GEO local : 3 leviers concrets pour apparaître dans les réponses des IA

Quand un utilisateur demande à ChatGPT, Perplexity, Claude ou Gemini de recommander un assureur, un coiffeur ou un restaurant dans une ville donnée, l’IA ne se contente pas de puiser dans ses connaissances d’entraînement. Elle interroge le web en temps réel, scrape des pages et construit une réponse à partir des sources récupérées.

Mais le passage d’une logique de liste (le SEO classique) à une logique de recommandation (le GEO) change la donne. « Avant, le SEO donnait une liste et c’était à l’utilisateur de choisir. En GEO, l’agent donne une réponse. On n’est pas là pour en chercher d’autres », a résumé Thibault Renouf, co-CEO de Partoo, lors d’une session à SMX Paris 2026 consacrée au GEO local, aux côtés d’Idriss Khouader (Meteoria) et Nicolas Bressy (Matmut).

Des données structurées et un store locator lisible par les IA

Les IA ne voient pas l’interface d’un site web. Elles ne perçoivent que de la donnée brute. « Une IA ne voit pas le bouton jaune, elle ne voit pas le CTA vert. Le seul truc qu’elle voit, c’est de la data », a illustré Thibault Renouf. Concrètement, des horaires écrits en texte libre (« du lundi au vendredi de 10h à 19h ») ne sont pas exploitables par un LLM, qui a besoin de métadonnées structurées pour identifier ce qui relève des horaires, de l’adresse ou des services proposés.

L’étude présentée, menée sur 15 000 prompts géolocalisés par Meteoria, confirme que les store locators (les pages « agence + ville » ou « magasin + ville ») constituent la première catégorie de sources utilisées par les IA pour répondre aux requêtes locales. Plus un store locator est bien structuré et riche en contenu (produits, FAQ, avis, informations pratiques…), plus il a de chances d’être scrapé. L’étude montre aussi que les LLM ajoutent souvent « 2026 » dans leurs query fan-outs : la fraîcheur du contenu (mises à jour régulières, actualités, promotions) favorise fortement le scraping.

Point technique relevé lors de la session : les textes des avis Google Maps ne sont pas directement lisibles par ChatGPT et la plupart des LLM, qui n’accèdent qu’à la note globale et au nombre d’avis. Intégrer les verbatims d’avis directement dans les pages du store locator, sous forme de blocs de texte balisés, permet de rendre cette information accessible aux IA. Une information qu’elles affectionnent particulièrement.

Omniprésence : multiplier les mentions pour renforcer l’entité

Les IA ne raisonnent pas en sites web mais en entités : une compréhension structurée d’une entreprise, d’un lieu ou d’une personne, avec des attributs (adresse, horaires, services, avis) et des relations avec d’autres entités. « Un site web, c’est les backlinks. Une entité, c’est les mentions », a résumé Thibault Renouf. Plus une entité est mentionnée de manière cohérente sur de multiples sources, plus le signal envoyé aux IA est fort.

Les intervenants ont mis en évidence le rôle inattendu des annuaires dans ce processus. Des plateformes comme Mappy, 118 000, Petit Futé ou Pages Jaunes, dont la fréquentation humaine directe est en déclin depuis des années, sont massivement scrapées par les IA pour les requêtes locales. La cohérence des informations entre le site de la marque, les fiches Google, les annuaires et les réseaux sociaux devient un facteur déterminant de visibilité dans les réponses générées.

Les comparateurs sont également une source privilégiée. En scrapant une seule page de comparateur, le LLM récupère les informations de dizaines de marques simultanément, ce qui réduit son coût de traitement. Comme le souligne Idriss Khouader, les sources sélectionnées varient considérablement d’un LLM à l’autre, ce qui renforce l’intérêt d’être présent sur un maximum de plateformes.

Les avis en ligne définissent ce que les IA pensent d’une marque

Le troisième levier identifié concerne les avis clients, dont le rôle dépasse désormais la simple preuve sociale vis-à-vis des consommateurs. « Les avis définissent ce que les IA pensent de vous », a martelé Thibault Renouf. Les LLM utilisent les avis (notes, volumes, contenus) pour évaluer la qualité d’un point de vente et orienter leurs recommandations. Si un restaurant a reçu un avis mentionnant un problème d’hygiène il y a trois ans, cette information peut resurgir dans une réponse générée, même si aucun utilisateur humain ne serait allé relire un avis aussi ancien.

Les fonctionnalités de comparaison par avis, déjà en test aux États-Unis, vont amplifier cette tendance. L’utilisateur ou l’utilisatrice pourra sélectionner plusieurs établissements, décrire ses critères et laisser l’IA analyser les milliers d’avis pour formuler une recommandation personnalisée. « Vous pouvez imaginer que l’IA va lire les milliers d’avis et dire « tu devrais aller chez celui-là parce que celui-là, apparemment, c’est des arnaqueurs » », a anticipé Thibault Renouf. Dans ce contexte, la gestion active des avis (collecte, réponse systématique, traitement des avis négatifs) ne relève plus seulement de la e-réputation, elle conditionne directement la visibilité dans les réponses des IA. Une dimension supplémentaire dans l’évolution en cours du référencement de proximité.