Cet article est la suite opérationnelle de notre introduction SEO défensif : reprenez le contrôle de ce que l’IA raconte sur vous. Si vous ne l’avez pas encore lu, commencez par là. Il pose le diagnostic. Celui-ci dit comment agir.
Notre protocole en quelques mots :
- Identifier les risques,
- Construire les requêtes à tester,
- Tester les moteurs,
- Scorer les réponses,
- Retrouver les sources,
- Appliquer les modifications.
Un LLM peut décrire votre offre de façon inexacte, vous associer à un positionnement que vous avez abandonné il y a deux ans ou citer un concurrent à votre place sur une requête que vous devriez occuper, et vous ne le saurez pas. Aucune alerte dans votre Google Search Console, aucune variation de trafic visible. Silence radio..
Le SEO défensif dans un contexte GEO ne consiste pas à surveiller vos positions dans les résultats classiques de Google ou autres moteurs de recherche. Il consiste à surveiller ce que les modèles de langage (ChatGPT, Perplexity, Gemini, Copilot…) construisent sur votre entreprise, et à corriger les sources qui alimentent ces réponses avant qu’elles orientent des décisions d’achat à votre insu. Sans cette photo de départ, impossible de savoir où agir en premier.
Ce guide vous donne un protocole reproductible pour faire exactement ça : cartographier vos zones de risque, tester les bons LLMs avec les bonnes requêtes, scorer les résultats et identifier où agir en priorité. Pas d’outil payant, pas d’usine à gaz… juste un tableur et de la méthode.
1. Avant de monitorer : cartographier ses zones de risque
Monitorer sans avoir identifié ses zones de risque, c’est tester au hasard. La première étape est donc un travail de cartographie rapide, pas un audit complet, juste une grille de lecture pour savoir où concentrer l’effort.
Les 3 types d’hallucinations à surveiller
| Type | Ce que le LLM fait | Exemple concret |
|---|---|---|
| Factuelle | Invente ou déforme un fait sur votre marque | Date de création erronée ou fondateur fictif |
| Service | Décrit une offre que vous ne proposez pas ou plus | Ancienne prestation ou tarif inventé |
| Attribution | Vous associe à un positionnement inexact | « Spécialiste de [X] » alors que vous avez pivoté |
Ces trois types ne se corrigent pas de la même façon. Prenez le temps de les distinguer dès maintenant, car le reste du protocole en dépend directement.
La matrice de scoring rapide
Pour chaque zone de votre marque (identité, offres, positionnement, concurrence, réputation), évaluez 3 critères sur une échelle simple “faible / moyen / élevé” :
- Fréquence de citation probable : votre secteur est-il souvent interrogé dans les LLMs ?
- Niveau de conséquence business : une erreur sur cette zone coûte-t-elle des leads, de la crédibilité, des ventes ?
- Volume d’informations fiables disponibles sur vous : les modèles ont-ils de quoi répondre correctement ou comblent-ils un vide ?
Ce troisième critère est souvent le plus révélateur. Quand un LLM manque d’informations sur une entité, il ne dit pas « je ne sais pas ». Il génère la réponse statistiquement la plus plausible à partir de contextes similaires. Les chercheurs d’Ysquare Technology appellent ce phénomène le « similarity trap » : le modèle n’invente pas vraiment, il extrapole à partir de ce qu’il connaît. (Source : Entity Hallucination in AI: What It Is & 5 Proven Fixes for 2026, Ysquare Technology, 07/04/2026)
Résultat attendu : 3 à 5 zones prioritaires à surveiller en premier. Pas besoin de tout tester d’emblée.
2. Construire son corpus de requêtes à tester
La qualité du monitoring dépend presque entièrement des questions posées. Une étape à ne surtout pas zapper, car elle est généralement déterminante.
Taper son nom de marque : le test qui ne teste rien
Taper directement « [votre marque] » dans ChatGPT, c’est tester la notoriété brute, pas la visibilité réelle dans les parcours d’achat. En réalité, vos prospects se proccupent peu de votre nom. Ils posent une question sur leur problème et voient qui répond à leur place.
Un responsable marketing ne tape pas « Semjuice » dans un moteur de recherche conversationnel, mais plutôt « quelle agence SEO pour une PME sans équipe dédiée » ou « comment auditer mon référencement sans ressources internes ». Les réponses des LLMs orientent les décisions, avant même qu’une requête Google ne soit formulée. À vous de savoir si vous y existez, et comment on vous décrit.
Les 4 familles de requêtes à construire
| Famille | Intention | Exemple de prompt |
|---|---|---|
| Identité | Qui êtes-vous selon les LLM ? | « Qui est [marque] ? » / « Que fait [marque] ? » |
| Offre | Comment décrivent-ils vos services ? | « Que propose [marque] en matière de [service] ? » |
| Comparatif | Où vous situent-ils par rapport à vos concurrents ? | « Quelle différence entre [marque] et [concurrent] ? » |
| Réputation | Quelle image renvoient-ils ? | « Est-ce que [marque] est recommandée pour [usage] ? » |
| Non brandée | Votre marque est-elle citée ? | « Quelles entreprises proposent [service] ? » |
Testez au moins deux formulations par thématique. Une même intention exprimée différemment peut produire des réponses très différentes, parce que les LLMs ne répondent pas à un mot-clé, ils répondent à un contexte sémantique. Nous détaillons ce mécanisme dans notre guide d’audit de visibilité IA en 90 minutes.
Astuce : demandez au LLM de générer vos requêtes
Avant de tester, utilisez ce prompt de départ :
« Pour le secteur [X], génère 5 questions qu’un décideur pourrait poser sur [thématique], en couvrant des intentions informationnelles, comparatives et transactionnelles. »
Les formulations obtenues sont proches de ce que vos prospects utilisent réellement. Et si elles ne correspondent pas à votre positionnement, c’est déjà une information utile : le modèle ne vous « voit » peut-être pas là où vous pensez être.
Volume cible : 20 à 30 requêtes, sur 2 à 3 univers métier maximum pour ce premier passage.
3. Le protocole de test pas à pas
La navigation privée est non-négociable
Ouvrez une fenêtre de navigation privée et déconnectez-vous de tous vos comptes. Utilisez également une nouvelle conversation (ou bien temporaire), en désactivant la mémoire. Un LLM connecté à votre profil a potentiellement été influencé par vos échanges précédents, et vous ne testeriez plus la visibilité de votre marque, vous testeriez ce que vous voyez. Ce n’est pas la même chose.
Notez aussi la date, la langue et la version du modèle utilisé. Ne faites pas l’impasse sur ces variables qui peuvent faire varier les réponses d’une session à l’autre, car vous en aurez besoin pour comparer les résultats dans le temps.
Les 4 LLMs, 4 bonnes raisons de les tester
| LLM | Logique de fonctionnement | Ce qu’il révèle |
|---|---|---|
| ChatGPT (OpenAI) | Base d’entraînement + navigation web selon l’abonnement | Votre présence dans les données massives du web |
| Gemini (Google) | Recherche hybride + entraînement | Recoupement direct avec votre SEO classique |
| Claude (Anthropic) | Base d’entraînement, avec moins de données web en temps réel | Ce que les sources textuelles « froides » disent de vous |
| Perplexity | Orienté vers les sources web en temps réel | Vos sources actuelles, citées explicitement |
Perplexity est sans conteste le bon élève du monitoring de marque, car il cite toujours ses sources. Vous pouvez donc identifier directement quels contenus alimentent les réponses sur votre entreprise, ce qu’aucun autre LLM ne vous donne aussi clairement.
Ce qu’on note pour chaque réponse
Pour chaque test, renseignez les éléments suivants dans votre tableur :
- Description de la marque : exacte / approximative / fausse
- Offres citées : complètes / incomplètes / inexistantes / inventées
- Positionnement associé : correct / décalé / erroné
- Concurrents cités : lesquels, dans quel contexte
- Hallucination détectée : oui / non, et si oui, de quel type
- Source apparente : si identifiable, notamment via Perplexity
Durée estimée : 45 minutes pour le premier passage, 20 à 30 minutes pour les sessions suivantes, une fois le tableur en place.
4. Scorer chaque résultat : la grille de risque
Une fois les tests réalisés, il faut transformer les observations en données exploitables. L’objectif n’est pas de produire un rapport exhaustif, mais d’identifier rapidement où agir en priorité.
La grille à 3 niveaux
Pour chaque LLM et chaque zone thématique, attribuez un niveau :
- 🟢 Correct et complet : le LLM vous décrit fidèlement
- 🟡 Approximatif ou incomplet : des éléments manquent ou sont légèrement déformés
- 🔴 Faux : erreur franche
- 🟣 Absent : Vous n’apparaissez pas.
Calculez ensuite un score global par LLM (combien de 🔴 sur l’ensemble des tests ?) et un score global par zone thématique (votre offre est-elle mieux décrite que votre positionnement ?).
Le seuil d’alerte
Dès que vous obtenez 2 🔴 ou plus sur une même zone, considérez-la comme prioritaire. Une erreur isolée peut être une variation ponctuelle. Deux erreurs sur la même thématique ? Là, il ne s’agit plus de hasard, il faut agir.
Distinguer absence et erreur : les leviers ne sont pas les mêmes
C’est le point le plus important de cette étape. Et pourtant, c’est celui qu’on oublie le plus souvent.
Une absence signifie que le LLM ne vous connaît pas ou ne vous trouve pas sur ce sujet. Le problème est un vide informationnel, et le levier est de produire et distribuer du contenu.
Une erreur signifie que le LLM vous connaît mais dit quelque chose de faux. Le problème est une source incorrecte qui circule, et le levier est d’identifier et corriger cette source.
En confondant les deux, vous risquez d’appliquer le mauvais remède. Search Engine Land le formule clairement dans son guide dédié : l’audit des réponses IA doit distinguer ce qui relève d’un manque de données de ce qui relève d’une donnée erronée, car les actions correctives n’ont rien à voir. (Source : How to identify and fix AI hallucinations about your brand, Search Engine Land, 17/12/2025)
5. Identifier les sources à corriger
D’où vient l’erreur : base d’entraînement ou RAG temps réel ?
Cette distinction conditionne le délai de correction, et donc l’ordre dans lequel vous agissez.
Quand l’erreur vient de la base d’entraînement, elle est ancrée dans des données intégrées lors de l’entraînement du modèle. La correction prend du temps, car il faut que de nouvelles sources fiables circulent suffisamment pour influencer les prochaines versions. Quand elle vient du RAG temps réel (Retrieval-Augmented Generation), le LLM s’appuie sur des sources web actuelles pour construire sa réponse, et la correction peut être visible en quelques semaines si vous mettez à jour la source concernée.
Perplexity et Gemini en mode Search fonctionnent principalement en RAG. ChatGPT sans navigation et Claude fonctionnent davantage sur base d’entraînement. Les mêmes erreurs ne se corrigent donc pas au même rythme selon le modèle concerné.
Les 4 types de sources à auditer en priorité
1. Pages institutionnelles de votre site
Page d’accueil, page À propos, pages services. Ce sont les premières sources que les LLMs connectés au web consultent. Étant donné qu’un contenu ambigu ou obsolète à cet endroit se retrouve amplifié dans les réponses des modèles, vérifiez que votre nom, votre description, votre secteur et vos offres y sont formulés de façon claire et à jour.
2. Earned media et presse
Les publications qui vous décrivent (interviews, tribunes, articles de fond dans des médias sectoriels) sont souvent la vraie source des réponses LLM sur votre marque. Un article de 2021 qui vous présente comme « spécialiste du netlinking » peut encore alimenter des réponses aujourd’hui si rien ne l’a supplanté dans les données d’entraînement.
3. Plateformes d’avis et annuaires spécialisés
G2, Trustpilot, Capterra, annuaires sectoriels. Ces sources sont fréquemment mobilisées par les LLMs pour construire des réponses sur la réputation et les usages d’une entreprise. Vérifiez que vos fiches y sont complètes, à jour et cohérentes avec votre positionnement actuel.
4. Les « sources zombies »
Ce sont des contenus anciens, obsolètes, qui continuent de circuler dans les données d’entraînement ou dans les résultats de recherche. Ils décrivent une version de votre entreprise qui n’existe plus, et les LLMs les lisent comme n’importe quelle autre source.
Pour les identifier, faites une recherche Google sur votre nom de marque avec un filtre de date (avant une certaine année) et croisez les résultats avec vos informations actuelles. Tout ce qui est factuellement dépassé est une source zombie potentielle. Vous pouvez ensuite contacter l’éditeur pour demander une mise à jour, demander la désindexation si le contenu est entièrement obsolète, ou produire du contenu récent et bien structuré qui supplante la source dans les résultats.
6. Renforcer son autorité sémantique et ses preuves de marque
Les critères des modèles pour valider une entité
Les LLMs ne classent pas des pages, ils construisent des réponses à partir de ce qu’ils savent sur des entités. Plus votre entreprise est documentée de façon cohérente et recoupée sur plusieurs sources, moins les modèles ont de raisons d’improviser. C’est un principe simple, mais ses implications sont concrètes.
Search Engine Land le formule ainsi : “Renforcez les faits exacts sur votre marque dans les données du Knowledge Graph afin de corriger les hallucinations IA et de protéger la crédibilité de votre marque « (Source : How to identify and fix AI hallucinations about your brand, Search Engine Land, 17/12/2025)
Les 4 leviers techniques à vérifier
1. Schema.org Organization bien renseigné
Le balisage structuré sur votre site est l’un des signaux les plus directs pour les LLMs connectés au web. Vérifiez que votre markup Organization (ou LocalBusiness) contient : nom légal exact, date de création, secteur d’activité, description, dirigeants, adresse, URL officielle.
2. llms.txt à la racine
Ce fichier permet d’indiquer aux modèles de langage quelles pages de votre site sont les plus fiables et prioritaires. Son adoption est encore récente, mais croissante, et c’est un signal de cohérence que les modèles les plus récents commencent à prendre en compte.
Cependant, attention : Google affirme ne pas l’utiliser, pourtant, le fichier existe et fluidifie la lecture des bots !
3. sameAs : relier votre entité à des sources tierces
La propriété sameAs dans votre Schema.org permet de lier votre entité à Wikipedia, Wikidata, LinkedIn, Crunchbase ou tout autre référentiel reconnu. C’est le signal le plus transversal : il dit aux LLMs « cette entité est la même que celle référencée ici et là ». Plus les recoupements sont nombreux, plus l’entité est considérée comme fiable.
4. Cohérence nom / description / secteur sur tous les canaux
Votre nom de marque, votre description courte et votre secteur doivent être formulés de façon identique partout : site, LinkedIn, Google Business Profile, annuaires, plateformes d’avis. Une variation de formulation entre deux sources peut suffire à créer une ambiguïté dans les données d’entraînement.
Les preuves de marque offsite
Au-delà du technique, les LLMs cherchent des preuves de marque pour valider une entité. Il peut s’agir de mentions dans des articles tiers, de co-citations avec d’autres acteurs reconnus du secteur ou de pages auteur sur des médias spécialisés.
Ysquare Technology le formule clairement dans son analyse du Knowledge Graph Grounding : « Quand une entité n’existe pas dans le knowledge graph, la requête renvoie un résultat vide. Pas une hallucination. Le système reconnaît qu’il ne sait pas, plutôt que d’inventer une réponse. » (Source : Entity Hallucination in AI: What It Is & 5 Proven Fixes for 2026, Ysquare Technology, 07/04/2026)
Une marque bien ancrée dans l’écosystème informationnel ne laisse pas de vide à combler. C’est exactement la logique du netlinking qualitatif appliquée à un nouveau contexte : En GEO, un lien depuis un article comparatif bien structuré vaut infiniment plus qu’une dizaine de liens depuis des annuaires génériques.
Pour approfondir ce point : Netlinking et LLMs : ce que les modèles de langage lisent dans vos backlinks.
7. Quelle fréquence de monitoring ?
Un test unique ne vaut rien. La vraie valeur vient de la répétition et de votre capacité à comparer les sessions entre elles.
Avec les mises à jour des modèles, les nouvelles sources intégrées et les changements de comportement sur certaines requêtes, les LLMs évoluent en permanence. Une réponse obtenue aujourd’hui peut être différente dans six semaines, même si votre situation n’a pas changé. Et l’inverse est aussi vrai ! Une correction que vous avez apportée peut ne pas encore être visible. Patience.
Tableau de fréquence recommandée
| Situation | Fréquence recommandée |
| Première mise en place | Immédiat + J+30 |
| Marque stable, peu d’actualité | Toutes les 6 semaines |
| Repositionnement ou lancement produit en cours | Toutes les 3 semaines |
| Après une action corrective | J+15 puis J+45 |
| Crise réputationnelle détectée | Hebdomadaire jusqu’à résolution |
Les points à comparer entre deux sessions
L’intérêt du monitoring dans le temps, est de pouvoir observer des tendances. Est-ce que le score d’une zone évolue de 🔴 vers 🟡 après une action corrective ? Est-ce qu’un concurrent apparaît de plus en plus souvent à votre place sur vos requêtes prioritaires ? Est-ce que Perplexity cite toujours la même source zombie, ou a-t-elle disparu ?
Sur les audits GEO que nous menons chez Semjuice, les tests sont répétés sur plusieurs dates distinctes au sein d’une même période. Loin d’être un luxe méthodologique, c’est la condition sine qua non pour distinguer une tendance réelle d’une variation ponctuelle. Un seul passage ne dit rien. Trois passages sur six semaines commencent à dire quelque chose.
Les limites de ce protocole
Ce guide vous donne une base structurée pour surveiller ce que les modèles de langage construisent sur votre entreprise et pour agir dans le bon ordre quand quelque chose cloche. C’est un point de départ solide, pas un audit expert.
Un audit GEO en bonne et due forme va plus loin : corpus de 57 à 192 réponses testées sur plusieurs dates, analyse des causes on-site et off-site, identification des univers sémantiques prioritaires, lecture qualitative des réponses, plan d’action priorisé et suivi dans le temps.
Vos résultats vous laissent perplexe ? Vous sentez qu’il y a plus à creuser que ce que ce guide peut vous montrer ? Nos équipes prennent le relais, du diagnostic complet jusqu’à l’accompagnement dans la durée.
