seulement de gagner un clic. Il est de comprendre la recommandation qui se forme avant le clic, parfois sans clic.

Pourquoi l’IA ne peut pas appliquer la même grille partout

Une recommandation dépend du type de décision. Plus la décision est risquée, moins les critères simples suffisent.

Facteur	Effet sur les critères IA
Risque de décision	Plus le risque est élevé, plus l’IA cherche preuves, seuils, conformité, limites et critères de rejet
Fréquence d’achat	Plus l’achat est récurrent, plus les signaux d’expérience client peuvent peser
Asymétrie d’information	Plus le client comprend mal le métier, plus l’IA cherche des critères pédagogiques
Localisation	Plus le service dépend de la proximité, plus la fiche locale et les avis deviennent importants
Comparabilité des offres	Plus les offres semblent proches, plus l’IA reprend les critères disponibles dans le marché
Sources accessibles	Plus les sources sont claires et corroborées, plus la recommandation est défendable

L’IA ne part donc pas de votre promesse commerciale. Elle part d’un besoin, d’une catégorie et des critères qu’elle peut justifier.

Exemple 1 : service local récurrent

Pour un coiffeur, un restaurant, un paysagiste ou un garage, l’IA peut fortement s’appuyer sur des signaux locaux publics :

• proximité ;
• fiche Google Business Profile ;
• catégorie principale ;
• note moyenne ;
• volume d’avis ;
• fraîcheur des avis ;
• sentiment exprimé par les clients ;
• disponibilité ;
• photos et informations pratiques.

Google explique que les résultats locaux reposent principalement sur la pertinence, la distance et la notoriété, aussi appelée prominence dans sa documentation anglophone (Google Business Profile Help).

Dans ce type de marché, l’IA peut recommander une entreprise parce qu’elle est facile à justifier localement : bien placée, bien notée, souvent évaluée, clairement catégorisée.

Risque

Une entreprise compétente peut être sous-recommandée si sa fiche locale est incomplète, si ses avis ne décrivent pas les bons services ou si son site ne confirme pas clairement sa zone et ses spécialités.

Exemple 2 : profession intellectuelle locale

Pour un expert-comptable, un avocat, un architecte ou un consultant spécialisé, la grille peut changer.

La note Google reste utile, mais elle ne suffit pas toujours. L’IA peut chercher :

• spécialisation par type de client ;
• situations traitées ;
• secteurs couverts ;
• ancienneté d’implantation ;
• diplômes, certifications ou affiliations ;
• pages de services détaillées ;
• preuves d’expertise ;
• clarté du site ;
• cas anonymisés ou exemples de missions.

Un expert-comptable peut donc être recommandé pour des TPE, des PME, des professions libérales, des exploitations agricoles, des startups, du LMNP ou une reprise d’entreprise selon ce que l’IA trouve dans ses sources.

Risque

Si le site ne porte que des promesses génériques, l’IA peut le comparer comme un cabinet généraliste. La spécialisation réelle existe peut-être, mais elle ne structure pas la recommandation.

Exemple 3 : agence SEO ou GEO

Dans le SEO ou le GEO, l’expérience déclarée compte moins que la preuve visible.

Une agence peut affirmer qu’elle maîtrise Google, ChatGPT, Perplexity ou les LLM. Mais l’IA peut accorder plus de poids à des signaux plus vérifiables :

• positions visibles dans les SERP ;
• analyses publiées ;
• études originales ;
• cas documentés ;
• méthode expliquée ;
• contenus citables ;
• cohérence entre discours et résultats observables ;
• capacité à se positionner elle-même sur les requêtes qu’elle traite.

La logique est différente de celle d’une profession où l’ancienneté ou le statut professionnel joue un rôle plus fort. Pour une agence SEO ou GEO, la preuve par les résultats peut devenir un critère de crédibilité central.

Dans ce contexte, un acteur qui produit des analyses utiles, structurées et vérifiables peut entrer dans une boucle de preuve : plus ses travaux aident les moteurs à répondre correctement, plus il devient facile à considérer comme une source ou un prestataire crédible.

Cette boucle ne dépend pas seulement de la citation de marque. Si une analyse structure la réponse d’un moteur, elle peut influencer la décision même quand le clic ou la citation explicite n’apparaît pas.

Exemple 4 : fournisseur B2B complexe

Pour un fournisseur B2B, l’IA ne cherche pas seulement “qui existe”. Elle peut chercher qui est défendable dans une shortlist.

Les critères deviennent souvent plus exigeants :

• cas d’usage ;
• intégration ;
• compatibilité avec le contexte ;
• preuves vérifiables ;
• risques évités ;
• seuils de performance ;
• références comparables ;
• limites d’usage ;
• critères de rejet.

Dans ce type de marché, une recommandation IA ressemble moins à un annuaire qu’à une première grille d’achat.

Risque

Un fournisseur peut être cité, mais absent de la shortlist, si l’IA ne peut pas expliquer pourquoi il doit être retenu plutôt qu’un concurrent plus simple à justifier.

Exemple 5 : offre réglementée ou technique

Pour une offre réglementée, industrielle, médicale, cybersécurité ou conformité, les critères peuvent être encore plus stricts.

Élément évalué	Ce que l’IA doit pouvoir comprendre
Norme	Quel standard s’applique, et dans quel contexte
Preuve	Quel document, test, audit ou certificat vérifie la conformité
Seuil	À partir de quand l’offre devient insuffisante
Exposition	Quel niveau de risque change l’exigence
Limite	Dans quel cas l’offre ne doit pas être retenue
Rejet	Quelle absence doit exclure un fournisseur

Quand ces éléments manquent, l’IA peut recommander un standard minimum. Le risque n’est pas une hallucination spectaculaire. Le risque est une recommandation plausible mais sous-spécifiée.

Ce que montrent les données Beyond Mentions

Dans la première vague consolidée de l’Observatoire Beyond Mentions, nous avons analysé 4 320 réponses Perplexity sonar sur 3 jours UTC, avec 6 passes par question et par jour.

Ces chiffres ne décrivent pas tous les marchés. Ils montrent comment un corpus contrôlé de réponses IA mobilise sources, preuves, catégories, critères et logique de shortlist.

Signal observé	Volume dans le corpus	Lecture pour les critères par marché
Source dependency	4 137/4 320 (95,8%)	Les sources disponibles structurent fortement la réponse
Proof reuse	3 714/4 320 (86,0%)	Les preuves visibles peuvent devenir des justifications
Documentation and proof	2 687/4 320 (62,2%)	La documentation agit comme infrastructure de décision
Shortlist and vendor evaluation	2 168/4 320 (50,2%)	Une réponse sur deux active une logique de sélection
Criteria reuse	1 464/4 320 (33,9%)	Les critères explicites peuvent structurer la comparaison
Category compression	1 061/4 320 (24,6%)	Une mauvaise catégorie peut changer les critères appliqués
Specification gap	1 130/4 320 (26,2%)	Le niveau d’exigence peut être formulé trop bas

La lecture importante est simple : les LLM ne recommandent pas seulement à partir de popularité. Ils réutilisent ce que le marché rend lisible : sources, preuves, critères et catégories.

Les 6 facteurs qui font varier les critères IA

1. Le risque de décision

Plus la mauvaise décision coûte cher, plus l’IA doit justifier la recommandation.

Risque faible	Risque fort
Avis, disponibilité, proximité	Preuves, conformité, seuils, scénarios, rejet

2. La fréquence d’achat

Un service fréquent et local génère souvent plus d’avis exploitables. Un achat rare ou complexe génère moins de signaux simples, donc l’IA doit chercher des preuves plus structurées.

3. La spécialisation

Plus la spécialisation compte, plus la page générique devient insuffisante.

Marché	Critère de spécialisation utile
Expert-comptable	Type de client, secteur, fiscalité, situation de gestion
Avocat	Domaine de droit, type de dossier, juridiction, profil client
Consultant	Problème traité, méthode, contexte, niveau de décision
Fournisseur industriel	Usage, contrainte, norme, environnement d’exposition

4. La preuve visible

Google recommande de produire un contenu utile, fiable et conçu d’abord pour les personnes (Google Search Central). Pour les LLM, cela rejoint un principe opérationnel : la preuve doit être compréhensible par un humain et extractible par une machine.

5. La forme des sources

Google précise aussi que les données structurées aident à comprendre le contenu d’une page, mais qu’elles doivent décrire un contenu visible pour l’utilisateur (Google structured data).

Les données structurées peuvent aider. Elles ne remplacent pas une page qui explique clairement les critères, les preuves et les limites.

6. La catégorie utilisée

La catégorie détermine les concurrents et les critères. Si l’IA vous range dans une catégorie trop large, elle peut appliquer les critères d’un marché plus simple.

Ce mécanisme rejoint le Category Compression Risk : une offre peut être visible, mais évaluée dans la mauvaise famille.

Comment savoir quels critères l’IA applique à votre marché

Le test doit porter sur des questions naturelles, pas seulement sur votre nom de marque.

1. Listez les situations d’achat où vous voulez être recommandé.
2. Posez les mêmes questions dans ChatGPT, Perplexity, Gemini et Claude.
3. Notez les critères utilisés dans chaque réponse.
4. Relevez les sources citées ou visiblement reprises.
5. Identifiez les concurrents associés.
6. Classez les signaux : avis, proximité, spécialisation, preuve, conformité, prix, résultat, risque.
7. Repérez ce qui vous favorise, ce qui vous banalise et ce qui vous exclut.
8. Publiez les critères manquants sous forme de blocs clairs.

Question à tester	Ce qu’elle révèle
”Comment choisir un [métier] ?”	Grille de décision générique
”Quel est le meilleur [métier] pour [situation] ?”	Critères contextuels
”Quels prestataires recommander pour [besoin] ?”	Shortlist probable
”Quels risques vérifier avant de choisir ?”	Critères de rejet
”Quelles preuves demander avant de signer ?”	Preuves attendues
”Quels fournisseurs éviter si [contrainte] ?”	Limites et exclusions

Répétez les questions plusieurs fois. Une seule réponse peut varier. Un motif répété révèle une grille plus stable.

Quels contenus publier selon votre marché

Marché	Contenus prioritaires
Service local	Fiche Google complète, avis détaillés, pages de zones, photos, FAQ locale
Profession intellectuelle	Pages spécialités, guides par situation, cas anonymisés, preuves d’expertise
Agence SEO ou GEO	Études, méthodologie, analyses de SERP, cas pratiques, preuves de résultats
B2B industriel	Matrices critères/preuves, cas d’usage, normes, seuils, limites
Offre réglementée	Documentation conformité, preuves vérifiables, critères de rejet, FAQ acheteur
Offre premium	Risque évité, coût d’une mauvaise décision, comparatifs contextualisés

Le format idéal reste simple : question, contexte, critère, preuve, seuil, limite, rejet.

Pourquoi les brand citations ne suffisent pas

Une citation répond à une question :

“L’IA connaît-elle votre nom ?”

La variation des critères répond à une question plus importante :

“L’IA sait-elle pourquoi vous devez être retenu dans ce marché précis ?”

Une marque peut être citée et mal recommandée. Elle peut aussi être peu citée, mais structurer la grille de décision si ses contenus expliquent mieux les critères du marché.

C’est pourquoi le GEO ne doit pas s’arrêter aux brand citations. La vraie valeur est la présence décisionnelle : être associé aux bons critères, aux bonnes preuves et aux bonnes situations d’achat.

Diagnostic rapide

Symptôme dans les réponses IA	Problème probable	Correction prioritaire
L’IA cite votre marque mais recommande un concurrent	Présence sans préférence	Publier les critères qui justifient le choix
L’IA compare votre offre à des acteurs trop génériques	Category compression	Clarifier la catégorie et les mauvais substituts
L’IA parle surtout de prix	Risque évité absent	Documenter le coût d’une mauvaise décision
L’IA ne reprend pas vos preuves	Proof reuse faible	Transformer les preuves en blocs extractibles
L’IA s’appuie sur des avis faibles ou incomplets	Source dependency défavorable	Renforcer les sources visibles
L’IA ignore votre spécialisation	Pages trop généralistes	Créer des pages par situation, client ou contrainte

À retenir

Les LLM ne recommandent pas toutes les entreprises avec la même grille.

Ils adaptent leurs critères au marché :

• réputation locale pour certains services récurrents ;
• spécialisation pour les professions intellectuelles ;
• preuve visible pour le SEO et le GEO ;
• critères, risques et seuils pour les achats B2B complexes ;
• conformité et critères de rejet pour les offres réglementées.

Le travail utile consiste donc à identifier la grille que l’IA applique déjà à votre marché, puis à rendre les bons critères visibles, vérifiables et faciles à reprendre.

À lire ensuite

• Comment les IA construisent-elles une shortlist fournisseur ? : pour comprendre la mécanique de sélection.
• Pourquoi les IA recommandent-elles certains prestataires plutôt que d’autres ? : pour comprendre les signaux de recommandation.
• Pourquoi je suis cité par ChatGPT ou Perplexity mais je ne vends pas ? : pour distinguer citation et recommandation.
• Category Compression Risk : pour détecter les mauvaises catégories qui changent les critères.

FAQ

ChatGPT utilise-t-il les mêmes critères pour recommander toutes les entreprises ?

Non. ChatGPT, Perplexity et les LLM adaptent leurs critères au type de marché, au niveau de risque, à la fréquence d'achat, à la localisation et aux sources disponibles.

Quels critères comptent pour un service local ?

Pour un service local récurrent, l'IA peut donner beaucoup de poids à la proximité, à la fiche Google Business Profile, aux avis, à la note, à la fraîcheur des avis et au sentiment client.

Quels critères comptent pour une profession intellectuelle ?

Pour un expert-comptable, un avocat ou un consultant, l'IA peut chercher davantage la spécialisation, les types de clients servis, l'ancienneté, les preuves d'expertise et la clarté du site.

Pourquoi une agence SEO peut-elle être recommandée sans être la plus ancienne ?

Dans le SEO ou le GEO, la preuve visible par les résultats, les analyses publiées, les positions obtenues et la capacité à expliquer le marché peuvent peser plus que l'expérience déclarée.

Comment savoir quels critères l'IA applique à mon marché ?

Il faut tester plusieurs questions naturelles dans ChatGPT, Perplexity, Gemini et Claude, puis coder les critères utilisés, les sources citées, les concurrents associés, les preuves reprises et les cas d'exclusion.

Question acheteur

Quelle question l'acheteur pose-t-il à l'IA ?

Risque documentaire

Quelle simplification documentaire peut abaisser le standard ?

Standard à imposer

Quel niveau technique doit être formulé clairement ?

Preuve attendue

Quelles preuves doivent être demandées ou publiées ?

Critère de rejet

Quel critère permet d'écarter une réponse insuffisante ?