GEO local : pourquoi une grande marque peut rester invisible établissement par établissement

Un hôtel dont la fiche comporte entre 6 et 10 attributs renseignés a 22 % de chances d’être mentionné par un assistant IA. Le même hôtel, avec 31 à 50 attributs, monte à 94 %. Le chiffre sort d’un échantillon américain, il ne concerne qu’une seule catégorie, et il pose quand même une question inconfortable aux réseaux multi-sites.

Jusqu’ici, la visibilité dans les moteurs génératifs se discutait au niveau du domaine. Quelle autorité, quelles citations, quels contenus, quelle couverture éditoriale. L’étude déplace le curseur : en GEO local, c’est l’adresse qui est citée, pas le logo. Une enseigne peut dominer son marché national et laisser la moitié de son parc absente des réponses de ChatGPT ou de Gemini.

Reste à savoir ce que ce constat change. Peu de chose côté stratégie de marque. Beaucoup côté production.

Ce que l’étude a réellement mesuré

Uberall a observé plus de 120 000 mentions générées par ChatGPT, Gemini, Claude, Grok et Perplexity. L’échantillon couvre 3 793 établissements répartis dans des villes américaines, sur cinq catégories : restaurants, hôtels, banques, épiceries et cabinets dentaires.

Le cabinet regroupe ses variables en quatre familles de signaux : données business, autorité, avis et présence sociale. Rien de bouleversant pris isolément. C’est la comparaison entre établissements d’une même enseigne qui rend l’ensemble intéressant.

Les villes retenues sont américaines, de Chicago à New York, et les catégories choisies ont un point commun utile : ce sont des commerces que l’on cherche par proximité, avec une intention immédiate. Autrement dit, le terrain naturel des assistants.

Le constat central tient en une phrase. La part de marché ne prédit pas la fréquence de recommandation. Deux magasins d’une même chaîne, dans deux villes comparables, n’obtiennent pas du tout le même traitement selon l’état de leurs données locales.

Les écarts relevés, catégorie par catégorie

Les ordres de grandeur publiés varient fortement d’un secteur à l’autre.

Deux enseignements pratiques ressortent. Le volume d’avis prédit mieux les mentions que la note moyenne, ce qui contredit une bonne partie des discours tenus sur la e-réputation et rejoint ce que l’on observe déjà sur le rôle des avis clients dans les citations des IA. Le nombre de photos, lui, pèse là où on ne l’attendait pas : chez les dentistes et les banques autant que chez les restaurateurs.

Pourquoi ces chiffres ne sont pas des facteurs de classement

Un point mérite d’être posé sans détour. L’étude mesure des corrélations, pas des règles algorithmiques. Personne n’a démontré qu’un modèle lit un attribut de fiche Google et en tire une décision de citation.

Écrire « ajouter 40 attributs fait gagner 72 points dans ChatGPT » serait faux. La formulation correcte est plus terne : dans cet échantillon, les établissements les mieux documentés étaient nettement plus souvent mentionnés.

Deuxième réserve, plus gênante. Le document est un contenu sponsorisé par Uberall, qui vend précisément des solutions de gestion de présence locale et de visibilité IA. Les données restent utiles. Elles attendent toujours une réplication indépendante.

Pour trancher, il faudrait comparer des établissements identiques à données différentes, sur plusieurs mois, avec un protocole publié. Ce travail n’existe pas encore en français. En attendant, ces chiffres valent comme faisceau d’indices, pas comme preuve.

Une marque forte, des adresses invisibles

C’est la partie qui devrait intéresser les directions marketing de réseaux. Le travail de visibilité IA ne se transmet pas du domaine vers les points de vente : il se joue adresse par adresse.

Une banque nationale, un réseau de cliniques, une chaîne hôtelière ou un franchiseur peuvent afficher une notoriété solide et voir une partie de leurs implantations absentes des réponses générées. La marque ne protège pas la fiche. Le rapport de force ressemble d’ailleurs à celui que décrivent les PME qui cherchent à concurrencer de grands groupes sur la visibilité générative : à ce niveau de granularité, la taille compte moins que la tenue des données.

Les variables citées par l’étude sont connues des équipes locales : complétude des fiches, catégories, attributs, horaires, avis, photos, cohérence entre plateformes, pages locales. S’y ajoutent désormais les informations que Google recueille lui-même lors de ses appels automatisés. Le problème n’est pas de savoir quoi faire. C’est de le faire sur cinq cents adresses.

Le vrai sujet est un problème de production

Prenons un réseau de 500 établissements. Il faut maintenir 500 fiches Google, quelques milliers d’attributs, des dizaines de milliers de photos, un flux continu d’avis et de réponses, autant de pages locales, et la cohérence de tout cela sur plusieurs annuaires.

À ce volume, le GEO local cesse d’être un sujet de stratégie. C’est une question de gouvernance et de charge récurrente. Le coût opérationnel reste l’angle mort de presque tout ce qui s’écrit sur le sujet.

• La saisie des données se standardise et s’industrialise sans difficulté particulière.
• Le contrôle de cohérence se scripte, puis se vérifie par échantillon.
• La réponse aux avis se cadre par une procédure et un contrôle humain.
• La production photo dépend du terrain et résiste mal à la centralisation.
• L’arbitrage éditorial reste chez le donneur d’ordre, jamais chez le prestataire.

C’est la répartition classique d’un marketing operations externalisé : la production part, le contrôle reste. Le GEO local pourrait en devenir une couche supplémentaire, et probablement la plus volumineuse.

Par où commencer sans optimiser tout le réseau

L’erreur serait de lancer un chantier uniforme sur l’ensemble du parc. Les écarts internes sont bien trop importants pour ça.

La première mesure utile consiste à comparer, établissement par établissement, quatre niveaux : qualité des données locales, visibilité dans Google, visibilité dans les assistants, trafic ou conversions locales. Les adresses réellement invisibles apparaissent vite, et ce sont rarement celles que l’on croit. Sur le troisième niveau, les méthodes pour mesurer sa visibilité dans les assistants sont désormais suffisamment stables pour servir de référence.

Dix établissements suffisent pour poser une méthode. Cinq cents ne sont pas un pilote, c’est un budget.

Votre enseigne est connue, vos adresses doivent encore le prouver

Ce que montre l’étude Uberall n’est pas une recette. C’est un déplacement du niveau d’analyse, et il tombe au moment où les réseaux commencent tout juste à mesurer leur présence dans les assistants.

Une marque nationale ne protège aucune de ses adresses de l’invisibilité. Le reste est une affaire de données tenues à jour, de procédures et de volume. Autrement dit, de production.

Auditez dix établissements représentatifs avant d’engager le parc entier.

Sources et références

Cet article s’appuie notamment sur la documentation de Google consacrée aux fiches d’établissement et sur les règles applicables aux avis publiés par les internautes, qui fixent le cadre de ce qu’une enseigne peut renseigner puis modérer. Les repères techniques sur les réponses générées viennent de la documentation Google Search Central relative aux fonctionnalités de recherche par IA. Les données chiffrées proviennent de l’analyse de l’étude Uberall publiée par Search Engine Journal, un contenu sponsorisé dont l’auteur, Uberall, commercialise des solutions de gestion de présence locale, ce qui impose de lire ces résultats comme une étude fournisseur.