Études

Être cité par une IA ne garantit pas d'être recommandé

Deux études de fin septembre 2026 montrent que les IA citent les petits commerces à parité, mais recommandent 2,5 fois plus les grandes enseignes.

Nicolas Meridjen

· 12 min de lecture

Citée à parité, recommandée 2,5 fois moinsUne réponse d'IA qui cite plusieurs commerces en bas de page mais n'en recommande qu'un seul en haut, illustrant l'écart entre citation et recommandation

Le 29 septembre 2026, Lightspeed Commerce a publié les résultats d'une étude conduite par le cabinet Vaer AI sur la façon dont les moteurs de réponse recommandent des commerces. Ses auteurs ont posé 20 000 questions d'achat à ChatGPT, Gemini, Google AI Mode et Google AI Overviews, entre juin et août 2026, dans dix catégories de produits et quatre villes nord-américaines. L'ensemble représente environ 460 000 réponses et 2,4 millions de liens analysés.

Un résultat de cette étude mérite l'attention des équipes marketing bien au-delà du commerce de détail. Les petits commerces et les grandes enseignes apparaissent à parité parmi les sources citées, à hauteur d'environ 38 % chacun, mais les grandes enseignes récoltent 2,5 fois plus de recommandations en tête de réponse. Le marché de la visibilité IA mesure pourtant presque exclusivement la citation.

Cet article détaille ce que l'étude mesure et ce qu'elle ne mesure pas. Il confronte ensuite ses résultats à une étude française publiée la même semaine, puis propose une façon de suivre la recommandation en plus de la citation.

Ce qu'il faut retenir

  • Les moteurs de réponse citent les petites entreprises à parité avec les grandes, puis recommandent très majoritairement les grandes.
  • L'accès au web réduit l'écart sans l'annuler, ce qui suggère que la notoriété de la marque compte autant que la qualité de la page.
  • Plus une question porte sur un produit précis, plus la part des petits acteurs dans les recommandations recule.
  • En France, l'étude Dekuple Insight montre que l'intention exprimée par l'acheteur, et non son secteur, détermine quelles enseignes entrent dans la comparaison.
  • Un tableau de bord qui suit les citations sans suivre les mentions de marque peut rester flatteur alors que vous avez disparu des recommandations.

Ce que mesure l'étude de Lightspeed et Vaer AI

Le protocole compare deux situations : un moteur qui répond avec ses seules connaissances acquises pendant son entraînement, et le même moteur autorisé à consulter le web. Cette séparation est l'apport principal du travail, car elle isole ce que la recherche en temps réel corrige et ce qu'elle laisse intact.

Les auteurs ont d'abord posé leurs 20 000 questions sans jamais employer les mots « local », « independent » ou « big chain », afin de mesurer le comportement par défaut des moteurs. Dans une deuxième série, ils ont repris les mêmes questions en ajoutant ces qualificatifs. Les 200 000 réponses obtenues sans accès au web et les 260 000 obtenues avec donnent deux photographies comparables. Le classement des enseignes entre grandes et petites repose sur un classificateur calibré à la main, dont un second modèle indépendant a confirmé les verdicts à 99,5 %. Les chiffres publiés portent également un intervalle de confiance à 95 % (lightspeedhq.com, 29 septembre 2026).

Le résultat le plus frappant apparaît dans les comparaisons directes, lorsque le moteur doit trancher entre deux commerces sans consulter le web : il retient le plus grand dans 90 à 94 % des cas. Les mesures varient aussi d'une ville à l'autre, de 70 à 77 % de grandes enseignes à Los Angeles contre 57 à 62 % à Montréal. Cet écart géographique invite à ne pas transposer les résultats tels quels sur un marché européen. L'étude couvre quatre villes d'Amérique du Nord, et son rapport technique complet n'est disponible que sur demande.

La parité des sources ne se retrouve pas dans les recommandations

L'écart entre la source consultée et l'enseigne nommée constitue le cœur du problème. Un moteur peut lire la page d'un commerce indépendant, s'en servir pour vérifier un prix ou une disponibilité, puis recommander une chaîne nationale dans le corps de sa réponse.

Les chiffres de l'étude le montrent de façon mesurée. Parmi les sources citées, les grandes chaînes et les petits commerces pèsent chacun environ 38 %, une répartition presque équilibrée. Parmi les recommandations placées en tête, les grandes chaînes sont retenues 2,5 fois plus souvent que les petits commerces. Les commerces indépendants figurent donc bien dans la matière première de la réponse, mais rarement dans sa conclusion.

Le détail par condition précise le mécanisme :

Condition de la questionPart des grandes enseignesPart des petits commerces
Sans accès au web, questions générales63 à 70 %Environ 10 %
Avec recherche web activée46 à 58 %Environ 25 %
Comparaison directe entre deux commerces, sans web90 à 94 %6 à 10 %
Question portant sur un produit précisEnviron 60 %Environ 10 %

La recherche web améliore donc nettement la situation des petits acteurs, sans la rétablir. Google AI Overviews se distingue dans l'autre sens, puisque 68 % de ses réponses ne nomment aucun commerce local. À l'inverse, la part des petits commerces dans les recommandations recule d'environ un tiers à un dixième dès que la question porte sur un produit identifié plutôt que sur une catégorie.

Pourquoi un moteur cite-t-il une source sans recommander son auteur ?

La citation et la recommandation ne reposent pas sur les mêmes signaux : la première récompense une page qui répond, la seconde une marque que le moteur reconnaît. Les travaux publiés depuis un an convergent sur ce point, sans qu'aucun n'établisse de causalité stricte.

L'étude d'Ahrefs de décembre 2025, menée sur 75 000 marques, mesure une corrélation de 0,656 à 0,664 entre le nombre de mentions d'une marque sur le web et sa visibilité dans les réponses IA. La même étude n'obtient que 0,218 pour les backlinks. Les auteurs rappellent qu'il s'agit d'une corrélation, et non d'une preuve qu'une mention supplémentaire produise une recommandation supplémentaire. Cette association reste toutefois cohérente avec ce qu'observe Profound en janvier 2026 sur 27 millions de citations. Sur une question générique, le site de la marque ne pèse que 4,3 % des citations affichées. Cette part monte à environ 58 % dès que la question contient son nom.

Une mesure de Victorious, publiée en juillet 2026 sur 150 à 175 marques, prolonge ce constat : 96 % des marques sont décrites avec exactitude quand elles sont nommées directement, alors que 89 % n'apparaissent pas dans les réponses à une question de catégorie. Le moteur sait donc décrire ces entreprises, mais ne les convoque pas spontanément. Pour une entreprise peu connue, la difficulté n'est pas d'être comprise, elle est d'être appelée. Nous avions déjà croisé cette asymétrie à propos des citations de marque qui n'apparaissent jamais dans les sources affichées.

En France, l'intention de l'acheteur recompose le classement

Une étude française publiée la même semaine apporte une nuance utile : la taille de l'enseigne ne décide pas seule, l'intention formulée dans la question redessine à chaque fois l'univers concurrentiel. Dekuple Insight a analysé 3 882 réponses de ChatGPT et Gemini sur deux mois, dans six secteurs du commerce de détail, à raison de 45 requêtes par secteur, et y a identifié 1 719 enseignes.

Les enseignes dominantes de l'étude ne le sont pas uniformément. Sephora apparaît dans plus de 70 % des réponses du secteur beauté, avec un rang moyen de 1,59. Decathlon figure dans 80 % des réponses de ChatGPT portant sur la qualité en sport, mais n'arrive en première position que dans 30 % d'entre elles. La diversité varie fortement d'un secteur à l'autre, de 496 marques distinctes relevées sur 560 réponses dans la mode à 113 marques sur 630 réponses dans l'alimentaire (ecommercemag.fr, octobre 2026).

Le constat méthodologique des auteurs intéresse toute entreprise, quelle que soit sa taille. Les moteurs ne raisonnent pas par catégorie de marché, mais par besoin exprimé : le prix, la rapidité, l'expertise ou la tendance font émerger des listes de concurrents différentes. Sur un critère de prix en beauté, E.Leclerc et Action se retrouvent ainsi comparés à des acteurs spécialisés. Thomas Zavrosa, directeur général de Dekuple Insight, décrit ces moteurs comme « une nouvelle couche de prescription entre les marques et les consommateurs ». La question utile, selon lui, est de savoir quelles intentions rendent une marque pertinente et quelles preuves soutiennent sa recommandation.

Une dernière observation de cette étude a une portée pratique immédiate. Quand la réponse porte sur un fait opérationnel, les moteurs s'appuient d'abord sur les sites officiels des enseignes. En high-tech, ces sites représentent 91 % des domaines mobilisés pour le retrait en magasin, la disponibilité ou le délai de livraison. Sur les critères d'évaluation, en revanche, les moteurs se tournent vers des sources tierces, médias spécialisés, associations de consommateurs, comparateurs et plateformes d'avis.

Un seul mot déplace le résultat

Le vocabulaire de la question pèse davantage que la plupart des réglages techniques que la profession recommande. L'étude de Vaer AI a testé l'ajout de qualificatifs aux 20 000 questions initiales, et les effets diffèrent fortement selon le mot employé.

Ajouter « independent » à la question fait tomber la part des sources issues de grandes chaînes nationales d'environ 44 % à 9 %, et fait plus que doubler la part des petits commerces recommandés. Les mots « local » et « near me » ne produisent en revanche qu'un effet limité. Cette dissymétrie suggère que les moteurs disposent bien d'une représentation du commerce indépendant, mais ne l'activent qu'avec un vocabulaire précis.

Vous ne choisissez pas la formulation de vos clients, et cette observation ne constitue donc pas une tactique directement applicable. Elle indique en revanche quel vocabulaire vos propres pages ont intérêt à porter. Une page qui ne se décrit jamais comme un commerce indépendant, un atelier, un cabinet ou une maison familiale laisse au moteur le soin de deviner la catégorie à laquelle elle appartient. L'enquête Censuswide menée pour Lightspeed auprès de 2 000 consommateurs nord-américains indique une demande pour ces acteurs : 50 % des répondants déclarent qu'ils achèteraient plus souvent près de chez eux si les IA rendaient les indépendants plus faciles à trouver. Cet échantillon est déclaratif et limité à l'Amérique du Nord.

Que peut faire une entreprise qui n'est pas une grande enseigne ?

Trois chantiers ressortent des données disponibles, et aucun ne relève du balisage technique. Ils portent sur la preuve que vous publiez, sur les mentions dont vous bénéficiez ailleurs, et sur ce que vous mesurez.

1. Publiez les faits opérationnels que les moteurs vont chercher chez vous. Le résultat de Dekuple Insight sur les sites officiels est le plus directement actionnable de cette étude : horaires, délais, modalités de retrait, périmètre d'intervention, conditions de retour. Ces informations doivent figurer en texte lisible sur une page stable, et non dans une image ou un widget chargé après coup. Une page de ce type sert de source même quand la recommandation va à un concurrent plus connu, et elle vous place dans la matière première de la réponse.

2. Travaillez les mentions hors de votre site plutôt que le volume de contenu. La corrélation mesurée par Ahrefs entre mentions de marque et visibilité IA reste une corrélation, mais elle oriente l'effort vers les annuaires sectoriels, les plateformes d'avis, la presse locale et spécialisée, et les comparatifs tiers. L'étude Trendos d'août 2026, portant sur 107 millions de réponses, va dans le même sens en logiciel B2B. Le site de la marque n'y représente que 2 % des citations, contre 47 % pour les sites d'avis. Cette répartition s'inverse en biens de consommation, ce qui interdit d'en faire une règle générale.

3. Mesurez la recommandation séparément de la citation. C'est la conséquence pratique de l'écart de 2,5 constaté par Vaer AI. Un tableau de deux colonnes suffit pour démarrer. Pour chaque question de votre panel, notez si votre site figure dans les sources affichées, puis si votre nom apparaît dans le texte de la réponse. Un suivi de citations par page et par moteur couvre la première colonne, mais la seconde demande de lire la réponse elle-même. Les deux signaux évoluent indépendamment, et l'écart entre eux est précisément ce qu'il faut surveiller. Nous avions décrit cette logique de vérification après coup dans notre méthode Track, Fix, Prove.

Un quatrième point tient à la stabilité de la mesure elle-même. Les réponses des IA varient d'une exécution à l'autre, et les écarts entre moteurs restent considérables, comme le montrent les sources que ChatGPT et Perplexity ne partagent pas. Une mesure isolée sur une seule question n'établit rien, et un panel fixe testé régulièrement reste le minimum pour distinguer une tendance d'une variation.

Mesurer ce que la réponse recommande, pas seulement ce qu'elle cite

Dax Dasilva, fondateur et directeur général de Lightspeed Commerce, résume l'enjeu dans une tribune publiée le 2 octobre 2026 : « Le problème n'est pas seulement que l'IA puisse orienter les acheteurs vers les plus grandes enseignes. C'est qu'elle pourrait de plus en plus déterminer quelles entreprises ont la possibilité de concourir. » Cette formule vient d'un dirigeant dont l'entreprise vend des outils aux commerçants indépendants, et il faut la lire en gardant cet intérêt en tête.

Les données publiées fin septembre 2026 ne décrivent pas pour autant une porte fermée. Elles décrivent une sélection qui se joue après la lecture des sources, sur des signaux de notoriété que la plupart des tableaux de bord de visibilité IA ne regardent pas. Une entreprise qui compte ses citations peut se croire bien positionnée alors que son nom n'apparaît dans aucune réponse.

Si vous ne devez changer qu'une chose à votre suivi cette année, ajoutez cette seconde colonne. Relevez, question par question, ce que la réponse recommande en plus de ce qu'elle cite. L'écart entre les deux vous dira si votre travail porte sur le bon problème, et si le prochain effort doit viser vos pages ou votre présence ailleurs. Nous avons détaillé ailleurs les techniques GEO que la recherche valide vraiment, et la hiérarchie qu'elles dessinent place elle aussi l'autorité perçue avant le balisage.

Lancez un audit de visibilité IA gratuit pour savoir si votre site est déjà lu par les moteurs de réponse, et sur quelles questions votre nom manque encore.

Questions fréquentes

Quelle est la différence entre être cité et être recommandé par une IA ?

Une citation désigne le fait qu'un moteur de réponse utilise votre page comme source et affiche son lien. Une recommandation désigne le fait qu'il nomme votre entreprise dans sa réponse, et en particulier en tête de sa liste de suggestions. L'étude menée par Vaer AI pour Lightspeed Commerce, publiée le 29 septembre 2026, montre que les deux ne vont pas ensemble : les petits commerces et les grandes enseignes représentent chacun environ 38 % des sources citées, mais les grandes enseignes obtiennent 2,5 fois plus de recommandations en tête.

Les IA favorisent-elles vraiment les grandes enseignes ?

Les mesures disponibles vont dans ce sens, avec des écarts qui varient selon les conditions. Dans l'étude de Vaer AI pour Lightspeed Commerce (29 septembre 2026), lorsqu'un moteur devait choisir entre deux commerces sans accès au web, il retenait le plus grand dans 90 à 94 % des cas. Avec la recherche web activée, la part des grandes enseignes dans les recommandations descendait à 46-58 %. L'étude porte sur quatre villes nord-américaines et dix catégories de produits.

Pourquoi une IA cite-t-elle un site sans jamais nommer l'entreprise ?

Un moteur de réponse utilise une page pour vérifier un fait, puis construit sa recommandation à partir d'autres signaux, notamment la notoriété de la marque. L'étude d'Ahrefs de décembre 2025 sur 75 000 marques mesure une corrélation de 0,656 à 0,664 entre les mentions de marque sur le web et la visibilité dans les réponses IA, contre 0,218 pour les backlinks. Une page techniquement irréprochable peut donc servir de source sans que son auteur soit recommandé.

Reformuler sa question change-t-il les enseignes recommandées ?

Oui, et de façon marquée. Dans la même étude de Vaer AI, ajouter le mot « independent » à la question faisait passer la part des sources issues de grandes chaînes nationales d'environ 44 % à 9 %. Les mots « local » et « near me » n'avaient en revanche qu'un effet limité. Ce résultat concerne la formulation du consommateur, que vous ne contrôlez pas, mais il indique quel vocabulaire votre site a intérêt à employer.

Comment savoir si mon entreprise est recommandée et pas seulement citée ?

Construisez un panel fixe de 15 à 20 questions proches de celles que posent vos clients, puis relevez séparément deux informations pour chaque réponse : votre site apparaît-il dans les sources affichées, et votre nom apparaît-il dans le texte de la réponse. Un suivi qui ne mesure que les citations peut rester stable pendant que vous disparaissez des recommandations. Les deux colonnes doivent vivre côte à côte dans votre tableau de bord.

Nicolas Meridjen

Fondateur de LightSpot.ai

Je construis LightSpot.ai et j'analyse comment les moteurs de recherche IA (ChatGPT, Perplexity, Google AI Overviews) choisissent les sources qu'ils citent. J'écris sur le GEO et le SEO à partir de données d'audit réelles.