{"id":23776,"date":"2026-05-19T18:06:04","date_gmt":"2026-05-19T18:06:04","guid":{"rendered":"https:\/\/capston.ai\/citation-selection-vs-absorption\/"},"modified":"2026-05-19T18:45:25","modified_gmt":"2026-05-19T18:45:25","slug":"citation-selection-vs-absorption","status":"publish","type":"page","link":"https:\/\/capston.ai\/fr\/citation-selection-vs-absorption\/","title":{"rendered":"Citation Selection vs Citation Absorption : Le framework GEO en 2 couches (Zhang, He & Yao, 2026)"},"content":{"rendered":"

Citation Selection vs Citation Absorption : Le framework GEO en 2 couches (Zhang, He & Yao, 2026)<\/h2>\n

L\u2019\u00e9tude de Zhang, He & Yao (arXiv:2604.25707, 2026) propose le framework GEO<\/a> le plus rigoureux publi\u00e9 \u00e0 ce jour : s\u00e9parer la s\u00e9lection de citation<\/em> (la plateforme choisit votre source) de l\u2019absorption de citation<\/em> (la source nourrit r\u00e9ellement la r\u00e9ponse g\u00e9n\u00e9r\u00e9e). Analyse de 602 prompts contr\u00f4l\u00e9s, 21 143 citations valides, 23 745 enregistrements de features au niveau citation, et 18 151 pages fetch\u00e9es sur ChatGPT, Google AI Overview\/Gemini, et Perplexity<\/a>. Le r\u00e9sultat principal : citation breadth et citation depth divergent sharply. Ci-dessous : le framework complet, les chiffres exacts du cohort, et le playbook en 8 \u00e9tapes pour mesurer les deux couches dans votre stack.<\/strong><\/p>\n

TL;DR :<\/strong> Le GEO se d\u00e9compose en 2 couches mesurables s\u00e9par\u00e9ment. Couche 1 (Selection) : \u00eatre choisi comme source candidate \u2014 gated par autorit\u00e9, langue, type de domaine. Couche 2 (Absorption) : fa\u00e7onner r\u00e9ellement la r\u00e9ponse \u2014 gated par alignement s\u00e9mantique, structure modulaire, densit\u00e9 d\u2019evidence. ChatGPT cite peu (6.88 sources\/prompt) mais profond (0.2713 influence). Perplexity cite large (16.35) mais peu profond (0.0646). Optimisez les deux couches s\u00e9par\u00e9ment.<\/p>\n

Scan CapstonAI gratuit \u2192<\/a> \u00a0\u00a0 Hub Recherche GEO<\/a><\/p>\n

Les chiffres du dataset geo-citation-lab<\/h2>\n\n\n\n\n\n\n\n
Plateforme<\/th>\nPrompts triggered<\/th>\nTrigger rate<\/th>\nMean citations<\/th>\nMedian citations<\/th>\nMean influence (fetched)<\/th>\n<\/tr>\n<\/thead>\n
ChatGPT<\/td>\n579 \/ 587<\/td>\n98.64%<\/td>\n6.88<\/td>\n6<\/td>\n0.2713<\/td>\n<\/tr>\n
Google AI Overview<\/a> \/ Gemini<\/td>\n600 \/ 602<\/td>\n99.67%<\/td>\n12.06<\/td>\n12<\/td>\n0.0584<\/td>\n<\/tr>\n
Perplexity<\/td>\n602 \/ 602<\/td>\n100.00%<\/td>\n16.35<\/td>\n17<\/td>\n0.0646<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Source : Zhang, He & Yao, 2026, \u00a76. Mean influence = score composite combinant ref_count, position, paragraph_coverage, TF-IDF cosine, et n-gram overlap.<\/em><\/p>\n

Pourquoi la s\u00e9paration des 2 couches change le GEO<\/h2>\n

Avant ce framework, le GEO \u00e9tait mesur\u00e9 comme un \u00e9v\u00e9nement unique : \u00ab\u00a0ma page est-elle cit\u00e9e ?\u00a0\u00bb. Ce binaire masque l\u2019essentiel. Une page peut \u00eatre cit\u00e9e comme r\u00e9f\u00e9rence faible (1 ligne en bas, ignor\u00e9e par l\u2019utilisateur) ou comme socle factuel (utilis\u00e9e pour 3 paragraphes, d\u00e9terminante dans la r\u00e9ponse). Le score d\u2019influence composite de Zhang et al. quantifie cette diff\u00e9rence.<\/p>\n

Cons\u00e9quence strat\u00e9gique : la fonction objectif du GEO n\u2019est plus unidimensionnelle. Selon votre objectif business, vous optimisez diff\u00e9remment. Pour l\u2019attribution de trafic r\u00e9f\u00e9rent : maximiser la breadth (Perplexity-like). Pour le pouvoir de fa\u00e7onner la r\u00e9ponse : maximiser la depth (ChatGPT-like). Pour la couverture publicitaire \/ share-of-voice : maximiser les deux. Un seul KPI \u00ab\u00a0citation rate\u00a0\u00bb perd toute l\u2019information.<\/p>\n

Le playbook en 8 \u00e9tapes pour mesurer les 2 couches<\/h2>\n
    \n
  1. \u00c9tape 1 : Construire le panel de prompts de r\u00e9f\u00e9rence.<\/strong> 30-50 prompts repr\u00e9sentatifs de votre vertical, \u00e9quilibr\u00e9s entre informational, consideration, transactional, et comparison. Inclure des paraphrase variants. Locker le panel pour permettre la comparaison week-over-week.<\/li>\n
  2. \u00c9tape 2 : Mesurer la couche Selection (Citation breadth).<\/strong> Pour chaque plateforme, compter : (a) trigger rate (% de prompts qui d\u00e9clenchent une recherche), (b) citations moyennes par prompt, (c) % de prompts o\u00f9 votre brand appara\u00eet au moins une fois, (d) part de citations par type de domaine (Brand\/Earned\/Social).<\/li>\n
  3. \u00c9tape 3 : Mesurer la couche Absorption (Citation depth).<\/strong> Pour chaque page cit\u00e9e fetch\u00e9e avec succ\u00e8s, calculer le score d\u2019influence : 0.20\u00b7min(ref_count\/3,1) + 0.15\u00b7(1-first_position_ratio) + 0.20\u00b7paragraph_coverage + 0.25\u00b7TF-IDF cosine + 0.20\u00b7(bigram + trigram overlap)\/2. Moyenner par page, par domaine, par plateforme.<\/li>\n
  4. \u00c9tape 4 : S\u00e9parer les KPI Selection et Absorption dans votre reporting.<\/strong> Le tableau de bord doit montrer 2 colonnes par plateforme : citation rate (Selection) et mean influence (Absorption). Sans cette s\u00e9paration, les agences et CMO confondent le bruit de la profondeur.<\/li>\n
  5. \u00c9tape 5 : Optimiser chaque couche avec les bons leviers.<\/strong> Selection : autorit\u00e9 (DR), notori\u00e9t\u00e9 de domaine, type de domaine adapt\u00e9 \u00e0 la plateforme, langue de la page, fra\u00eecheur. Absorption : alignement s\u00e9mantique avec le prompt, structure modulaire (headings, paragraphes th\u00e9matiques), densit\u00e9 d\u2019evidence (d\u00e9finitions, chiffres, comparaisons, proc\u00e9dures).<\/li>\n
  6. \u00c9tape 6 : Choisir la fonction objectif selon votre business.<\/strong> SaaS B2B avec funnel attribution : prioriser Absorption (ChatGPT-style). E-commerce avec attribution trafic r\u00e9f\u00e9rent : prioriser Selection (Perplexity-style). Brand pure-play : maximiser les deux avec diff\u00e9rentes pages sp\u00e9cialis\u00e9es.<\/li>\n
  7. \u00c9tape 7 : Tracker les domaines high-absorption dans votre vertical.<\/strong> Le dataset Zhang et al. liste les domaines absorb\u00e9s en profondeur (encyclopedia: 0.2144 mean influence). Identifier les 5-10 domaines high-absorption de votre vertical et y investir prioritairement votre PR.<\/li>\n
  8. \u00c9tape 8 : Re-baseliner trimestriellement.<\/strong> Les plateformes \u00e9voluent. Les chiffres ChatGPT 6.88 \/ Perplexity 16.35 sont la photographie de fin 2025-d\u00e9but 2026. Re-runner le panel chaque trimestre. Loguer le mod\u00e8le version, l\u2019UI mode, et la fen\u00eatre de collecte.<\/li>\n<\/ol>\n

    Selection vs Absorption : les implications par plateforme<\/h2>\n\n\n\n\n\n\n\n
    Plateforme<\/th>\nProfil Selection<\/th>\nProfil Absorption<\/th>\nStrat\u00e9gie recommand\u00e9e<\/th>\n<\/tr>\n<\/thead>\n
    ChatGPT<\/td>\nCitation-sparse (6.88 moy)<\/td>\nAbsorption-heavy (0.2713)<\/td>\nCibler les 5-10 sources high-influence de votre vertical. Chaque slot compte.<\/td>\n<\/tr>\n
    Google AI Overview \/ Gemini<\/td>\nCitation-broad (12.06 moy)<\/td>\nAbsorption-moyenne (0.0584)<\/td>\nMix breadth + depth. Investir Wikipedia + tier-1 publications.<\/td>\n<\/tr>\n
    Perplexity<\/td>\nCitation-rich (16.35 moy)<\/td>\nAbsorption-faible\/moyenne (0.0646)<\/td>\nMaximiser breadth via YouTube, Reddit, et publications longue-tra\u00eene.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    Le pi\u00e8ge de la m\u00e9trique unique<\/h2>\n

    Un dashboard qui ne montre que \u00ab\u00a0citation count\u00a0\u00bb total commet une erreur structurelle. Si votre brand passe de 8% \u00e0 15% de citation rate sur Perplexity, cela peut signifier : (a) une vraie am\u00e9lioration de visibilit\u00e9, ou (b) une dilution \u2014 vous \u00eates ajout\u00e9 \u00e0 des listes de 17 sources o\u00f9 chacune est marginalement utilis\u00e9e. Sans tracker l\u2019influence moyenne en parall\u00e8le, vous c\u00e9l\u00e9brez \u00e0 tort.<\/p>\n

    Inversement, si votre influence moyenne sur ChatGPT passe de 0.18 \u00e0 0.28 mais votre citation rate baisse, cela peut signifier : (a) ChatGPT vous cite moins souvent mais quand il le fait, vos pages dominent la r\u00e9ponse \u2014 un signal tr\u00e8s fort pour les buyers en haut de funnel ; (b) ChatGPT a r\u00e9duit le nombre de citations global et vous \u00eates par construction plus repr\u00e9sent\u00e9. La distinction n\u00e9cessite les 2 couches.<\/p>\n

    Common errors avec la mesure 2-couches<\/h2>\n