L’an dernier, un fabricant taïwanais de centres d’usinage cinq axes consacrait presque tout son budget aux salons professionnels et à Google Ads. Mais lorsque les acheteurs ont commencé à présélectionner leurs fournisseurs avec ChatGPT et Perplexity, l’entreprise a disparu des radars : à la question « Quels fabricants taïwanais de centres d’usinage cinq axes recommandez-vous ? », les IA ne la citaient jamais. 90 jours plus tard, elle figurait durablement parmi les trois premiers noms. Sans budget publicitaire supplémentaire ni campagne de liens externes : l’entreprise avait repensé la manière dont les moteurs d’IA lisaient les informations sur sa marque.
Le problème n’est pas votre classement. Le problème, c’est que l’IA ne vous connaît pas.
Le site officiel de l’entreprise apparaissait en page 2 de Google pour la recherche « centre d’usinage cinq axes ». Mais le véritable écart se creusait ailleurs. Au lieu de comparer les résultats page après page, l’acheteur demande désormais à une IA : « Dressez-moi la liste des fournisseurs fiables de centres d’usinage cinq axes à Taïwan. » Le modèle privilégie alors les informations qu’il peut extraire clairement et recouper auprès de plusieurs sources. Or, les caractéristiques techniques de l’entreprise restaient enfermées dans des PDF, ses pages produits se résumaient à une phrase suivie de « Contactez-nous », et ses avantages techniques se perdaient dans un discours marketing non structuré. Pour une IA, cela revient presque à ne disposer d’aucun contenu exploitable.
Avec Brand Radar, nous avons soumis le même nombre de requêtes d’achat pour l’entreprise et ses quatre principaux concurrents. Le constat était sans appel : sur 20 requêtes, les concurrents étaient cités 11 fois en moyenne, contre une seule mention pour le fabricant, relégué ce jour-là au rang d’« autre option ». Le produit n’était pas en cause. C’était sa lisibilité pour les IA qui faisait défaut.
Étape 1 : déterminer qui l’IA recommande, et pourquoi
Nous n’avons pas commencé par modifier le site. Nous avons d’abord mesuré la situation. Pour cette catégorie de produits, nous avons recensé les questions qu’un acheteur poserait réellement à une IA : comparaison des caractéristiques, délais de livraison, prix, service commercial et adéquation aux différents secteurs. Nous avons ensuite testé ces requêtes sur plusieurs moteurs d’IA afin de relever les marques citées, les sources utilisées et les raisons avancées pour justifier chaque recommandation.
- Les concurrents recommandés disposent presque tous de pages produits bien structurées. Les données chiffrées — courses, vitesses et précision — figurent directement sur la page au lieu de rester enfermées dans une fiche technique.
- Leurs avantages sont repris par des sources tierces : médias spécialisés, sites de distributeurs et discussions sur des forums. L’IA peut ainsi recouper les mêmes informations à plusieurs endroits.
- Leurs pages répondent clairement aux questions des acheteurs, par exemple : « Cette machine convient-elle aux secteurs aéronautique ou médical ? »
Cette liste constituait déjà une feuille de route. Pour intégrer les recommandations, l’entreprise n’avait pas besoin de davantage de trafic, mais de trois éléments : des faits faciles à extraire, des affirmations vérifiables et des contenus répondant précisément aux requêtes d’achat.
Étape 2 : rendre les informations cachées lisibles par l’IA
Le chantier a porté sur la structure du contenu, pas sur l’habillage visuel. Nous avons transféré les principales caractéristiques des PDF vers les pages produits : courses X/Y/Z, vitesse de broche, précision de positionnement et matériaux compatibles apparaissent désormais dans des champs clairement identifiés. En tête de chaque page, nous avons aussi répondu sans détour à deux questions : à quel utilisateur cette machine convient-elle le mieux, et quel problème d’usinage résout-elle ? Cette rédaction facilite la lecture des acheteurs tout en donnant aux IA des passages complets qu’elles peuvent reprendre sans devoir en déduire le sens.
L’IA ne comblera pas les blancs à votre place. Si un fait n’est pas écrit de manière lisible, il n’existe pas dans son univers.— Tenten GEO consultant team
Il fallait ensuite renforcer la vérifiabilité de ces informations. Nous avons aidé l’entreprise à publier des articles techniques accessibles à tous sur des réalisations concrètes : le cas d’usinage d’un client du secteur médical et des données positives sur le taux de réussite de pièces aéronautiques. Des distributeurs et des médias spécialisés ont ensuite repris le même ensemble de faits. Lorsqu’une information apparaît dans plusieurs sources indépendantes, la confiance de l’IA augmente nettement. C’est aussi l’une des conditions pour qu’elle accepte de citer une marque par son nom.
Étape 3 : répondre aux questions des acheteurs plutôt que vanter la marque
Dans le secteur des machines-outils, les mêmes questions reviennent régulièrement : quel est le délai de livraison, la machine accepte-t-elle des équipements spéciaux, quelle est la couverture du service après-vente et en quoi diffère-t-elle des modèles concurrents ? Nous avons intégré ces questions aux pages produits et à la FAQ, avec pour chacune une réponse autonome et directement réutilisable. Le bénéfice est double : l’acheteur trouve immédiatement l’information, et l’IA peut s’appuyer sur cette réponse pour formuler sa recommandation.
90 JOURS PLUS TARD : d’une seule mention à une présence stable dans le trio de tête
Au 90e jour, nous avons relancé la même série de 20 questions. Le fabricant est passé de 1 à 13 mentions : huit fois parmi les trois premières recommandations et cinq fois dans une comparaison favorable. L’évolution la plus significative concernait le type de requête. La marque commençait à être citée pour « un fabricant taïwanais de machines cinq axes pour le secteur médical », précisément le positionnement que nous avions renforcé par les faits et l’étude de cas. L’équipe commerciale a également reçu deux nouvelles demandes entrantes dont les interlocuteurs ont déclaré sans détour : « C’est ChatGPT qui vous a recommandé. »
Soyons clairs : gagner une place dans les recommandations d’une IA n’est pas un projet ponctuel. Les concurrents évoluent, les modèles sont mis à jour et le taux de recommandation doit rester sous surveillance. Le fabricant utilise désormais le suivi mensuel de Brand Radar comme un tableau de bord permanent, au même titre que ses rapports de performance. Dès qu’un groupe de requêtes sort du trio de tête, l’équipe identifie le contenu manquant et le complète.
Trois enseignements reproductibles de cette étude de cas
- Mesurez avant d’agir : sans savoir quelles marques l’IA recommande aujourd’hui ni pourquoi, toute optimisation repose sur des suppositions.
- Libérez les faits des PDF et du discours marketing, puis organisez-les dans une structure que l’IA peut comprendre et reprendre.
- Faites corroborer les informations par plusieurs sources : donnez à l’IA des raisons de vous faire confiance, pas seulement l’URL de votre site.
Vous voulez savoir si votre marque apparaît lorsque des acheteurs interrogent une IA sur votre catégorie, face à quels concurrents et à quelle position ? Le moyen le plus rapide consiste à effectuer un test. Notre audit GEO applique cette même méthode pour comparer vos recommandations dans les IA à celles de vos principaux concurrents. Une session de diagnostic GEO de 30 minutes permet de partir de vos propres écarts et d’examiner directement les résultats de votre catégorie.
