GEO et Rich Results : pourquoi les IA affichent votre prix mais recommandent votre concurrent

Pourquoi les IA affichent votre prix mais recommandent votre concurrent

Les moteurs IA modernes (ChatGPT, Perplexity, Gemini, Claude) dissocient deux tâches distinctes : l'extraction de données structurées et la génération de recommandations. Votre schéma Product ou Offer est parsé correctement, vos prix et ratings s'affichent dans la réponse IA, mais l'algorithme recommande l'achat ou l'action chez un concurrent. Cette séparation n'est pas un bug, c'est l'architecture même des modèles linguistiques : ils traitent les métadonnées et le contenu naturel séparément, et le classement final ne dépend pas uniquement des données structurées visibles.

La distinction critique : extraction vs recommandation

Quand vous installez un schéma JSON-LD sur votre site, vous facilitez l'extraction de données structurées. Les crawlers IA récupèrent votre Product schema avec le nom, le prix, la note moyenne, la disponibilité. C'est cette couche qui remplit le tableau ou la fiche affichée dans la réponse. Cependant, la recommandation finale (« choisissez ce produit », « achetez chez ce vendeur ») repose sur d'autres signaux : la pertinence textuelle, l'autorité de domaine, les mentions externes, la cohérence entre l'intention utilisateur et le contenu naturel, et les patterns d'entraînement du modèle.

Un concurrent avec moins de données structurées mais un contenu plus informatif, une meilleure réputation externe ou une meilleure correspondance avec la requête peut donc être privilégié malgré l'absence de schéma enrichi. Les IA ne « lisent » pas vos rich results comme un annuaire : elles les utilisent comme des signaux parmi des dizaines d'autres.

Comment les modèles IA traitent différemment les rich results

Schéma Product : visible mais non décisif

Le schéma Product (nom, image, description, price, offers) est extrait et affiché. ChatGPT et Gemini le mentionnent souvent dans leurs contextes : « Vous trouverez ce produit chez X au prix de Y euros ». Cependant, ce schéma n'améliore pas directement le ranking de recommandation. Il sert surtout à enrichir l'affichage et à fournir une information de base. Un site sans Product schema mais avec du contenu riche sur les caractéristiques du produit et des avis détaillés peut surpasser un concurrent qui a installé le schéma mais n'offre rien d'autre.

Schéma Review : l'impact sur la crédibilité perçue

Le schéma Review (author, rating, reviewBody, datePublished) a un poids différent. Perplexity et Claude citent les avis structurés pour justifier leurs recommandations : « cet article a une note de 4,8/5 par 200 utilisateurs ». Ce schéma influence donc indirectement la recommandation, car il fournit la preuve sociale que le modèle articule dans sa réponse. Un produit avec 3 avis structurés de 5 étoiles sera systématiquement cité plus favorablement qu'un sans données d'avis.

Schéma Offer : l'information de disponibilité et de prix

Le schéma Offer inclut le prix, la devise, la disponibilité (in stock, out of stock, preorder) et les conditions de livraison. Les IA extraient cette information pour l'affichage immédiat. Si votre Offer schema indique « in stock » et un prix compétitif, la réponse IA le montrera. Mais si un concurrent a un meilleur ratio prix/disponibilité/délai de livraison, ce dernier sera recommandé même si vos données structurées sont impeccables.

Les signaux cachés qui dépassent les rich results

L'autorité de domaine et l'historique de l'entité

Les modèles IA intègrent une représentation interne de l'autorité des domaines. Un site comme Amazon ou Cdiscount, indépendamment de ses rich results, bénéficie d'un poids structurel : il est connu, ses données historiques sont massives, les modèles l'ont vu recommandé des millions de fois. Un nouveau site avec d'excellents rich results mais aucun historique externe ne rattrapera pas cet avantage immédiatement.

Les mentions externes et les citations de marque

Quand un blog indépendant, un forum ou un média cite votre produit ou recommande votre marque sans lien, les modèles IA intègrent cette mention dans leur représentation de votre entité. Un concurrent mentionné 50 fois dans des contextes de recommandation sera favorisé, même s'il n'a pas investi dans les rich results.

La cohérence entre le contexte et la requête utilisateur

Si un utilisateur demande « meilleur laptop pour la programmation », un site avec un Product schema basique mais un contenu détaillé sur la programmation Python, les spécifications de CPU et la RAM sera recommandé avant un site avec un Product schema complet mais du contenu générique. Les IA cherchent la correspondance maximale entre l'intention et le contenu global.

Pourquoi Perplexity, ChatGPT et Gemini ne recommandent pas celui qui a les meilleures données

Les modèles optimisent pour la pertinence, pas pour la richesse des métadonnées

Les fonctions loss utilisées pour entraîner les LLM récompensent la pertinence et l'utilité, pas la présence de schémas structurés. Un modèle apprend à reconnaître un bon produit via le contenu environnant, les signaux de qualité externes et le langage naturel bien construit. L'absence de schéma JSON-LD n'est jamais une pénalité directe : c'est l'absence de contenu de qualité qui pénalise.

La diversité des sources dans la fenêtre de contexte

Perplexity et Claude incluent généralement plusieurs sources dans leur contexte. Si votre site est classé numéro 2 ou 3 mais que le numéro 1 a un meilleur contenu naturel, la recommandation ira au numéro 1. Même si vous avez le meilleur Product schema du secteur, vous restez dans la même catégorie de sources que les autres, sans avantage décisif.

Les patterns d'entraînement dépassent les données du moment

Les modèles génératives ont été entraînés sur des milliards de pages avant que le GEO (Generative Engine Optimization) ne soit un sujet. Leurs patterns internes sur ce qui est une "bonne source" pour les recommandations proviennent d'une époque où les rich results n'étaient pas une stratégie SEO. Bien que les modèles plus récents intègrent davantage les signaux techniques, ce biais historique persiste.

Comment convertir l'extraction de données en recommandation

1. Enrichir les rich results avec du contenu naturel connexe

N'installez pas vos rich results isolés. Autour de chaque Product schema, écrivez du contenu qui explique pourquoi ce produit est pertinent, ses avantages différenciants, ses cas d'usage. Si le modèle trouve votre schéma dans un contexte riche et cohérent, il sera plus enclin à le recommander. Exemple : si vous vendez un casque audio avec un Product schema, écrivez aussi une section sur l'acoustique, les types d'utilisation (sport, studio, voyage) et les comparaisons honnêtes avec les alternatives.

2. Structurer les Review schemas avec des justifications détaillées

Ne mettez pas seulement « 5 étoiles » dans vos Review schemas. Ajoutez un reviewBody descriptif qui justifie le rating. Phrase comme « Excellent rapport qualité-prix, batterie de 48h, très confortable pour les longues sessions » sera plus utile au modèle qu'une simple étoile numérique. Les IA extraient et citent ces textes d'avis : plus ils sont spécifiques, plus ils influencent la recommandation.

3. Construire une présence externe avec des mentions thématiques

Les rich results seuls ne suffisent pas : il faut des mentions externes pertinentes. Encouragez les blogs, les forums de niche, les influenceurs techniques à parler de votre produit. Répondez à des questions sur Reddit, Stack Overflow, Quora en recommandant (sobrement, sans spam) votre solution. Chaque mention externe renforce le signal que les IA intègrent dans leur recommandation finale.

4. Mettre en place des schémas d'autorité et d'attribution

Utilisez les schémas Organization et Author pour établir une entité forte et crédible. Un Author schema indique qui a écrit un avis ou un contenu ; un Organization schema indique votre légitimité, vos certifications, votre présence dans des annuaires. Ces signaux complètent les Product et Review schemas pour construire une image de confiance.

5. Optimiser l'Offer schema pour la comparaison

Dans votre Offer schema, remplissez tous les champs : price, priceCurrency, availability, seller, shippingDetails, hasMerchantReturnPolicy. Plus votre Offer est complet, plus les modèles IA peuvent le citer en détail et comparer avec d'autres. Un Offer minimal permet l'extraction, mais un Offer riche facilite la différenciation et la recommandation en votre faveur (si votre proposition est effectivement meilleure).

Les signaux qui pèsent plus que vos rich results

La qualité de la landing page

Une page produit rapide, mobile-friendly, avec une structure claire, des images haute qualité et du contenu unique pèse plus qu'un Product schema parfait sur une page lente et générique. Les IA évaluent l'expérience utilisateur implicitement : si votre site est frictionnel, même les meilleures métadonnées ne sauveront pas la recommandation.

Les backlinks et le maillage interne

Les liens externes vers votre produit, provenant de sites pertinents et autoritaires, restent l'un des signaux les plus forts. Un concurrent avec 10 backlinks d'autorité surpassera probablement un site avec des rich results impeccables mais sans liens externes.

Le contenu pérenne et original

Un guide complet, une FAQ détaillée, des tutoriels vidéo ou des case studies autour de votre produit font partie du contenu que les modèles IA valorisent pour la recommandation. Les rich results facilitent le parsing, mais le contenu crée la valeur perçue.

Stratégie complète pour dominer les recommandations IA

Étape 1 : Auditer vos rich results existants

Vérifiez que tous vos Product, Review et Offer schemas sont en place, valides et complets. Utilisez Google's Rich Results Test pour confirmer qu'il n'y a pas d'erreurs. Si vos rivaux n'ont pas ces schémas, c'est une première victoire : vous aurez au minimum l'avantage de l'affichage enrichi.

Étape 2 : Produire du contenu naturel spécialisé autour de chaque offre

Pour chaque produit majeur, créez une page avec du contenu pérenne : histoire du produit, usages, comparaisons honnêtes, FAQ, avis détaillés. Ce contenu doit être unique et répondre aux questions que les IA posent implicitement : "pourquoi ce produit plutôt qu'un autre ?".

Étape 3 : Multiplier les Review schemas authentiques

Encouragez les clients à laisser des avis détaillés. Importez ces avis dans des Review schemas structurés. Chaque avis devient une pièce de contenu que les modèles IA peuvent extraire et citer pour justifier une recommandation. 50 avis structurés de 4+ étoiles pèseront plus que n'importe quel contenu autoproduit.

Étape 4 : Construire une présence externe ciblée

Identifiez les forums, blogs de niche, youtubeurs et influenceurs pertinents pour votre secteur. Faites connaître votre produit sans spam agressif. Répondez aux questions sur Reddit ou Quora en recommandant votre solution quand c'est vraiment pertinent. Les mentions externes augmentent votre crédibilité aux yeux des modèles IA.

Étape 5 : Monitorer les recommandations IA et ajuster

Posez les mêmes questions à ChatGPT, Perplexity et Gemini que vos clients. Notez qui est recommandé et pourquoi. Si un concurrent vous devance malgré vos meilleurs rich results, analysez son contenu naturel, ses backlinks et sa présence externe. Adaptez votre stratégie pour combler ces lacunes.

Pièges courants à éviter

Ne pas supposer que les rich results suffisent

Beaucoup de sites installent des Product schemas parfaits puis s'attendent à des recommandations IA. C'est une fausse sécurité. Les rich results sont une condition nécessaire mais non suffisante. Ils facilitent l'extraction et l'affichage, mais ne garantissent pas la recommandation.

Ne pas négliger la cohérence entre schéma et contenu

Si votre Product schema indique un prix de 99€ mais votre page affiche 120€, ou si le Product schema mentionne une caractéristique absente du contenu, les modèles IA détecteront l'incohérence et penaliseront votre crédibilité.

Ne pas ignorer les Review schemas négatifs

S'il y a des avis structurés de 2 ou 3 étoiles avec des critiques fondées, les IA les verront et les mentionneront. Ne supprimez pas les avis négatifs dans vos schemas : au lieu de cela, répondez-y publiquement dans le contenu naturel pour montrer que vous prenez les retours au sérieux.

Ne pas spammer les mentions externes

Les tentatives de manipulation (faux avis sur d'autres sites, mentions payantes cachées, commentaires robots) seront détectées par les modèles IA modernes. Les mentions pertinentes et authentiques valent infiniment plus qu'une centaine de mentions suspectes.

L'avenir : l'intégration croissante des rich results dans les recommandations IA

Les modèles IA évolueront probablement vers une meilleure utilisation des schemas structurés, notamment pour les Product et Offer. À mesure que le GEO devient une pratique standard, les modèles apprendront à récompenser davantage les sites qui offrent des données structurées riches et cohérentes. Cela signifie que votre investissement dans les rich results d'aujourd'hui ne sera pas vain : il prépare votre site pour demain.

Cependant, cela n'éliminera pas la nécessité d'un contenu excellent, d'une présence externe et d'une autorité de domaine. Les rich results amplifieront ces facteurs, ils ne les remplacent pas.