Un directeur financier a raison de demander la preuve que le GEO rapporte, et la réponse honnête a deux volets. Je ne l'ai trouvée nulle part dans la littérature publique. Et pour la plupart des marques, un test direct sur le chiffre d'affaires ne pourrait pas conclure, même si le GEO fonctionne, parce que le bruit des ventes masquerait un effet plausible.
La question utile se découpe donc en deux maillons : votre travail déplace-t-il les réponses des moteurs, et ces réponses déplacent-elles la demande ? Le premier se teste en vingt semaines avec des topics témoins. Le second se teste seulement là où vous avez des marchés séparés, avec une force de preuve limitée qu'il vaut mieux annoncer avant de commencer.
Les calculs ci-dessous portent sur une marque fictive : ils montrent une méthode, aucun résultat.
Existe-t-il une preuve publiée que le GEO rapporte ?
Non, pas au 7 novembre 2026 : je n'ai trouvé aucune étude publiée avec groupe témoin qui mesure l'effet du GEO sur le chiffre d'affaires. Des tests privés existent peut-être, mais aucun n'est vérifiable.
La revue la plus large, celle d'Olivier Martinez (45 études de novembre 2023 à juillet 2026, prépublication à auteur unique), classe à « very low » la confiance dans le lien entre scores de citation et clics, conversions ou revenus. Trois travaux s'en approchent, aucun sur le revenu :
- Le test le plus proche porte sur du trafic. Watanabe et Nakayashiki (juin 2026, prépublication) étudient le site de leur employeur, Glasp. Les visites venues de ChatGPT y sont multipliées par 5,7 sur l'ensemble du domaine, mais celles des pages non traitées le sont aussi par 3,5. Ces pages prises comme témoin, l'effet estimé n'est plus qu'un multiplicateur de 1,82 (intervalle à 95 % : 1,31 à 2,54), et un test placebo dans le temps donne p = 0,16. Leur verdict : « suggestive, not conclusive ».
- Le chiffre industriel reste invérifiable. Pinterest annonce en février 2026 une hausse de 20 % du trafic organique, sans assez de détail, note Martinez, pour en tirer une estimation générale.
- La recherche la plus directe ne conclut pas. Kevin Indig (Growth Memo, 19 octobre 2026) compare visibilité IA, trafic direct et recherche de marque sur quatre marques, sans lien fiable. Il précise qu'un effet peut exister et qu'il n'a pas pu l'isoler.
L'absence de preuve ne démontre pas l'absence d'effet. Elle interdit seulement de présenter ce retour sur investissement comme établi. Le détail, tactique par tactique, figure dans le classement des tactiques GEO par niveau de preuve.
Pourquoi la corrélation entre visibilité et ventes prouve-t-elle si peu ?
Parce que les mêmes causes font monter les deux courbes. Une marque qui vend davantage est plus citée, plus recherchée, plus commentée, et un pic saisonnier ou une campagne télévisée soulève tout en même temps.
Le précédent à montrer à un DAF vient du search payant. Chez eBay (Blake, Nosko et Tadelis, Econometrica, 2015), une régression classique donnait un retour sur investissement de plus de 4 100 %, encore plus de 1 400 % avec des contrôles de temps et de géographie. L'expérience, publicités non-marque coupées sur un échantillon aléatoire de 30 % du trafic américain pendant 60 jours, donne -63 % (intervalle à 95 % : -124 % à -3 %). eBay est une marque exceptionnellement connue et l'article trouve un effet positif sur les clients nouveaux ou rares : le chiffre ne se transpose pas. Le mécanisme, si : le canal se voit créditer une demande qui existait déjà.
Le GEO en fournit déjà sa propre version. Sur un site, Indig obtient r = 0,72 entre part de voix IA et trafic direct, avec trois semaines de décalage. Puis il donne à des séries mal alignées les mêmes chances de recherche : les vraies dates battent la plupart de ces séries, pas toutes, et plusieurs font aussi bien ou mieux. Chercher le bon décalage suffit à fabriquer une corrélation présentable.
Qu'est-ce qu'un test d'incrémentalité appliqué au GEO ?
Un test d'incrémentalité est une comparaison entre ce qui s'est passé avec une action et ce qui se serait passé sans elle, estimé grâce à un groupe qui ne l'a pas reçue et que le hasard a désigné.
La publicité peut tirer des individus au sort, parce qu'une régie décide qui voit quoi. Le GEO ne le peut pas : personne ne contrôle quel utilisateur reçoit quelle réponse, et le rapport IA générative de Search Console, annoncé le 3 juin 2026, se limite aux impressions. Il faut donc faire varier autre chose que l'individu.
| Design | Ce qui varie | Maillon testé | Principale fuite |
|---|---|---|---|
| Topics témoins | Sujets traités ou non | Travail vers réponses | Une page sert plusieurs sujets |
| Vagues successives | Date de départ de chaque groupe | Travail vers réponses | Effet plus lent que l'écart entre vagues |
| Marchés appariés | Pays et langues | Réponses vers demande | Trop peu de marchés, langue partagée |
| Recherche de marque | Un indicateur, à lire dans un design | Réponses vers demande | Campagnes et saisonnalité |
Pourquoi tenir des topics témoins plutôt que des prompts ?
Parce qu'un moteur ne respecte pas la frontière de vos prompts. Google indique que ses AI Overviews et AI Mode peuvent lancer plusieurs recherches liées derrière une question : une page écrite pour un prompt peut donc ressortir sur ses voisins. Un prompt témoin placé dans un topic travaillé profite du travail, et le test sous-estime l'effet.
Le prix se paie dans le calcul. 120 prompts répartis en 12 topics, sur 4 moteurs et 20 semaines, produisent 9 600 réponses, mais seulement 12 unités d'analyse. Même lus un par un, avec une corrélation de 0,2 entre prompts d'un même topic (hypothèse), 120 prompts valent environ 43 observations indépendantes. Le dimensionnement est détaillé dans combien de prompts pour une mesure fiable.
Trois règles protègent le test :
- Tirer au sort, jamais choisir. Traiter vos sujets faibles et garder les forts en témoin fabrique un gain. Dans ma simulation (120 prompts, taux réels dispersés autour de 25 % avec un écart-type de 15 points, 8 réponses par prompt avant et après, aucun effet réel), la moitié la plus faible au départ gagne 8 points et la plus forte en perd 8. C'est le retour à la moyenne. Appariez les topics par niveau de départ, puis tirez à pile ou face dans chaque paire.
- Mesurer le nom de la marque, pas les pages citées. Schulte, Bleeker et Kaufmann (avril 2026, prompts en allemand, marché suisse) trouvent les marques plus stables que les sources d'un jour à l'autre : indice de Jaccard de 0,45 à 0,59 contre 0,34 à 0,42. Stable ne veut pas dire fixe : dans l'audit d'Uberti-Bona Marin et de ses coauteurs (117 requêtes répétées trois fois, septembre 2026), ChatGPT ne partage que 18,1 % de pages exactes entre répétitions, et le recoupement des produits recommandés n'y atteint que 0,178. Seul un taux agrégé sur beaucoup de réponses se défend.
- Ne jamais lire un prompt seul. Schulte et ses coauteurs recommandent au moins 7 réponses par prompt et par jour pour suivre une marque. Avec une réponse par prompt, par moteur et par semaine, comme dans le plan ci-dessous, seul l'agrégat par groupe de topics se lit.
À quoi ressemble un plan de test réaliste ?
À vingt semaines, dont huit où rien ne change. Illustration : Alba & Co est une marque fictive, et chaque paramètre est une hypothèse à remplacer par vos chiffres. Alba suit 120 prompts en 12 topics, sur 4 moteurs, chaque semaine.
| Semaines | Étape | Contenu |
|---|---|---|
| 0 | Gel | Prompts, moteurs et métrique figés et écrits |
| 1 à 8 | Base | Aucune action. Test A/A : semaines 1-4 contre 5-8, pour mesurer le bruit |
| 8 | Tirage | 6 paires de topics de niveau proche, pile ou face dans chaque paire |
| 9 à 20 | Traitement | Tout le travail GEO va sur 6 topics, rien sur les 6 autres |
| 20 | Lecture | Une seule, sur la métrique prévue |
La puissance. Le test A/A fournit le chiffre qui décide de tout : l'écart-type de la différence entre paires. Supposons 6 points. Avec 6 paires, l'erreur type est de 2,45 points et le plus petit effet détectable, à 5 % bilatéral et 80 % de puissance, d'environ 8,5 points. Alba a 80 % de chances de voir un passage de 20 % à 28,5 % des réponses. Un gain réel de 4 points sortirait le plus souvent non concluant. Pour voir 5 points, il faudrait environ 14 paires, soit 28 topics.
Le préenregistrement. Avant le tirage, une page signée par le DAF fixe :
- La métrique principale, une seule : la part des réponses qui nomment Alba, sur toutes les réponses, y compris celles qui ne nomment aucune marque. Un score composite ou un ratio dont le dénominateur bouge peut monter pour d'autres raisons, et les prompts qui nomment déjà la marque sont exclus, car ils gonflent le score.
- L'analyse : différence de différences par paire, test t apparié. Un test par permutation sur les 64 tirages possibles sert de contrôle : son p minimal, 3,1 % en bilatéral, n'est atteint que si les six paires penchent du même côté.
- La règle de décision : gain significatif à 5 % (environ 6,3 points avec ces hypothèses), le programme s'étend aux témoins. Gain positif non significatif, une seule prolongation ou plus de topics. Gain nul ou négatif, les tactiques sont revues, sans juger le canal pour autant.
- Les exclusions : toute date de changement connu d'un moteur est notée, et toute modification de prompt invalide le topic concerné.
La discipline de lecture. S'arrêter au premier résultat significatif produit des faux positifs : dans ma simulation (6 topics contre 6, 12 lectures hebdomadaires, aucun effet réel), plus de 20 % des tests concluent à tort, contre 5 % avec une seule lecture. Multiplier les indicateurs revient au même : 4 moteurs et 4 métriques font 16 tests, soit 56 % de chances d'au moins un faux positif s'ils étaient indépendants.
Si la direction refuse de priver des topics. Passez par des vagues : trois groupes démarrent à six semaines d'écart et tous finissent traités. Comparez chaque vague aux seuls groupes pas encore traités, car l'estimateur classique est biaisé quand les effets évoluent dans le temps (Goodman-Bacon, 2018). Je n'ai trouvé aucun délai publié et fiable entre une action et son effet dans les réponses : au-delà de six semaines, ce design ne voit rien, et les 12 semaines du plan restent un pari raisonné.
Ce test ne dit rien des ventes, ni de toute la demande. Quand SparkToro recueille 142 prompts écrits par des personnes pour un même besoin (janvier 2026), leur similarité sémantique n'est que de 0,081. Vos prompts sont un échantillon construit, et aucun moteur, à ma connaissance, ne publie la distribution réelle des questions.
Comment relier les réponses à la demande ?
Par des marchés séparés, en annonçant d'emblée la limite. Les régions d'un même pays conviennent mal à un programme de contenu : une page publiée se lit partout. Les réseaux de points de vente relèvent d'une autre question, traitée dans comment tester les réponses IA locales. Il faut des pays aux langues distinctes, Espagne contre Italie plutôt que France contre Belgique. Même là, des sources en anglais peuvent nourrir les deux marchés (inférence de ma part), et une fuite tire le résultat vers zéro.
Le nombre de marchés fixe le meilleur résultat possible, quel que soit l'effet :
| Design, test par permutation | Tirages possibles | Plus petit p atteignable |
|---|---|---|
| 1 pays traité, 4 témoins | 5 | 20 % |
| 3 paires, soit 6 pays | 8 | 25 % en bilatéral |
| 5 paires, soit 10 pays | 32 | 6,25 % en bilatéral |
| 6 paires, soit 12 pays | 64 | 3,1 % en bilatéral |
Calcul de l'auteur. La borne de 1 sur N pour un seul marché traité est décrite par Lei et Sudijono (prépublication révisée en avril 2025).
Une marque dispose rarement de 12 marchés comparables : elle obtiendra une direction, et le DAF doit l'accepter avant de lancer le test.
L'indicateur le plus proche est la recherche de marque, marché par marché. Search Console propose depuis le 20 novembre 2025 un filtre de requêtes de marque, ouvert le 11 mars 2026 à tous les sites éligibles, et Google prévient que son classement assisté par IA peut se tromper. Rand Fishkin (SparkToro, octobre 2026) défend que l'IA se mesure comme un canal de marque plutôt que de trafic. C'est une opinion argumentée, qui déplace la question sans la résoudre : ce signal de marque n'a pas encore été détecté de façon fiable.
Le chiffre d'affaires se teste-t-il directement ?
Rarement, et le calcul se fait avant de dépenser. Comparez le point mort du programme au plus petit effet que le test peut voir.
| Illustration, marché test d'Alba & Co | Valeur |
|---|---|
| Chiffre d'affaires hebdomadaire | 100 000 € |
| Durée | 12 semaines, soit 1,2 M€ |
| Coût du programme (contenu, relations presse, outils, temps) | 25 000 € |
| Marge brute | 40 % |
| Chiffre d'affaires additionnel au point mort | 62 500 €, soit 5,2 % |
| Écart-type hebdomadaire du ratio test/témoin | 6 % |
| Plus petit effet détectable (26 semaines de base, 5 % bilatéral, 80 %) | 5,9 %, soit environ 70 400 € |
Le test ne peut pas confirmer le point mort : il ne voit rien sous 5,9 %. Et ce calcul est optimiste, car il suppose des semaines indépendantes. Avec une autocorrélation de 0,5, le seuil passe à 10,2 %.
Le trafic mesurable pèse moins encore. Selon le panel d'Ahrefs (118 671 sites, octobre 2026), les assistants IA représentent 0,46 % du trafic suivi, contre 27,55 % pour les moteurs de recherche. Si le programme doublait ces visites et qu'elles valaient une visite moyenne, le gain approcherait 0,46 % du chiffre d'affaires, environ 5 500 €, près de treize fois moins que le seuil. Un résultat positif ne pourrait donc venir que d'un effet de marque important, invisible dans les visites référées.
Ce blocage n'a rien de propre au GEO. Lewis et Rao (Quarterly Journal of Economics, 2015) analysent 25 expériences publicitaires américaines, la plupart sur des millions de clients : l'intervalle de confiance médian du retour sur investissement dépasse 100 points de large. Eux pouvaient tirer des individus au sort.
Le test de revenu prend du sens à une condition : assez de marchés. Avec 6 paires et un coût proportionnel, le seuil tombe à environ 3 %, sous le point mort, et remonte à 5,2 %, le point mort lui-même, avec la même autocorrélation de 0,5. Il faut alors douze marchés et un programme déployé dans six.
Que dire à votre DAF ?
Trois phrases, dans cet ordre :
- Ce qui est démontrable. Si le travail déplace les réponses par rapport à un témoin, et de combien, avec la marge annoncée à l'avance.
- Ce qui donne une direction. La recherche de marque et le trafic IA dans les marchés traités face aux témoins. Les visites référées dans vos analytics restent un plancher au dernier clic.
- Ce qui reste inconnu. L'effet sur le chiffre d'affaires : je n'ai trouvé aucune étude publiée qui le mesure, et votre test ne le pourra probablement pas.
La conséquence budgétaire tient en une règle : financer par tranches, la suivante dépendant du premier maillon. L'arbitrage entre canaux est traité dans budget GEO, SEO et paid. Gardez ensuite quelques topics témoins en permanence : dans C-SEO Bench (NeurIPS 2025, moteurs simulés), les gains baissent à mesure que d'autres adoptent les mêmes méthodes.
Reste la partie répétitive : lire deux groupes de prompts, run après run, sans les mélanger. C'est ce que fait le module GEO de Nanga. Les prompts s'organisent en topics et en tags ; un tag « traité » et un tag « témoin » permettent de filtrer les vues, de regrouper les résultats par tag dans la Vue d'ensemble et de comparer deux périodes, moteur par moteur. Le suivi est hebdomadaire par défaut, quotidien en option. Un repère sur la courbe date chaque action terminée, et les réponses du dernier run s'exportent en CSV, à archiver à chaque run pour recalculer votre métrique sur votre propre dénominateur.
L'équipe Nanga a observé pourquoi le témoin compte : après la montée de version d'un modèle, des réponses se sont allongées et ont cité davantage de sources, sans qu'aucune marque ait rien changé. Sans groupe témoin, ce saut se lit comme un succès.
Pour lire vos topics traités et vos topics témoins côte à côte : demander une démo.
Questions fréquentes
Qu'est-ce qu'un test d'incrémentalité GEO ?
C'est une comparaison entre des sujets ou des marchés traités et des sujets ou des marchés témoins tirés au sort, pour estimer ce qui se serait passé sans le travail GEO. Le tirage écarte les causes communes, comme la saison ou une campagne, qui faussent une courbe avant-après.
Existe-t-il une étude prouvant que le GEO augmente le chiffre d'affaires ?
Non, aucune n'a été trouvée au 7 novembre 2026. La revue d'Olivier Martinez (45 études, juillet 2026) juge très faible la confiance dans le lien entre citations et revenus, et le test le plus proche, celui de Watanabe et Nakayashiki, porte sur le trafic d'un seul domaine.
Peut-on garder quelques prompts témoins dans un topic travaillé ?
Mieux vaut tenir des topics entiers. Une page écrite pour un prompt peut ressortir sur ses voisins, ce qui contamine le témoin et réduit l'effet mesuré. Le coût est réel : l'unité d'analyse devient le topic, donc 120 prompts répartis en 12 topics donnent 12 unités.
Combien de temps doit durer un test GEO ?
Aucune durée de référence publiée n'a été trouvée au 7 novembre 2026, car le délai entre une action et son effet dans les réponses reste inconnu. Un plan défendable compte 8 semaines de base, 12 semaines de traitement et une seule lecture finale. Ce plan relève d'un choix de méthode : aucun standard n'existe.
Une hausse de la recherche de marque prouve-t-elle que le GEO fonctionne ?
Non, pas à elle seule : campagnes et saisonnalité la font aussi monter. Elle devient un indice si elle monte davantage dans un marché traité que dans un marché témoin tiré au sort. Kevin Indig, en octobre 2026, n'a pas établi de lien fiable sur quatre marques.
Sources :
- Olivier Martinez, Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026), prépublication, juillet 2026.
- Keisuke Watanabe et Kazuki Nakayashiki, Disentangling Answer Engine Optimization from Platform Growth, prépublication, juin 2026.
- Faye Zhang et al. (Pinterest), Generative Engine Optimization: A VLM and Agent Framework for Pinterest Acquisition Growth, prépublication, février 2026.
- Kevin Indig, Growth Memo, Does AI drive more direct traffic?, octobre 2026.
- Thomas Blake, Chris Nosko et Steven Tadelis, Consumer Heterogeneity and Paid Search Effectiveness: A Large Scale Field Experiment, NBER, 2014, publié dans Econometrica, 2015.
- Randall Lewis et Justin Rao, The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics, 2015.
- Lucas Uberti-Bona Marin et al., "If I Had to Buy Just ONE: Galaxy S26 Ultra": Auditing AI-Generated Product Recommendations, prépublication, septembre 2026.
- Julius Schulte, Malte Bleeker et Philipp Kaufmann, Don't Measure Once: Measuring Visibility in AI Search (GEO), prépublication, avril 2026.
- Rand Fishkin, SparkToro, AIs are highly inconsistent when recommending brands or products, janvier 2026.
- Rand Fishkin, SparkToro, Is AI visibility a marketing boondoggle?, octobre 2026.
- Andrew Goodman-Bacon, Difference-in-Differences with Variation in Treatment Timing, NBER, 2018, publié dans Journal of Econometrics, 2021.
- Lihua Lei et Timothy Sudijono, Inference for Synthetic Controls via Refined Placebo Tests, prépublication, janvier 2024, révisée en avril 2025.
- Google Search Central, AI features and your website, page consultée le 7 novembre 2026.
- Google Search Central, Generative AI performance reports, juin 2026.
- Google Search Central, Introducing the branded queries filter in Search Console, novembre 2025, mis à jour en mars 2026.
- Ahrefs, AI vs Search Traffic Analysis, données d'octobre 2026, mises à jour le 7 novembre 2026.
- Haritz Puerto et al., C-SEO Bench: Does Conversational SEO Work?, NeurIPS Datasets and Benchmarks, 2025.