Pour décrypter ces enjeux, la FEVAD a reçu Emmanuel de Vauxmoret et Gwenaël Robert, experts de l’agence GEO Uplix, lors d’un webinaire dédié aux impacts de l’IA générative sur le e-commerce.
Voici la synthèse des enseignements et les bonnes pratiques à adopter pour optimiser sa présence (Generative Engine Optimization – GEO).
Moteur de recherche vs Moteur de réponse : un changement de paradigme
Historiquement, Google agit comme un « tiers de confiance » : il fournit une liste des meilleurs liens, mais c’est à l’internaute de cliquer et de faire son choix. À l’inverse, une intelligence artificielle comme ChatGPT se positionne comme un moteur de décision : elle donne une réponse directe et affirme à l’utilisateur ce qu’il doit faire ou choisir.
Cette mutation a des conséquences directes sur les comportements d’achat : aujourd’hui, 27 % des utilisateurs se sentent prêts à prendre une décision après avoir lu un simple résumé généré par une IA. Dans ce contexte, l’objectif n’est plus seulement d’occuper une position, mais d’être recommandé parmi les 1 à 5 marques citées par le LLM par réponse.
À noter : Le déploiement des résumés IA de Google (« AI Overviews ») n’est pas encore massif en France pour des raisons politiques et de conformité au RGPD, ce qui laisse le temps aux marques de se préparer.
Le piège du tracking classique (Google Analytics)
Beaucoup d’e-commerçants sous-estiment l’impact de l’IA car ils constatent peu de trafic provenant de ChatGPT dans leurs outils d’analyse de type Google Analytics.
- Les experts rappellent que ce « first click / last click » est trompeur : les clics sont parfois mal traqués et une grande partie des visites est rendue « silencieuse » par les contraintes de consentement RGPD.
- Il est fréquent qu’un internaute débute sa recherche sur Google, la valide via ChatGPT, puis se rende directement sur le site marchand en tapant le nom de la marque.
Les 3 leviers techniques pour exister dans les LLM
Selon l’agence Uplix, il existe exactement trois manières d’apparaître dans les réponses des intelligences artificielles:
- Les données d’entraînement : Les LLM ont appris à partir de milliards de pages web (Wikipédia, fiches produits, médias) issues de bases de données comme Common Crawl. Si une marque n’existait pas de manière qualifiée au moment de cet apprentissage, elle aura des difficultés à ressortir spontanément.
- Devenir une « Source » via le Query Fan-out : Lorsqu’un internaute pose une question complexe, l’IA reformule et éclate ce prompt en plusieurs sous-requêtes qu’elle va chercher sur le web : c’est le « Query Fan-out ». L’IA va ensuite classer les sources récupérées en utilisant des mécanismes comme le Reciprocal Rank Fusion (pour trouver un consensus entre les sources) et le Maximal Marginal Relevance (pour identifier les informations différentes et originales). L’enjeu est donc d’apparaître dans ces sources externes, comme les comparatifs, les médias ou les classements de type « Top 10 ».
- L’alignement sémantique (Embeddings) : Les LLM utilisent la cartographie en espace vectoriel pour faire des proximités et des correspondances de sens entre les mots. L’idée est d’associer mathématiquement l’entité nommée (sa marque) à des concepts de son marché. Ce levier permet également de faire du fact checking et de corriger les informations erronées que l’IA pourrait diffuser à propos de vos produits ou de vos magasins.
Le plan d’action de l’e-commerçant
Comment traduire cette théorie en actions concrètes pour sa boutique en ligne ?
Désolé ce contenu est reservé aux adhérents
Si vous êtes adhérent vous pouvez y accéder simplement en vous connectant à votre compte MyFEVAD. Si vous n’êtes pas adhérent et que vous souhaitez obtenir des informations sur l’adhésion à la FEVAD, n’hésitez à nous contacter contact@fevad.com.
Source: https://www.fevad.com/comment-etre-visible-et-choisi-dans-chatgpt-et-les-llm/
.