Ce que les données structurées apportent aux moteurs de réponse

Davantage de mise en œuvre de l’IA ne résoudra pas forcément le problème de visibilité

Une équipe de Manhattan a prévu de travailler sur le balisage des questions fréquentes, ou schéma FAQ, pour 400 pages produit, tandis que quelqu’un propose de remplacer son système de gestion de contenu, ou CMS, parce qu’il n’est « pas prêt pour l’IA ». Le trafic est en baisse depuis l’apparition des AI Overviews de Google, et les équipes techniques et SEO veulent un travail sur lequel elles peuvent agir. Pourtant, personne ne s’accorde sur ce que signifie être prêt pour l’IA, si bien que la migration proposée n’a aucun critère clair de réussite avant même le début du travail d’ingénierie.

Sans objectif clair, les équipes peuvent facilement confondre des résultats différents. Les citations IA sont des références ou des liens inclus dans des réponses générées ; les visites sur le site et le chiffre d’affaires mesurent ce qui se passe au-delà de ces réponses. Pour les pages qui reçoivent déjà des citations, la question budgétaire est de savoir si davantage de travail technique améliorera leurs chances d’être sélectionnées une fois que les crawlers peuvent y accéder. La recherche sur les citations peut éclairer cette décision, tandis que la récupération du trafic reste un résultat distinct à mesurer.

L’auteur de Does Structured Data Actually Improve Answer Engine Citations? espère faire gagner à l’équipe de Manhattan environ six mois de réunions et de décisions. Cette estimation soulève une question pratique pour les responsables de l’expérience client, ou CX, et des technologies marketing : quel problème restant le travail proposé résoudrait-il ? Des labels comme answer engine optimization, ou AEO, et generative engine optimization, ou GEO, ne deviennent utiles que lorsqu’une proposition relie le travail prévu à un obstacle précis.

L’ajout de schéma n’a montré aucun bénéfice clair sur les citations pour les pages déjà citées

Pour identifier cet obstacle, il faut commencer par ce que le schéma peut faire. Les données structurées fournissent aux machines des libellés explicites décrivant le contenu, et le balisage schema utilise un vocabulaire partagé pour ces libellés. JSON-LD est un format permettant de transmettre ces informations ; le schéma FAQ l’applique aux questions et réponses. La recommandation classique a été d’ajouter ces libellés afin que les machines puissent interpréter une page plus facilement et, par conséquent, l’utiliser plus souvent.

Une interprétation plus facile et une sélection plus fréquente sont deux étapes distinctes. Un système doit d’abord récupérer une page, lire ses différentes parties et identifier ce qu’elles représentent ; les données structurées peuvent aider dans ce travail. Il choisit ensuite des éléments pour une réponse donnée, ce qui suppose une raison de sélectionner cette page. Une page peut donc être accessible et correctement classée tout en offrant peu d’éléments dignes d’être cités.

Ahrefs a testé l’intérêt d’ajouter un schéma à des pages recevant déjà des citations dans une étude publiée en mai 2026. Ahrefs vend des outils SEO, de sorte que la demande pour mesurer et améliorer la visibilité dans la recherche sert son activité. Ses chercheurs ont suivi 1 885 pages ayant ajouté du JSON-LD entre août 2025 et mars 2026, en les comparant à des pages présentant des niveaux de citation antérieurs similaires mais n’ayant pas ajouté de schéma. Ils ont mesuré les citations dans Google AI Overviews, Google AI Mode et ChatGPT pendant les 30 jours précédant et les 30 jours suivant la mise en œuvre.

La comparaison tient compte des évolutions de citations qui auraient pu se produire sans mise en œuvre. Ahrefs a utilisé une méthode appariée de différence de différences : l’entreprise a comparé l’évolution des pages ayant ajouté un schéma avec celle de pages similaires ne l’ayant pas fait. Un simple rapport avant-après pourrait attribuer au schéma une hausse que les deux groupes auraient connue. Cette conception observationnelle permet aux chercheurs de distinguer ces évolutions, même si elle diffère d’une expérience attribuant aléatoirement le balisage à certaines pages.

Dans cette comparaison, les citations dans AI Mode ont progressé d’environ +2,4 % et celles dans ChatGPT d’environ +2,2 % ; Ahrefs a qualifié ces deux évolutions de statistiquement non significatives. Les citations dans AI Overview ont légèrement reculé. L’étude n’a trouvé aucun bénéfice incrémental clair sur les citations dans son échantillon. En évoquant le bruit statistique sur des milliers d’URL, l’auteur considère que ces faibles hausses ne suffisent pas à étayer l’argument habituel en faveur de la mise en œuvre : un pourcentage positif doit être lu en parallèle de l’évolution du groupe de comparaison.

Les recommandations de Google distinguent elles aussi l’éligibilité aux réponses générées du balisage spécial. Google indique qu’AI Overviews et AI Mode ne nécessitent aucun schéma particulier ; en tant qu’opérateur de ces produits de recherche, l’entreprise a un intérêt commercial dans la manière dont les éditeurs s’y adaptent. Quatre jours avant la publication de l’étude d’Ahrefs, Google a également abandonné les résultats enrichis FAQ, la fonctionnalité de recherche classique qui pouvait afficher des questions et réponses balisées. Ce changement concerne une fonctionnalité distincte et apporte un contexte utile pour évaluer un backlog FAQ.

Mais la population étudiée limite le champ d’application de ses conclusions. Chaque page comptait déjà plus de 100 citations dans AI Overview avant l’ajout du balisage, ce qui signifie que ces pages avaient déjà été trouvées et utilisées dans des réponses générées. L’étude traite donc de la valeur du schéma après la découverte. Une page qui n’est jamais apparue dans une réponse nécessite encore une évaluation de l’accès et de la découverte, domaines dans lesquels les données structurées peuvent accomplir un travail technique utile.

Pour l’équipe de Manhattan, cette limite transforme une proposition générale autour du schéma en diagnostic page par page. L’auteur explique que les données structurées occupent une place importante dans les recommandations standard sur la visibilité IA depuis deux ans, ce qui aide à comprendre pourquoi elles reviennent souvent dans les backlogs. Mais une page accessible et déjà citée a besoin d’un argument plus précis pour justifier un nouveau cycle de mise en œuvre. La question suivante est donc de savoir ce qui rendrait la page ou la marque plus susceptible d’être sélectionnée, y compris si des organisations externes pertinentes la reconnaissent.

La reconnaissance externe est associée à la visibilité

La recherche d’Ahrefs au niveau des marques donne aux équipes une raison d’examiner la reconnaissance. Sur 75 000 marques, l’entreprise a étudié la visibilité dans AI Overviews, ChatGPT et AI Mode. Les mentions de marque sur le web présentaient une corrélation de 0,664 avec la visibilité, contre 0,218 pour les backlinks, c’est-à-dire les liens provenant d’autres sites web. Les mentions sur YouTube affichaient la corrélation la plus élevée rapportée, à 0,737.

Ces corrélations décrivent des relations entre marques, de sorte qu’une décision d’investissement nécessite toujours une explication sur la manière dont le travail proposé aiderait concrètement. Acheter des mentions, remplacer un budget de link-building par un budget de création de mentions, et attendre un retour particulier sont des interventions distinctes dont les effets ne sont pas établis par ces corrélations. Pour une marque accessible mais rarement sélectionnée, ces résultats rendent pertinente l’étude de la reconnaissance externe. Ils donnent à une campagne une question à tester.

L’auteur explicite cette distinction en rejetant l’interprétation selon laquelle « les liens sont morts, il faut plutôt courir après les mentions ». Prenons une publication que les acheteurs d’une catégorie lisent réellement : un rédacteur décide qu’une entreprise mérite d’être mentionnée et la cite. La référence peut contenir un hyperlien ou simplement nommer l’entreprise sans lien, et les moteurs de réponse peuvent comptabiliser les deux formes. Toutes deux peuvent découler du fait d’être devenu suffisamment utile et crédible pour qu’une publication indépendante choisisse de l’inclure.

Puisque la décision éditoriale peut produire l’une ou l’autre forme de référence, changer la mesure ne crée pas nécessairement une nouvelle discipline marketing. Une campagne axée sur de grands volumes de mentions sans lien pourrait négliger la raison pour laquelle une publication pertinente a choisi d’inclure l’entreprise. L’auteur explique que les mentions externes et les liens comptent depuis 20 ans, y compris à l’époque où l’interface de recherche familière se limitait à dix liens bleus. Le travail de reconnaissance dispose donc d’un historique sur lequel s’appuyer, tandis que la sélection dans les réponses générées exige sa propre évaluation.

La reconnaissance peut aussi compter avant même qu’un moteur de réponse ne récupère une page. Seer Interactive propose une séquence dans laquelle un modèle s’appuie sur les connaissances acquises pendant l’entraînement pour choisir les marques à recommander, puis recherche des contenus justificatifs. Selon cette hypothèse, les citations viennent étayer une recommandation déjà formée, et une marque peu connue peut avoir du mal à entrer en considération par un simple changement au niveau de la page. En tant qu’agence marketing, Seer a un intérêt commercial à ce que les entreprises recherchent des conseils sur la visibilité IA.

La séquence proposée par Seer décrit une contrainte possible plutôt qu’une explication universelle des moteurs de réponse. Si un système a peu de raisons préalables de recommander une entreprise, un balisage supplémentaire laissera ce problème entier, même si le site fonctionne correctement sur le plan technique. Les équipes peuvent alors examiner la reconnaissance externe pertinente et évaluer les changements qui en résultent. Une mise à niveau du CMS traite une autre partie du processus.

Différents moteurs de réponse sélectionnent des contenus différents

L’hypothèse de la reconnaissance laisse toutefois une question de plateforme : quel système sélectionne le contenu ? L’analyse 2026 de Moz a montré que 88 % des citations dans Google AI Mode provenaient de l’extérieur du top 10 organique, c’est-à-dire les principaux résultats de recherche classiques non payants. ChatGPT ne présentait qu’environ 6,5 % de chevauchement d’URL avec les meilleurs résultats de Google. Moz vend des logiciels SEO et bénéficie de la demande pour mieux comprendre la visibilité dans la recherche ; ses conclusions remettent en cause l’hypothèse selon laquelle les classements Google classiques fournissent une cible de citation commune à tous les moteurs de réponse.

Des différences dans les pages sélectionnées apparaissent aussi dans les résultats au niveau des marques. L’auteur cite une analyse de mars 2026 indiquant que le volume de citations pour une même marque variait jusqu’à 615 fois selon les plateformes. La visibilité sur un service constitue donc un très mauvais substitut à la mesure sur un autre. Une équipe peut être bien représentée dans un environnement de réponse tout en restant largement absente ailleurs, et elle doit donc identifier la plateforme à l’origine de tout gain ou recul signalé.

Les différentes voies d’accès à l’information de ces systèmes aident à expliquer pourquoi leurs résultats peuvent diverger. ChatGPT est présenté comme s’appuyant sur l’index de Bing et, dans une large mesure, sur les connaissances acquises pendant l’entraînement, tandis que Perplexity utilise une récupération en direct et privilégie la fraîcheur. Google utilise le query fan-out, en développant la requête d’un utilisateur en sous-requêtes et en tirant des contenus de ces recherches. Ces descriptions expliquent des voies de sélection différentes tout en laissant la possibilité aux systèmes d’évoluer.

À mesure que les systèmes évoluent, les équipes qui poursuivent des techniques spécifiques à chaque plateforme s’exposent à une maintenance continue. L’auteur décrit ce travail comme le maintien de quatre playbooks techniques pour quatre systèmes opaques qui changent chaque mois. L’alternative privilégiée par l’auteur consiste à obtenir des références de la part d’organisations de confiance que plusieurs systèmes sont susceptibles de rencontrer. L’auteur présente cela comme une stratégie unique offrant quatre bénéfices potentiels plutôt que quatre stratégies distinctes qui pourraient n’en produire aucun ; c’est un jugement sur l’endroit où concentrer l’effort.

Mais cette préférence doit rester distincte des résultats de recherche. Les corrélations d’Ahrefs portent sur la relation entre reconnaissance et visibilité, tandis que les comparaisons entre plateformes portent sur les différences de contenus sélectionnés. Chacune éclaire une partie différente de la décision. Une équipe qui envisage un placement externe doit identifier pourquoi il compte pour les acheteurs et mesurer ses effets sur les plateformes pertinentes, tout en continuant à améliorer les preuves présentes sur ses propres pages.

Le travail on-page peut renforcer les preuves qu’un moteur utilise

Améliorer ces preuves donne au travail au niveau de la page un objectif différent de l’ajout de libellés. La recherche GEO d’origine associée à Princeton et Georgia Tech a mis en évidence des gains de taux de citation grâce à l’ajout de références à des sources primaires, de statistiques précises et de citations d’experts nommés. Chaque intervention modifie le contenu disponible pour étayer une réponse. Le travail porte sur ce qu’une page peut démontrer une fois qu’un moteur l’a récupérée.

La recherche de Princeton et Georgia Tech a rapporté des améliorations de 40 % pour les citations intégrées vers des sources primaires, de 37 % pour les statistiques précises et de 22 % pour les citations d’experts nommés. Chaque pourcentage correspond à une intervention distincte et doit éclairer une décision éditoriale distincte, car les additionner créerait une attente non étayée de gains combinés. Les équipes qui appliquent ces techniques doivent mesurer leurs propres résultats au lieu de considérer les gains rapportés comme une prévision pour leurs sites web.

L’application de ces techniques commence par les affirmations qu’une page demande aux lecteurs d’accepter. Ajoutez une référence intégrée lorsqu’une source primaire étaye une affirmation, incluez une statistique concrète lorsqu’elle rend le sujet plus précis, et obtenez une citation attribuable d’un expert lorsque son jugement éclairé aide à expliquer le sujet. Chaque ajout donne aux lecteurs et aux systèmes de réponse davantage d’éléments pour évaluer la page. Les changements peuvent être effectués dans un CMS, mais le travail de fond relève du reporting et du sourcing.

Le reporting devient une priorité utile lorsqu’une page est déjà facile à récupérer mais offre peu d’éléments solides à l’appui de ses conclusions. Un nouveau passage de balisage laisserait cette faiblesse intacte, alors que des preuves plus solides changent ce que le moteur peut utiliser. L’investissement éditorial peut donc aller de pair avec les efforts visant à obtenir des références externes pertinentes. Les deux doivent découler d’un diagnostic du problème restant de la page.

Délimiter le travail technique avant de réorienter les dépenses

Ce diagnostic commence par vérifier si les crawlers peuvent obtenir le contenu tout court. Le CMS doit rendre le texte côté serveur ou le livrer assez rapidement pour que les crawlers puissent le lire. Les équipes doivent aussi vérifier si robots.txt, le fichier qui donne aux crawlers des instructions d’accès, ou un pare-feu d’application web, ou WAF, bloque les crawlers IA. Les revues de sécurité en entreprise peuvent introduire ces blocages involontairement, ce qui fait de l’accès un sujet d’ingénierie concret.

Une fois l’accès assuré, les vérifications de diffusion doivent couvrir un HTML propre, des titres pertinents et des URL stables. Le placement compte aussi : les passages cités sont décrits comme se concentrant vers le début des documents, de sorte que les éléments importants doivent apparaître suffisamment tôt pour être facilement rencontrés. L’exemple donné par l’auteur d’un contenu enfoui 900 mots plus bas dans une page illustre le problème. Les équipes d’ingénierie et éditoriales peuvent examiner ensemble ce placement dans le cadre d’une revue au périmètre défini.

L’auteur estime qu’un développeur compétent peut établir la base technique en quelques semaines et recommande séparément d’allouer deux semaines à sa correction avant de rediriger le budget. Il s’agit dans les deux cas de jugements de planification ; les défauts constatés déterminent le travail réel. La maintenance nécessaire se poursuit, et une migration peut toujours avoir du sens lorsque les exigences de diffusion ou les besoins métier la justifient. Le changement dans les dépenses consiste à exiger un objectif précis pour tout travail continu sur le CMS lorsque la visibilité reste stable.

Une fois l’accès établi, un responsable CX ou martech peut évaluer les investissements dans le reporting et la reconnaissance pertinente. Les options incluent des références dans des publications professionnelles du secteur, le travail avec des praticiens reconnus publiant sous leur propre nom, et la participation à des communautés où les acheteurs discutent de la catégorie. La vidéo et les données originales offrent d’autres moyens d’apporter des contenus que d’autres pourront citer. Ces activités peuvent compléter les preuves ajoutées aux propres pages de l’entreprise.

La pertinence doit déterminer la valeur accordée à ces opportunités. L’auteur estime qu’un placement éditorial substantiel dans un média de confiance vaut davantage qu’une centaine d’inscriptions dans des annuaires sur différentes plateformes. En tant que jugement stratégique, cette comparaison remet en cause les achats fondés sur le volume : une proposition doit expliquer pourquoi la publication compte pour les acheteurs et ce qui rend la référence substantielle. Un placement tire sa justification de l’audience qu’il atteint et de la contribution qu’il reconnaît.

L’équipe de Manhattan peut appliquer la même exigence à la migration proposée et au backlog FAQ de 400 pages. Avant approbation, chaque proposition doit identifier les pages concernées, le problème d’accès ou de sélection traité, et le résultat que l’équipe mesurera. Pour les pages recevant déjà des citations, un travail supplémentaire sur le schéma a besoin d’un argument incrémental lié à ce problème restant. Remplacer le label AI-ready par ces exigences donne à l’ingénierie une mission définie et au responsable du budget une décision qu’il peut évaluer.

Principaux enseignements pour les dirigeants

• Définir l’objectif de l’investissement : Les responsables budgétaires ont besoin que chaque proposition sur la visibilité IA identifie un problème d’accès ou de sélection ainsi qu’un résultat mesurable. Suivez séparément les citations, les visites sur le site web et le chiffre d’affaires afin que la réussite de la mise en œuvre ait une définition claire.
• Exiger un argument incrémental pour le schéma : Ahrefs n’a trouvé aucun bénéfice clair sur les citations lié à l’ajout de schéma sur des pages déjà citées. Les responsables SEO qui examinent des backlogs de balisage doivent distinguer ces pages de celles qui rencontrent encore des problèmes de découverte ou d’accès.
• Tester la reconnaissance externe pertinente : Les mentions de marque étaient corrélées à la visibilité IA dans la recherche d’Ahrefs, mais ces résultats n’établissent aucun retour garanti sur l’achat de mentions. Les responsables marketing qui évaluent des placements ont besoin de preuves de la pertinence de l’audience et d’un plan pour mesurer les résultats.
• Mesurer chaque moteur de réponse séparément : Les schémas de citation diffèrent fortement entre Google AI Mode, ChatGPT et d’autres services. Les responsables de l’analytics de recherche ont besoin d’un reporting spécifique à chaque plateforme pour identifier où les investissements en visibilité produisent des gains.
• Renforcer les preuves sur chaque page : Les responsables éditoriaux peuvent améliorer les contenus prêts pour les réponses grâce à des références à des sources primaires, des statistiques précises et des citations d’experts nommés. La recherche a rapporté des gains de citation issus de ces interventions, ce qui en fait des candidates à des tests mesurés sur des pages accessibles.
• Délimiter le travail technique : Les responsables de l’ingénierie doivent vérifier l’accès des crawlers, le rendu du contenu, la propreté du HTML, les titres et la stabilité des URL avant de proposer des changements plus larges. Une fois la diffusion opérationnelle, toute dépense supplémentaire sur le CMS doit avoir une justification technique ou métier précise.