L’étude de Princeton qui a lancé le GEO : ce qu’elle dit vraiment

Mis à jour le 23 octobre 2026

Quand on parle de GEO, on finit presque toujours par citer « l’étude de Princeton ». Elle est reprise dans des centaines d’articles, souvent de seconde main, parfois déformée. Peu de gens l’ont réellement lue.

C’est pourtant un document précieux : l’une des rares études qui mesurent, de façon contrôlée, ce qui change la visibilité d’un contenu dans les réponses d’un moteur génératif. Elle a aussi des limites qu’il faut connaître pour ne pas lui faire dire ce qu’elle ne dit pas.

Cette page en présente la méthode, les résultats et les enseignements pratiques. Elle complète mon guide complet du generative engine optimization.

Par Alexandre Montenon, consultant SEO et GEO à Lyon

L’étude en quelques faits

Le texte complet est accessible librement sur arXiv, où les auteurs résument leur conclusion : le GEO peut augmenter la visibilité d’un contenu dans les réponses des moteurs génératifs jusqu’à 40 %, et l’efficacité des stratégies varie selon les domaines.

Pourquoi cette étude a compté

Avant sa publication, le sujet se résumait à des intuitions et à des retours d’expérience difficiles à vérifier. L’étude a apporté trois choses : un nom, qui s’est imposé dans le vocabulaire professionnel ; un cadre de mesure, avec un jeu de test public que d’autres chercheurs peuvent réutiliser ; et des premiers résultats chiffrés, qui distinguent ce qui aide de ce qui nuit. C’est ce qui explique qu’elle soit encore citée, alors que les moteurs ont beaucoup changé depuis.

La méthode

Un moteur génératif simulé

Pour mesurer précisément l’effet de chaque modification, les chercheurs ont construit un moteur génératif de test. Pour chaque requête, il récupère les cinq premiers résultats de Google, puis demande à un modèle de langage (GPT-3.5) de rédiger une réponse appuyée sur ces sources, en les citant. Ils ont ensuite modifié l’une des sources selon une méthode donnée, et mesuré si sa présence dans la réponse augmentait ou diminuait.

Un jeu de 10 000 requêtes

Le jeu de test, baptisé GEO-bench, rassemble 10 000 requêtes issues de neuf sources (bases de questions publiques, requêtes réelles de moteurs, questions générées), couvrant 25 domaines. Environ 80 % sont informationnelles, 10 % transactionnelles et 10 % navigationnelles.

Deux façons de mesurer la visibilité

➭ Le nombre de mots attribués à la source, pondéré par sa position dans la réponse : une source citée tôt et longuement est plus visible qu’une source citée en fin de réponse.

➭ L’impression subjective, évaluée par un modèle selon plusieurs critères : pertinence, influence, unicité, position perçue, probabilité de clic.

Les neuf méthodes testées

Les résultats

Les méthodes les plus efficaces sont celles qui ajoutent des éléments vérifiables. Selon le tableau principal de l’étude, sur la mesure du nombre de mots pondéré par la position :

Les chercheurs ont aussi testé leurs méthodes sur un moteur réel, Perplexity, et observé une amélioration de la visibilité allant jusqu’à 37 %.

Le message central tient en une phrase : les moteurs génératifs favorisent les contenus qui apportent des preuves. Les techniques héritées d’un certain SEO, comme la répétition de mots-clés, ne fonctionnent pas, voire desservent.

L’effet du domaine

Les auteurs insistent sur un point souvent oublié : l’efficacité des méthodes varie selon les domaines. Une stratégie qui fonctionne très bien sur des sujets factuels peut avoir moins d’effet sur des sujets d’opinion ou de débat. Il n’existe pas de recette unique.

Les limites de l’étude

Une étude sérieuse se lit avec ses limites. Celle-ci en a plusieurs, que les auteurs reconnaissent en partie.

Un moteur simulé. L’essentiel des mesures porte sur un moteur construit pour l’expérience, pas sur ChatGPT, Gemini ou les AI Overviews tels qu’ils fonctionnent aujourd’hui.

Des modèles de 2023. Les modèles ont beaucoup évolué depuis. Les grands principes restent plausibles, les chiffres précis ne sont pas transposables tels quels.

Une mesure par le modèle. L’impression subjective est évaluée par un modèle de langage, pas par de vrais utilisateurs.

Une source modifiée à la fois. Dans la réalité, tous les concurrents améliorent leurs contenus en même temps ; les gains relatifs sont plus difficiles à obtenir.

La variabilité des réponses. Les moteurs réels donnent des réponses différentes d’une requête à l’autre. Une étude de SparkToro publiée en janvier 2026 a montré qu’en posant 100 fois la même question, ChatGPT ou l’IA de Google avaient moins d’une chance sur 100 de donner deux fois la même liste de marques. Toute mesure doit donc porter sur de nombreuses réponses.

Ce que l’étude ne dit pas

À force d’être citée, l’étude se voit attribuer des conclusions qu’elle ne contient pas. Quelques mises au point utiles.

Elle ne garantit pas 40 % de visibilité en plus. Le chiffre est un maximum observé dans des conditions de laboratoire, pour certaines méthodes et certains domaines. Ce n’est pas un résultat attendu sur n’importe quel site.

Elle ne mesure pas les ventes ni le trafic. Elle mesure la place d’une source dans une réponse générée, pas les clics ni les conversions qui en découlent.

Elle ne dit rien de la réputation hors site. L’étude modifie le texte d’une page. Elle ne teste pas l’effet des avis, des mentions dans la presse ou de la présence dans les comparatifs, qui comptent pourtant beaucoup dans les moteurs réels.

Elle ne remplace pas le référencement. Dans l’expérience, les sources sont les cinq premiers résultats de Google : pour être réécrite et citée, une page doit d’abord être trouvée.

Ce que disent les moteurs eux-mêmes

Les recommandations officielles vont dans le même sens que l’étude, sans en reprendre les chiffres. Google rappelle dans son guide sur les fonctionnalités d’IA que ses réponses générées s’appuient sur ses systèmes de classement habituels pour retrouver des pages pertinentes et à jour, et qu’aucun outil tiers n’a accès à ses systèmes internes. Autrement dit : des contenus utiles, fiables et bien référencés, plutôt que des astuces de réécriture.

L’étude de Princeton apporte à ce discours ce qui lui manquait : une mesure. Elle montre que la preuve, sous forme de chiffres, de sources et de citations, n’est pas seulement une bonne pratique éditoriale, mais un facteur mesurable de visibilité.

Ce qu’il faut en retenir pour votre site

Malgré ses limites, l’étude confirme des principes que l’on retrouve dans les recommandations des moteurs eux-mêmes :

➭ appuyer chaque affirmation importante sur un chiffre précis, avec sa source ;

➭ citer des sources crédibles, de préférence primaires ;

➭ intégrer des citations d’experts ou d’organisations identifiées ;

➭ écrire clairement, sans jargon inutile ni répétition artificielle de mots-clés ;

➭ adapter la démarche à votre domaine, et mesurer plutôt que supposer.

Ces principes sont repris, avec d’autres, dans ma checklist GEO en 30 points. Pour comprendre plus largement comment un assistant construit ses réponses, voyez aussi mon explication de comment fonctionne ChatGPT.

Exemple fictif : avant et après

Pour illustrer, un cas inventé. Une entreprise d’isolation publie une page qui affirme : « L’isolation des combles permet de faire d’importantes économies d’énergie. Nos équipes sont expérimentées. »

Réécrite selon les enseignements de l’étude, la page indique la part des déperditions de chaleur qui passe par la toiture selon une source publique de référence, cite un organisme public sur les aides disponibles, donne le nombre de chantiers réalisés par l’entreprise l’an dernier et reprend l’avis détaillé d’un client. Le texte est plus long de quelques lignes, mais chaque affirmation peut être vérifiée, et la page devient une source plus intéressante pour un moteur génératif. Les éléments de cet exemple sont inventés pour l’illustration.

Questions fréquentes sur l’étude GEO de Princeton