On a tous appliqué ce vieux mantra du SEO : “analyse des recherches, optimisation, contrôle de positionnement” Mais ça, c’était avant. Avant l’arrivée des intelligences artificielles conversationnelles comme ChatGPT, avant que les requêtes ne soient plus des mots clés mais des phrases entières, des questions, des intentions. Avec le GEO, le terrain de jeu a changé, et c’est une excellente nouvelle.
Parce que le mot clé est un indicateur imparfait
En SEO, tout est traqué, mesuré, disséqué. Les mots-clés deviennent des trophées, l’obsession pour le “volume de recherche” est telle qu’on oublie parfois pourquoi des gens tapent ces mots. Depuis des années je répète à mes étudiant que le mot clé est un indicateur très imparfait car on ne connait pas le contexte.
Exemple : Le mot « Chaussure » est tapé dans Google. Si il est tapé par une ado ou une grand-mère, à Lille ou à Saint Tropez, en janvier ou en août ; bref selon le contexte il peut exprimer une intention complêtement différente.
Là est l’efficacité du Chatbot : par l’historique, par la personnalisation, par le dialogue, il réintègre le contexte du prompt. Pour se faire, il est contraint d’abandonner le mot clé, trop restrictif, et de se baser sur des concepts.
Parce qu’en GEO on manipule des concepts
Un LLM, n’attend pas de mots-clés. Il attend des intentions. Il interprète, il nuance, il comprend (ou plutôt il en donne l’impression en manipulant des concepts). Cela veut dire que le travail des marques, des créateurs, des communicants ne se résume plus à aligner “chaussures rouges femme pas cher” dans un paragraphe fade.
Il faut raconter, expliquer, séduire. Il faut organiser des concepts, contextualiser des intentions. Et ça, c’est une opportunité immense. Parce que les concepts, eux, on sait où les trouver : besoins clients, conception des produits, expertise métier.
Parce qu’on cible une intention, pas un mot clé
Certains marketeurs se crispent : “Mais si on ne connaît plus les prompts exacts, comment va-t-on cibler ?” C’est simple : on ne cible plus un mot, on cible des concepts qui expriment : un besoin, une intention, une action. La syntaxe importe peu, elle est générée par le LLM lorsqu’il répond, en prenant en compte le contexte.
L’utilisateur ne dira peut-être pas “acheter canapé scandinave” mais “je cherche un canapé qui irait dans un petit salon lumineux zen”. Les marques qui gagneront seront celles qui auront anticipé les scénarios, qui auront pensé en concepts larges et non en micro-expressions. On ne parle plus comme un glossaire, on parle de situations de vie, d’envies, de problèmes concrets. Dans un dialogue, le langage est beaucoup plus varié.
« Pendant 25 ans la recherche par mot clé a été un goulot d’étranglement, il est en train de sauter. »
(moi-même) Renaud Joly
Parce que la data disponible ailleurs est meilleure
Moins de tracking, moins de données brutes, plus d’interprétation. Cela peut sembler flou, voire inconfortable. Mais si c’était justement ce qu’il fallait pour sortir de l’obsession purement quantitative ? Si le marketing devait redevenir un peu plus communiquant, fait d’écoute, de compréhension, d’intuition ?
Les marques ont toujours accès à un énorme volume d’informations : études de marché, enquêtes clients, brainstormings de chefs de produits, tendances sociales, échanges avec les équipes terrain, contacts SAV…. C’est là que se trouvent les véritables “prompts”, pas dans une liste figée de x mots-clés sortis brut du dictionnaire. Vous pensez sérieusement que contrôler 1 milliard de mots clés dans ChatGPT vous aidera en GEO ? (préparez votre budget).
Parce que le LLM prend en charge l’interraction utilisateur
Au final l’absence de données chiffrés sur les volumes de prompts n’est pas un problème, c’est presque un cadeau. Car cela oblige à reculer d’un niveau d’abstraction, l’interprétation (in & out) étant déléguée au LLM qui le fait bien mieux qu’une liste de mots clés.
Cette situation pousse les marques à construire des messages clairs, riches, utiles – basé sur des concepts et capables de répondre à une variété d’intentions. Un chatbot ne veut pas de réponses plates, il veut des contenus capables de nourrir sa machine à modéliser.
En d’autres termes, si vous aborder les LLM en pensant mot-clé, vous revenez en arrière.