Comment ChatGPT et les IA choisissent les commerces qu'ils recommandent

Avant de recommander un commerce, une IA conversationnelle comme ChatGPT décompose la demande en plusieurs sous-recherches (le fan-out), consulte de nombreuses sources pour chacune, puis resserre sa réponse sur une poignée de noms. Être présent positivement sur un maximum de ces sous-recherches, avec des signaux réputationnels cohérents (fiche à jour, avis, mentions tierces), augmente les chances d’entrer dans la recommandation finale. Personne ne peut la garantir : Google l’écrit lui-même.

Voilà la réponse courte. Le reste de cet article la déplie pour un lecteur précis : le directeur marketing, CX ou digital d’un réseau de points de vente, qui a vu un concurrent cité par ChatGPT ou une slide d’agence. Des prestataires le démarchent déjà en promettant la première place dans les IA. Comprendre comment un commerce finit par être recommandé par ChatGPT, avant d’acheter quoi que ce soit, reste le meilleur filtre contre ces promesses.

Posons d’abord le vocabulaire. Les IA conversationnelles sont les assistants avec lesquels on dialogue : ChatGPT (édité par OpenAI), Claude, l’application Gemini, Perplexity, Le Chat de Mistral. Elles se distinguent des surfaces IA de Google : AI Overview, le résumé généré au-dessus des liens de recherche, et AI Mode, le mode conversationnel de Google. Les mécaniques se ressemblent, les surfaces restent distinctes. Le travail qui vise à rendre une marque visible dans ces réponses générées s’appelle le GEO (Generative Engine Optimization), l’équivalent du référencement appliqué aux moteurs de réponse IA.

Vos clients demandent déjà aux IA où aller

Le sujet a quitté le rayon prospective. Selon la Local Consumer Review Survey 2026 de BrightLocal, menée sur un panel de consommateurs américains, la part de consommateurs déclarant avoir utilisé l’IA générative pour choisir un établissement local est passée de 6 % à 45 % en un an. Deux précautions de lecture s’imposent : le chiffre est déclaratif, et il décrit le marché américain, pas le marché français. La même enquête montre par ailleurs que Google reste largement en tête, à 71 %. La recherche classique et la recommandation par IA coexistent donc ; la seconde grandit simplement beaucoup plus vite.

Pour un réseau, la conséquence est directe. Quand un consommateur demande à une IA « où faire réparer mes lunettes près de la gare » ou « quelle enseigne propose le meilleur drive dans ma ville », la réponse cite quelques noms. Chaque point de vente du réseau est concerné par ces requêtes locales, ville par ville. Côté enseignes, l’IA générative est d’ailleurs déjà entrée dans les pratiques, comme le montre le témoignage de Chronodrive sur l’IA générative appliquée à l’expérience client.

L’IA ne cherche pas comme un humain

Un humain tape une requête, parcourt une page de résultats, ouvre trois onglets. Une IA conversationnelle procède autrement. Le fan-out est le mécanisme par lequel une IA décompose une demande en plusieurs recherches distinctes, croise plusieurs sources pour chacune, puis synthétise le tout avant de recommander.

Un exemple vécu, que n’importe qui peut reproduire dans ChatGPT en dépliant le détail de la recherche. La demande : un hôtel à Londres, bien positionné, avec petit déjeuner buffet, pour fêter en famille l’année d’anglais d’une enfant de 8 ans. ChatGPT a décomposé cette demande en cinq sous-recherches : le quartier, la situation de l’hôtel, le buffet du petit déjeuner, l’adaptation aux enfants, le rapport qualité-prix. Pour chaque sous-recherche, il a consulté entre 5 et 9 sources : comparateurs, plateformes d’avis, articles, pages des établissements. Puis il a resserré sa réponse sur deux hôtels, The Clermont London et Park Plaza Westminster Bridge. Ces deux noms sont la sortie réelle de la conversation, pas une sélection de notre part.

Retenez le principe plutôt que les chiffres : ils décrivent cette conversation-là, rien de plus. Une autre formulation aurait produit un autre découpage, d’autres sources, et parfois cinq noms en sortie. L’illustration vaut pour le mécanisme : décomposition, consultation large, resserrement. Ce mécanisme est du reste documenté au-delà de l’observation : d’après FrenchWeb, Google décrit la même approche pour AI Mode sous le nom de « query fan-out ».

Pour votre enseigne, le jeu change alors de nature. Elle n’est plus évaluée une fois sur une requête, elle est évaluée plusieurs fois, sur chaque sous-recherche, à travers des sources que vous ne contrôlez pas toutes.

Une recommandation resserrée, sans page 2

Dans une page de résultats Google, la dixième position existe encore. Un lien en bas de page reçoit peu de clics, mais il est là, visible pour qui déroule. Une réponse conversationnelle ne fonctionne pas ainsi : elle cite une poignée de noms, justifiés en quelques lignes, et la conversation s’arrête ou repart sur un de ces noms. Il n’y a pas de page 2. Un commerce absent de la réponse n’a aucune position de repli.

Le resserrement fait de la recommandation IA un jeu à somme quasi nulle. Les quelques places disponibles dans la réponse se partagent entre les enseignes dont les signaux ont traversé toutes les sous-recherches. Pour un réseau, cela signifie que la question se pose fiche par fiche, ville par ville : sur chaque requête locale, soit un point de vente fait partie des noms cités, soit la demande risque de partir chez un concurrent qui en fait partie.

Inutile pour autant d’en tirer une règle chiffrée. Le nombre de noms cités varie selon la demande, le moteur et le moment. Ce qui ne varie pas, c’est le resserrement lui-même : une réponse courte, quelques élus, et rien derrière.

Ce que l’IA regarde avant de citer un commerce

L’IA consulte de nombreuses sources avant de répondre ; reste à savoir ce qu’elle cherche à confirmer. Selon le panel d’experts réuni par Near Media après le Google I/O, les moteurs de recommandation IA cherchent une confirmation multi-sources avant de suggérer une entreprise, ce que ce panel appelle le « web consensus ». Ce même panel place trois familles de signaux devant l’optimisation du seul site web :

• des profils cohérents d’une plateforme à l’autre (mêmes horaires, mêmes coordonnées, même positionnement) ;
• des avis clients répartis sur plusieurs plateformes, et pas concentrés sur une seule ;
• une présence en vidéo.

Nous regroupons ces éléments sous le terme de signaux réputationnels : la fiche d’établissement, les avis clients, les mentions tierces et la cohérence de l’ensemble entre les sources. La fiche Google Business Profile de chaque point de vente compte parmi les sources consultées pour les requêtes locales ; sa qualité se travaille dans une logique de SEO local, fiche par fiche. Les avis, eux, alimentent directement les sous-recherches de type « que valent-ils », « est-ce adapté aux enfants », « le service est-il fiable » ; c’est ce qui fait des avis clients un seul front, face à Google comme face aux IA.

Un signal plus surprenant mérite d’être mentionné. Selon l’analyse de Suganthan Mohanadasan publiée dans Search Engine Journal, ChatGPT inclut déjà des noms de marques dans ses requêtes de recherche internes avant même de consulter le web. Figurer dans ces requêtes initiales pèserait, toujours selon cette analyse, 33 fois plus dans la probabilité d’apparaître dans la recommandation finale. Si cette observation se confirme, la bataille se joue sur deux terrains à la fois : l’indexation de vos pages, et la « mentionnabilité » de votre marque, sa capacité à être spontanément associée à une catégorie et à un lieu dans ce que le modèle a retenu du web.

Une recommandation instable, qui se défend en continu

Ce que l’IA recommande aujourd’hui, elle peut le remplacer demain, ou dans la même conversation. Selon Clovion, société d’Oslo qui édite par ailleurs un outil de visibilité IA, environ 64 % des produits recommandés par les IA sont remplacés dès que l’acheteur ajoute un seul détail à sa demande. L’étude porte sur des recommandations de produits B2B, testées sur plusieurs modèles, et son ordre de grandeur suffit à retenir l’idée : chaque détail ajouté relance le fan-out, et chaque relance rebat les cartes.

Deux conséquences pratiques en découlent. La première : aucune position n’est acquise. Une enseigne citée sur « meilleur opticien à Lille » peut disparaître de « meilleur opticien à Lille ouvert le dimanche ». La couverture se construit sous-recherche par sous-recherche, intention par intention, et s’entretient dans le temps. Les sources consultées évoluent, les avis récents remplacent les anciens, et les concurrents travaillent aussi.

La seconde intéresse directement quiconque reçoit des propositions commerciales : un système aussi sensible à la formulation de la demande ne se prête à aucune promesse de résultat.

Ce que personne ne peut vous garantir, et ce qui augmente vos chances

Personne ne peut vous garantir d’être recommandé par les IA. C’est Google qui le dit. Le 5 juin 2026, Google Search Central a mis à jour sa page de conseils sur les outils, services et conseils SEO tiers, en y nommant explicitement le GEO. Google y écrit que les outils tiers n’ont pas accès à ses données de classement internes, qu’ils ne peuvent pas garantir de performances, et que toutes les prédictions peuvent ne pas se réaliser. Quand un prestataire promet la première place dans AI Mode, il promet une chose que Google, opérateur de cette surface, déclare lui-même intenable. La promesse n’est pas plus solide côté ChatGPT : la mécanique du fan-out y recompose la réponse à chaque formulation de la demande. Le tri de ces promesses tient en une règle : personne ne peut garantir votre recommandation par les IA, et quiconque affirme le contraire vend ce qu’il ne contrôle pas.

L’absence de garantie n’implique pas l’absence de méthode. Tout ce qui précède dessine au contraire un travail assez clair : plus votre enseigne est citée positivement dans les sous-recherches du fan-out, plus ses chances d’entrer dans la recommandation finale augmentent. Concrètement, cela passe par des fiches exactes et cohérentes sur toutes les plateformes, des avis nombreux, récents et répondus sur chaque point de vente, et des mentions tierces qui confirment le même discours. Les avis constituent la matière première la plus abondante de ces signaux : chaque client satisfait qui témoigne alimente les sources que l’IA consultera.

Encore faut-il que ces avis soient crawlables, c’est-à-dire lisibles par les agents IA qui explorent le web. Un avis enfermé dans un module que les agents ne lisent pas n’alimente aucune sous-recherche. La règle, vérifiable en deux minutes sur vos propres pages, tient en une phrase : what AI can’t crawl, AI doesn’t recommend.

Goodays intervient sur cette chaîne auprès des réseaux : collecter les avis à grande échelle sur chaque point de vente, aider les équipes à y répondre, et placer ces avis aux endroits où les moteurs et les agents IA les lisent, pour augmenter les chances de chaque établissement d’entrer dans les recommandations. Sans jamais promettre la première place : vous savez désormais pourquoi.

FAQ : être recommandé par ChatGPT et les IA

Comment faire apparaître mon enseigne dans les réponses de ChatGPT ?

Il n’existe pas de bouton d’inscription. ChatGPT construit ses recommandations en décomposant la demande en sous-recherches (le fan-out) et en croisant de nombreuses sources : fiches d’établissement, plateformes d’avis, contenus tiers. Travailler la cohérence de vos fiches, le volume et la fraîcheur de vos avis, et vos mentions dans des contenus tiers augmente les chances d’apparaître dans ces sous-recherches, et donc dans la recommandation finale.

Une agence peut-elle garantir que mon réseau sera recommandé par les IA ?

Non. Une IA recompose sa réponse à chaque formulation de la demande : aucune position n’y est stable, quel que soit le moteur. Google le confirme pour ses propres surfaces : dans sa page mise à jour en juin 2026, Google Search Central écrit que les outils tiers n’ont pas accès à ses données de classement internes et ne peuvent pas garantir de performances. Un prestataire sérieux parle de chances augmentées et de couverture des sous-recherches, jamais de résultat garanti.

Les IA utilisent-elles les avis Google pour recommander un commerce ?

Les IA consultent les plateformes d’avis parmi leurs sources, et les avis Google en font partie. Les moteurs de recommandation cherchent toutefois, selon le panel d’experts réuni par Near Media, une confirmation multi-sources : des avis répartis sur plusieurs plateformes, plutôt que concentrés sur une seule, alimentent cette confirmation. Les avis doivent aussi être lisibles par les agents IA pour compter.

Pourquoi ChatGPT recommande-t-il un concurrent et pas mes points de vente ?

La première piste à examiner est la couverture des sous-recherches : ce concurrent est vraisemblablement présent positivement sur davantage d’entre elles, avec une fiche plus complète, des avis plus récents ou mieux répartis, des mentions tierces plus nombreuses. La recommandation est aussi instable : reformuler la demande peut changer la liste des noms cités. Analyser les sous-recherches d’une requête qui vous échappe montre en général où combler l’écart.

Le SEO classique suffit-il pour être visible dans les IA ?

Il reste un socle : les sous-recherches du fan-out consultent des sources que le SEO local travaille déjà, à commencer par la fiche Google Business Profile. Il ne couvre cependant qu’une partie des signaux : selon le panel Near Media, la cohérence des profils entre plateformes, les avis répartis sur plusieurs plateformes et la présence vidéo comptent davantage que l’optimisation du seul site web. Le socle SEO se complète donc d’un travail sur les signaux réputationnels.