Labo tech, pas agence : pourquoi le GEO est un problème d'ingénierie

Quand on nous présente comme « une agence GEO », on corrige poliment. Le mot agence porte une promesse implicite : un livrable standardisé, exécuté à la chaîne, facturé à la prestation. Or le GEO ne fonctionne pas comme ça.

Le SEO classique vise un algorithme de classement relativement stable, documenté, et identique pour tout le monde. Le GEO, lui, vise des modèles génératifs qui synthétisent une réponse unique, varient selon l'utilisateur et le contexte, n'exposent aucun classement, et changent de comportement sans préavis. On ne « checklist » pas un modèle probabiliste. On l'observe, on le mesure, on l'éprouve.

Rendre une marque visible dans une réponse d'IA, ce n'est pas écrire « du contenu optimisé ». C'est construire des systèmes :

• Échantillonnage de prompts multi-modèles : interroger ChatGPT, Gemini, Perplexity et consorts à grande échelle, sur des centaines de requêtes représentatives.
• Extraction des citations : parser les réponses générées pour savoir qui est cité, comment, et à quelle place.
• Scoring reproductible : transformer ce bruit en métriques stables (taux de citation, part de voix générative, sentiment) qu'on peut suivre dans le temps.
• Détection de dérive : repérer quand un modèle change d'avis sur votre catégorie, avant que ça ne coûte des ventes.

Une agence facture des heures. Un labo construit des outils qui se capitalisent : chaque expérience rend la suivante plus rapide et plus juste.

Le plus traître dans le GEO, c'est l'arbitre. ChatGPT, Gemini, Perplexity, Atlas : ces modèles sont mis à jour en continu. Une tactique qui vous plaçait premier en mars peut être neutralisée en mai, sans qu'aucun changelog ne vous annonce « voilà comment je décide désormais qui citer ».

Face à une cible mouvante, un audit ponctuel ne vaut qu'une photo : périmée dès le lendemain. Ce qu'il faut, c'est une mesure continue qui détecte la dérive et la traduit en action. C'est une question d'infrastructure, pas de rapport livré une fois pour toutes.

Chez nous, la R&D n'est pas un supplément d'âme : c'est le produit. On formule des hypothèses sur ce qui pousse un modèle à citer une source (structure, données structurées, signaux d'autorité, fraîcheur), on les teste à travers plusieurs modèles, on garde ce qui est reproductible et on jette le folklore.

C'est cette boucle d'expérimentation qui nous a permis de bâtir notre méthodologie de mesure, dont SemanticProof : relier une phrase de votre site à ce que la machine recrache, pour prouver l'attribution plutôt que de la supposer. Aucun revendeur de conseils génériques ne peut faire ça, parce que ça suppose d'avoir construit l'outil.

Concrètement, vous n'achetez pas « cinq articles optimisés ». Vous obtenez :

• Un système de mesure multi-modèles, pas une intuition.
• Des expériences documentées : ce qu'on a testé, ce qui a marché, ce qu'on a abandonné.
• Une méthodologie reproductible que vous pouvez auditer, avec un avant/après chiffré.
• Zéro promesse magique : personne ne peut « garantir la première position » sur un modèle qui n'a pas de position.

La différence est simple : on livre des preuves, pas des impressions.

Le GEO est un problème d'ingénierie appliqué à une cible probabiliste et mouvante. Le traiter sérieusement suppose un laboratoire : des outils propriétaires, une mesure continue, et une culture d'expérimentation. C'est précisément ce qu'on est, et c'est pour ça qu'on revendique le statut de boîte tech plutôt que d'agence.

Notre ambition n'est pas modeste : faire de la France un acteur qui pèse sur le GEO mondial, et amener nos clients, de la PME au grand groupe, en tête des recommandations de l'IA. Ça commence par une chose mesurable : savoir où vous en êtes aujourd'hui.