85,6 % des établissements étudiés sont invisibles aux IA : qu’est-ce qui distingue ceux que ChatGPT et Gemini recommandent ?

Sur 4 776 établissements recensés dans deux marchés touristiques de Bali, Canggu et Ubud, 85,6 % n’ont été recommandés par aucun des quatre systèmes testés. Le protocole a mobilisé ChatGPT, Claude, Gemini et Perplexity sur 96 requêtes contextualisées, étalées sur sept jours, pour 2 208 réponses collectées.

Le document doit être lu pour ce qu’il est. Il s’agit d’une prépublication déposée sur arXiv le 7 août 2026, de nature observationnelle, avec un protocole préenregistré. Son financement provient de Norly, qui commercialise des outils de gestion d’avis et de visibilité IA, et le conflit d’intérêts est déclaré.

Cette réserve n’annule pas l’intérêt du travail, rare par son exhaustivité. Elle impose une lecture prudente : on mesure des associations, jamais des causes.

La thèse utile pour un responsable de visibilité locale IA tient en une phrase. Entrer dans la sélection semble d’abord dépendre de la capacité d’un établissement à être documenté, tandis que la note moyenne joue surtout sur le rang une fois la sélection acquise.

Comment l’étude mesure-t-elle l’invisibilité dans les moteurs IA ?

Le protocole se distingue par son point de départ. Au lieu de partir d’une liste d’établissements connus, les auteurs recensent la population complète du marché de la restauration dans deux zones géographiques délimitées, à partir des fiches listées dans Google Places, complétées par résolution des noms effectivement cités dans les réponses.

Quatre systèmes sont interrogés : ChatGPT, Claude, Gemini et Perplexity. Les requêtes sont conditionnées par des personas, formulées comme un voyageur les poserait, et répétées sur sept jours pour absorber une part de la variabilité des réponses.

Trois choix méthodologiques méritent d’être retenus avant toute lecture des chiffres.

• La mesure porte sur des recommandations en conditions réelles, pas sur un classement théorique appliqué à un catalogue construit pour l’occasion.
• Le dénominateur est la population du marché, ce qui donne un taux d’absence interprétable, contrairement aux audits menés sur un échantillon de marques choisies.
• Le périmètre reste deux marchés touristiques indonésiens, ce qui interdit toute généralisation à un centre-ville européen ou à un réseau de points de vente.

Reste une limite que les auteurs signalent eux-mêmes. Les très petites entités mal référencées dans Google Places sont sous-représentées dans le recensement, ce qui conduit à traiter le taux d’invisibilité comme un plancher pour le cadre étudié, pas comme une estimation haute.

Que signifie réellement le chiffre de 85,6 % ?

Il signifie que 85,6 % des établissements du cadre étudié n’ont été cités par aucun des quatre moteurs, sur l’ensemble des requêtes et des jours de collecte. Ce n’est pas un mauvais classement, c’est une absence complète du corpus de réponses.

Le second chiffre est plus instructif encore. Parmi les établissements disposant d’au moins cinquante évaluations, 72,6 % restent absents. Autrement dit, franchir un seuil de réputation communément considéré comme rassurant ne suffit pas, dans cet échantillon, à entrer dans la sélection. Une étude plus large, menée sur 3 793 établissements de réseaux multi-sites, aboutit au même constat à l’échelle des enseignes : la notoriété d’une marque ne garantit pas la visibilité de chacun de ses établissements dans les IA.

La formulation compte. Écrire « 85,6 % des restaurants sont invisibles aux IA » sans rappeler la zone géographique et la définition du marché revient à transformer une mesure locale en loi générale. D’autres travaux menés ailleurs donnent des ordres de grandeur voisins mais non identiques, ce qui confirme le phénomène sans valider le chiffre exact.

Ce que l’étude documente, en revanche, se retrouve dans tous les audits sérieux : les moteurs génératifs citent peu d’acteurs et concentrent l’attention sur un nombre réduit de noms. La logique décrite dans notre analyse de la stratégie GEO des PME s’applique ici sans changement.

Quels facteurs sont associés à l’entrée dans les réponses ?

Le modèle rapporté par les auteurs isole plusieurs variables associées au fait d’être cité au moins une fois. Les valeurs ci-dessous sont des rapports de cotes, souvent appelés odds ratios. Un rapport supérieur à 1 signale une association positive dans cet échantillon, rien de plus.

Un rapport de cotes de 1,92 ne signifie pas que posséder un site augmente de 92 % la probabilité d’être recommandé. Il exprime un écart de cotes entre deux groupes, dans un modèle donné, sur une population donnée. La différence est technique, mais elle sépare une lecture honnête d’un argument commercial.

De la même façon, l’absence d’effet observé pour Foursquare ne permet pas d’écrire que la plateforme ne sert à rien. Elle indique qu’après contrôle des autres variables, cette présence n’apporte pas de gain mesurable dans ce corpus précis.

Le point commun des quatre signaux positifs saute aux yeux. Aucun ne relève du jugement porté sur l’établissement. Tous relèvent de la quantité et de la qualité d’information disponible à son sujet.

Pourquoi la note moyenne redevient-elle déterminante une fois l’établissement sélectionné ?

L’étude sépare deux marges de décision, et c’est son apport le plus exploitable. La première consiste à être considéré, c’est-à-dire à figurer dans la réponse. La seconde consiste à être bien classé parmi les établissements déjà retenus.

Sur la première marge, la note moyenne n’apparaît pas comme un facteur associé. Sur la seconde, elle l’est : une note plus élevée est associée à la première position avec un rapport de cotes de 1,17 dans le modèle rapporté.

La conséquence opérationnelle est contre-intuitive pour un gérant qui a passé cinq ans à soigner sa moyenne. Un excellent score ne compense pas une empreinte documentaire faible. Il agit surtout là où l’établissement est déjà visible.

Le volume et la fraîcheur des avis Google et des avis tiers relèvent donc de deux logiques distinctes. Le nombre alimente la documentabilité. La note travaille le rang. Les confondre conduit à investir au mauvais endroit.

Le principal risque est-il l’hallucination ou la fraîcheur des données ?

Les fabrications complètes sont rares dans le corpus : 0,08 % des mentions valides concernent des établissements qui n’existent pas. Le risque redouté par les professionnels n’est donc pas celui qui se matérialise le plus souvent.

Le problème réel est ailleurs. Quatre-vingt-treize mentions portent sur des établissements confirmés comme définitivement fermés. Le moteur ne les invente pas : il les répète, à partir de sources qui n’ont pas été mises à jour.

La traduction opérationnelle est directe. Le statut d’activité, les horaires, la disponibilité et l’identité doivent être tenus à jour sur toutes les sources qui alimentent la découverte, pas seulement sur le site.

Ce point prend une portée nouvelle depuis que la réservation dans ChatGPT permet de conclure une transaction dans la conversation. Une disponibilité périmée ne coûte plus une visite manquée, elle coûte une réponse fausse portant le nom de l’établissement.

Quelles actions de GEO local peut-on déduire sans surinterpréter ?

La matrice ci-dessous croise les deux dimensions que l’étude sépare. Elle sert à situer un établissement avant de décider où porter l’effort, et non à prédire un résultat.

Cinq actions découlent de cette lecture, dans l’ordre où elles produisent un effet.

• Rendre l’établissement identifiable par un site propre et des informations structurées cohérentes entre toutes les sources.
• Publier les informations qui servent la décision, en particulier les prix et les caractéristiques opérationnelles, lorsqu’elles sont réelles.
• Développer une empreinte tierce diversifiée plutôt qu’un profil unique sur une seule base de données.
• Travailler la réputation en distinguant le volume d’avis de la note moyenne, qui n’agissent pas au même endroit.
• Tester plusieurs moteurs et plusieurs formulations, l’accord entre systèmes étant faible et les réponses stochastiques.

Le dernier point conditionne tous les autres. Un relevé mené sur un seul moteur, un seul jour et une seule formulation ne mesure rien d’exploitable. La mesure suppose un protocole écrit, répété, historisé, ce qui relève d’un pilotage continu plutôt que d’un audit ponctuel.

Les organisations qui ne disposent pas de cette capacité en interne gagnent à cadrer le sujet comme une prestation suivie, avec des indicateurs contractuels. Notre guide sur le pilotage du SEO externalisé détaille les clauses qui rendent ce suivi vérifiable.

Un dernier repère de cadrage. Les mêmes mécanismes se déploient déjà dans le commerce en ligne, où les agents IA lisent, comparent et déclenchent des actions. La documentabilité n’est pas une mode locale : elle devient la condition d’entrée dans des interfaces qui décident à la place de l’utilisateur.

Ce qu’il faut retenir avant de transformer ces chiffres en plan d’action

L’étude ne fournit pas une recette de classement. Elle fournit une hiérarchie de priorités : être documentable d’abord, être bien noté ensuite, mesurer toujours.

Sa principale fragilité doit rester visible dans toute présentation interne. Le financement provient d’un acteur qui vend des outils de visibilité IA, le design est observationnel et le terrain se limite à deux marchés touristiques. Aucune de ces réserves n’invalide les résultats, toutes interdisent d’en faire une preuve de causalité.

Commencez par un audit de cohérence entre votre site, vos fiches et vos plateformes de réservation, puis fixez un protocole de relevé mensuel sur au moins trois moteurs. Sans ce socle, aucun chiffre de visibilité ne sera comparable d’un mois sur l’autre.

SOURCES ET RÉFÉRENCES

Les résultats chiffrés proviennent de la prépublication arXiv « Invisible to the Machine », déposée le 7 août 2026, étude observationnelle à protocole préenregistré financée par Norly, dont le conflit d’intérêts est déclaré par les auteurs. Le contexte de conversion locale a été vérifié à partir de l’analyse de Search Engine Land sur l’arrivée des réservations Yelp dans ChatGPT et du relevé des notes de version de ChatGPT pour août 2026, qui détaillent le périmètre géographique des trois partenaires. Les ordres de grandeur de l’invisibilité ont été confrontés à trois travaux indépendants : l’indice de visibilité des restaurants publié par Local Falcon, mené sur 10 000 établissements américains, le rapport Uberall sur la visibilité des enseignes de restauration rapide dans les réponses IA et le relevé de 551 réponses collectées dans douze villes américaines par Pluspoint. La lecture des écarts entre enseignes multisites et commerces indépendants s’appuie sur l’indice de visibilité locale publié par SOCi.