Recherche Scientifique GEO 2026
Cartographie des preuves peer-reviewed pour l’optimisation des citations IA. Cette page agrège les analyses issues de deux études arXiv majeures — Chen et al. 2025 (Université de Toronto) et Zhang, He & Yao 2026 — qui fondent la méthodologie CapstonAI.
Nouveau dans le lab
Chaque étude analysée reçoit une ligne datée ici et une page d’analyse dédiée en français et en anglais. La plus récente en premier.
| Date | Étude | Résultat en une ligne | Analyse |
|---|---|---|---|
| 2026 | Martinez, arXiv:2607.14035 — revue critique, 45 études | Les effets GEO prouvés sont conditionnels au contexte ; aucune technique examinée ne montre d’effet stable inter-plateformes sur la découvrabilité organique | L’audit des preuves GEO |
| 2026 | Kumar, arXiv:2606.20065 — mesure à grande échelle, 102 000 réponses | Seules 2,9 % des citations pointent vers le domaine de la marque ; la visibilité se répartit par notoriété en paliers de 72,9 / 43,6 / 11,4 % | La visibilité des marques dans l’IA |
| 2026 | Tian et al., arXiv:2603.09296 | Réparations ciblées : +40 % de citations en relatif en ne modifiant que 5 % du contenu | Réparation des échecs de citation |
| 2026 | Kim et al. (Yonsei), SAGEO Arena, arXiv:2602.12187 | Le GEO naïf dégrade souvent le retrieval ; l’information structurelle limite la casse | SAGEO Arena & GEO structurel |
| 2024 | Aggarwal et al., KDD’24, arXiv:2311.09735 | Jusqu’à +40 % de visibilité en banc d’essai ; citations et statistiques battent le bourrage de mots-clés | Benchmark GEO |
Ces résultats fondent nos outils gratuits, et les changements de chaque semaine sont suivis dans la Veille IA.
Étude Zhang, He & Yao 2026 — Les 5 analyses FR
arXiv:2604.25707 — 23 745 enregistrements de citations, framework Citation Selection vs Citation Absorption
| Analyse | Résultat clé | Uplift |
|---|---|---|
| Citation Selection vs Absorption | Être cité ≠ être utilisé — 2 métriques à optimiser séparément | Framework fondateur |
| Hypothèse Evidence-Container | Pages avec 3+ genres d’evidence = top quartile | Top quartile |
| Format Q&A N’améliore PAS le GEO | Format Q&A = -5.74% mean influence | -5.74% |
| GEO Influence Score — Méthodologie | Mean influence 0.0947–0.2713 selon la source | Score défendable CFO |
| Genres de Preuves Classés | Code +76.88%, stats +61.55%, définitions +57.33% | +41% à +77% |
Étude Chen et al. 2025 — University of Toronto
arXiv:2509.08919 — 10 moteurs IA, 6 verticals, 10 langues, 40 brands testées
| Analyse | Résultat clé |
|---|---|
| Citation Selection vs Absorption | Jaccard overlap inter-engines 0.10–0.25 : 75–90% des sources diffèrent |
| Multi-Engine Domain Diversity | ChatGPT 60–68% domaines exclusifs vs Perplexity 16.35 sources/prompt |
| Cross-Language GEO Stability | Claude réutilise sources EN cross-langue ; ChatGPT : swap total |
| Big Brand Bias in AI Search | Major brands 62.2% des citations vs niche brands 9.0% |
Les 5 résultats qui changent votre stratégie GEO
- Format Q&A = -5.74% d’influence — Convertir tout en FAQ a dégradé votre GEO. Solution : evidence containers avec 3–5 genres de preuves.
- 75–90% des sources diffèrent entre ChatGPT et Perplexity — Une stratégie “AI Search” monolithique est statistiquement absurde. Chaque moteur requiert une allocation distincte.
- Code = +76.88% d’influence — Le genre d’evidence le plus puissant. Suivi par stats +61.55%, définitions +57.33%, comparaisons +55.28%, how-to +41.20%.
- Big brand bias : 62.2% vs 9.0% — Les niche brands ne peuvent pas gagner sur les broad categories. Stratégie : 5–10 niches dominables.
- Claude réutilise les sources EN cross-langue — Un investissement en autorité anglophone compound sur tous les marchés pour Claude.
Méthodologie CapstonAI
- Prompt panel 30 requêtes — Citation rate mesuré sur ChatGPT, Perplexity, Claude, Gemini simultanément
- Influence Score traçable — Basé sur Zhang et al. 2026, équation (2)
- Evidence Container Audit — Identifier et transformer les pages FAQ sous-performantes
- Multi-Engine Budget Matrix — Allocations optimisées par buyer persona
- Re-baseline trimestriel — Les préférences de sources des engines dérivent
→ Scan CapstonAI gratuit — Mesurez votre citation rate sur les 4 engines en 48h.
Sources académiques
- Chen et al. 2025 — arXiv:2509.08919 — Université de Toronto
- Zhang, He & Yao 2026 — arXiv:2604.25707
- CapstonAI Q1 2026 — Données cohort partners (N=47 brands, 6 verticals)
Dernière mise à jour : mai 2026. Données peer-reviewed, reproductibles et citables.
Liste de lecture étendue (vérifiée sur arXiv)
- Martinez (2026), Optimizing Visibility in Generative Engines : revue critique du GEO (2023–2026) — arXiv:2607.14035
- Liu & Xu (2026), Think Before Writing — arXiv:2604.19113
- Yuan et al. (2026), AgenticGEO — arXiv:2603.20213
- Yu et al. (2026), Structural Feature Engineering for GEO — arXiv:2603.29979
- Qiao et al., LLM-based Listwise Reranking under Positional Bias — arXiv:2604.03642
- Kumar & Lakkaraju (2024), Manipulating LLMs to Increase Product Visibility — arXiv:2404.07981
- Wan, Wallace & Klein (2024), What Evidence Do Language Models Find Convincing? — arXiv:2402.11782
Testez ces résultats sur votre propre site
La recherche vous dit comment les moteurs IA se comportent en général. Elle ne peut pas vous dire s’ils vous citent. L’audit gratuit CapstonAI transforme ces résultats en vos chiffres : mentions, citations et écarts par moteur, sur les vraies questions d’achat de votre marché.
Lancer l’audit gratuit →
Ou vérifiez la structure d’une page avec l’extension Chrome gratuite
