Blog / Signal Inference Optimization
L'IA vous classe mieux. Mais que reconstruit-elle de vous ?
GEO-Bench mesure les gains de classement génératif, mais pas le coût sémantique des optimisations ni la fidélité de reconstruction des organisations.
Ce que GEO-Bench révèle sur l’optimisation pour les moteurs génératifs, et la question qu’il laisse ouverte : le coût sémantique de la visibilité.
Une organisation peut aujourd’hui travailler sa présence numérique sur trois plans.
Être trouvée. C’est l’un des objectifs du SEO.
Être sélectionnée et citée. C’est le terrain du GEO, l’optimisation pour les moteurs génératifs.
Être fidèlement reconstruite. C’est l’objet du Signal Inference Optimization (SIO).
Ces trois objectifs ne s’opposent pas. Mais ils ne mesurent pas la même chose.
Un contenu peut être accessible sans être récupéré. Il peut être récupéré sans être sélectionné. Il peut être sélectionné, cité, puis donner lieu à une reconstruction qui ne correspond pas à l’organisation qu’il décrit.
On peut donc améliorer son classement, multiplier ses citations et renforcer sa présence dans les réponses générées sans savoir si les systèmes d’IA reconstruisent plus correctement son identité, ses activités, ses offres ou ses relations.
Pire : certaines stratégies destinées à améliorer la visibilité peuvent contribuer à dégrader cette reconstruction.
Non parce que l’optimisation serait mauvaise en soi, mais parce qu’une modification rédactionnelle n’agit pas seulement sur la capacité d’un contenu à être sélectionné. Elle modifie aussi la matière à partir de laquelle un système produit ses interprétations.
Une étude universitaire récente permet d’aborder cette question avec des chiffres.
1. GEO-Bench : des réécritures suffisent à faire monter un candidat
Publié en prépublication en mai 2026, puis révisé en octobre, GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization est un travail de chercheurs de l’University of Southern California et de l’Arizona State University.
L’étude compare quinze méthodes de modification de contenu destinées à influencer un classement produit par un modèle d’IA : des attaques par consigne, des modifications optimisées sur les paramètres d’un modèle, et les réécritures dites white hat, celles que l’on retrouve dans la plupart des pratiques GEO.
Le protocole porte sur 729 cibles réparties en 83 listes, issues de cinq jeux de données. Chaque méthode est évaluée selon sa capacité à faire monter un candidat dans une liste déjà constituée.
Ce n’est donc pas une évaluation de ChatGPT Search, de Perplexity ou des fonctions IA de Google. La récupération des documents n’est pas étudiée : les candidats sont fournis directement au modèle. Mais les résultats sont instructifs.
Quinze méthodes, un même effet mesurable
Sur Llama-3.1-8B, le modèle principal du banc d’essai, les chercheurs obtiennent les gains de rang normalisés suivants :
| Méthode | Gain de rang normalisé |
|---|---|
| Attaque par recherche avec rétroaction du modèle (TAP) | 0,179 |
| Amélioration générale du contenu | 0,125 |
| Ajout de propos cités | 0,105 |
| Ajout de sources citées | 0,098 |
| Ajout de statistiques | 0,090 |
| Ton d’autorité | 0,083 |
Une valeur de 1 correspond à un passage de la dernière à la première position, une valeur de 0 à l’absence de mouvement.
Les gains sont modestes, mais mesurables. Et le résultat intéressant n’est pas que ces méthodes fonctionnent. C’est qu’une transformation du contenu, parfois limitée à sa formulation ou à sa présentation, suffit à modifier le comportement du système qui l’évalue.
Cette influence varie selon l’architecture utilisée.
2. Le même signal, des classements différents
GEO-Bench ne se limite pas aux grands modèles de langage utilisés pour classer une liste.
La même réécriture d’amélioration du contenu gagne 0,082 sur GPT-4o-mini et 0,279 sur Mistral-7B. Et les chercheurs évaluent aussi les modifications avec un cross-encoder, un modèle qui calcule la pertinence de chaque paire requête-document indépendamment des autres candidats. Sur ce reclasseur, l’ajout de propos cités, de statistiques ou de sources citées laisse la cible stable, ou la fait reculer.
Les mêmes transformations améliorent le classement dans un système et peuvent le dégrader dans un autre.
Parce que tous les systèmes n’évaluent pas la pertinence avec les mêmes mécanismes. Un modèle de langage qui classe une liste évalue les candidats ensemble, à partir de leurs descriptions, des instructions reçues et du contexte de comparaison. Un cross-encoder produit une représentation de chaque paire requête-document et en déduit un score. La formulation ne joue pas le même rôle dans les deux cas.
Aucun des deux n’est un arbitre du sens. L’étude ne montre pas qu’un modèle comprend mieux qu’un autre les propriétés réelles des candidats. Elle montre que les mêmes transformations textuelles provoquent des réponses différentes selon les mécanismes mobilisés.
Une autre question apparaît alors immédiatement :
Que produisent ces transformations sur les relations sémantiques mobilisées lorsque le système doit ensuite reconstruire une entité ?
GEO-Bench ne répond pas à cette question. Ce n’était pas son objet. C’est là que commence le problème de la fidélité de reconstruction.
3. L’expansion lexicale : plus d’expressions, plus d’associations
Pour élargir leur couverture des requêtes, certaines stratégies éditoriales multiplient les expressions, les variantes, les synonymes et les concepts connexes.
Une entreprise ne propose plus seulement une solution : elle propose une plateforme, un outil, un système, un environnement, un service.
Ces expressions peuvent être pertinentes. Elles peuvent aussi désigner des concepts distincts, porter des propriétés différentes ou créer des attentes qui ne correspondent pas à l’offre.
Pour un lecteur humain familier du contexte, certaines équivalences paraissent naturelles. Pour un système d’IA, elles ne sont pas automatiquement neutres.
Des tokens aux représentations
Les modèles ne traitent pas les mots comme des entrées indépendantes d’un dictionnaire. Les textes sont découpés en tokens, puis traités par des mécanismes qui produisent des représentations dépendantes du contexte.
À la récupération, un document est segmenté en passages, chacun converti en vecteur et comparé au vecteur de la requête. Quand un passage mêle plusieurs concepts, son vecteur se place entre eux, à distance de chaque question précise.
Au reclassement, les interactions entre la requête et le document sont réévaluées plus finement.
À la génération, les tokens présents dans le contexte orientent les représentations internes et la distribution de probabilité des tokens produits. Quand les associations autour d’une organisation se multiplient, la probabilité se répartit entre davantage de propriétés possibles, dont certaines appartiennent à des concepts voisins.
Ces architectures diffèrent, mais un principe demeure : modifier la formulation d’un contenu modifie les représentations et les relations exploitées pour le traiter.
Introduire des synonymes, ajouter des catégories voisines ou associer de nouveaux concepts à une entité change les contextes dans lesquels elle apparaît et les relations exprimées dans le corpus. Une reformulation peut aussi lever une ambiguïté. Le problème naît quand l’expansion n’est pas gouvernée : quand les équivalences ne sont pas établies, que les concepts voisins ne sont plus distingués, ou que les relations introduites débordent du périmètre réel de l’entité.
Une formulation peut alors améliorer la pertinence estimée d’un contenu sans garantir que ses propriétés seront correctement restituées.
4. L’obésité sémantique : quand le volume du signal efface les distinctions
SEMANTIKIA désigne par obésité sémantique l’accumulation de formulations, de concepts, de variantes et de relations qui augmente le volume du signal sans en accroître la précision ni la cohérence.
Le problème n’est pas la richesse du vocabulaire. C’est l’écart entre la quantité d’information produite et la capacité du corpus à préserver des distinctions stables.
Trois situations doivent être distinguées.
La variation contrôlée. Plusieurs expressions désignent un même concept. Leurs équivalences sont documentées et leur usage est cohérent.
L’expansion sémantique. De nouvelles expressions élargissent progressivement le champ des propriétés et des associations possibles autour d’un concept.
La dérive relationnelle. Certaines associations conduisent un système à attribuer à une entité des propriétés, des activités ou des relations qui ne correspondent plus à sa référence déclarée.
La première peut améliorer un contenu. La deuxième demande une gouvernance. La troisième est un écart de reconstruction.
Une entreprise distribue des équipements industriels et assure leur entretien. Pour couvrir davantage de recherches, ses contenus introduisent progressivement « spécialiste des équipements », « fournisseur de solutions industrielles », « expert en technologies », « concepteur de solutions », puis « fabricant d’équipements ».
Pour un rédacteur, ces formulations servent une même stratégie de positionnement. Leurs implications ne sont pourtant pas les mêmes.
Distribuer un équipement ne signifie pas le fabriquer. L’entretenir ne signifie pas en concevoir la technologie. Être le partenaire commercial d’un fabricant ne signifie pas détenir ses certifications, ses engagements ou ses capacités industrielles.
Quand ces distinctions ne sont pas préservées, le corpus fournit des associations ambiguës. Un système génératif peut alors généraliser une propriété, déplacer une relation, amalgamer deux rôles.
C’est un scénario de dérive qui se teste. Et c’est précisément ce que l’optimisation du classement ne mesure pas.
La densité plutôt que l’accumulation
Le SEO moderne n’exige pas simplement davantage de mots-clés. Ses bonnes pratiques valorisent la pertinence, la clarté et l’utilité des contenus. Mais certaines stratégies de couverture thématique encouragent la multiplication des formulations.
Le SIO ajoute une exigence. Il ne cherche pas à maximiser le nombre de mots-clés ou de variantes. Il cherche à renforcer la densité, la précision et la cohérence du signal qui porte l’identité de l’organisation.
Cela suppose de stabiliser les termes canoniques, de documenter les équivalences admises, de distinguer les concepts voisins et d’expliciter les relations à préserver.
Il ne s’agit pas d’appauvrir la rédaction. Il s’agit d’empêcher que son enrichissement devienne une dispersion de l’identité.
5. Quand votre identité est reconstruite à partir du corpus des autres
L’obésité sémantique n’est qu’une partie du problème. Une organisation peut produire un corpus cohérent et rester dépendante, pour sa reconstruction, des informations publiées par des tiers.
Prenons le cas d’un distributeur d’équipements industriels étudié dans le cadre d’un audit inférentiel. Les observations montrent une reconstruction qui repose principalement sur un petit nombre de pages propriétaires, quatre pages dominantes dans les réponses examinées, et sur les informations publiées par les marques qu’il distribue.
Le fabricant dispose d’une documentation abondante : gammes, modèles, technologies, spécifications, applications. Le distributeur possède un corpus propre plus restreint sur son identité, ses territoires, ses services, ses engagements et sa relation commerciale avec ces marques.
Ces deux corpus n’ont pas la même fonction.
Le fabricant décrit les équipements. Le distributeur doit pouvoir être reconnu pour le rôle qui lui appartient dans leur commercialisation et leur accompagnement.
Quand les informations du fabricant sont plus abondantes et plus souvent sélectionnées, la reconstruction du distributeur dépend fortement de ce corpus tiers. Les contenus du fabricant peuvent être exacts et utiles. Ils ne remplacent pas la définition propre de l’organisation qui distribue ses équipements.
Un système peut ainsi restituer correctement les caractéristiques d’un produit tout en restant imprécis sur la nature du distributeur, ses services ou ce qui le distingue.
Le problème ne relève plus seulement de la qualité rédactionnelle. Il touche à la souveraineté sémantique : la capacité d’une organisation à disposer d’un signal cohérent, explicite et suffisamment représenté pour réduire sa dépendance aux descriptions produites par d’autres.
Une organisation ne contrôle jamais toutes les sources qu’un système peut exploiter. Elle peut en revanche gouverner son propre signal, documenter ses relations avec les tiers, corriger les ambiguïtés connues et mesurer les écarts de reconstruction.
Car être présent dans une réponse ne signifie pas y être représenté selon ses propres propriétés.
6. Détecter une manipulation et vérifier une fidélité sont deux mesures distinctes
GEO-Bench mesure aussi la détectabilité des modifications. Les chercheurs utilisent un juge IA chargé d’identifier les textes destinés à manipuler un classement, et un filtre fondé sur des mots-clés promotionnels.
Réglé pour ne signaler que 6 % des descriptions originales, le juge repère environ 76 % des ajouts de propos cités et 74 % des ajouts de statistiques. Il ne signale que 31 % des réécritures d’amélioration du contenu, et 10 % des modifications de ton d’autorité.
Ces résultats révèlent une distinction importante.
Détecter une tentative de manipulation du classement n’est pas vérifier l’intégrité sémantique d’une information.
Considérons deux formulations hypothétiques :
« Notre entreprise est le distributeur exclusif de cette marque au Québec. »
« Notre entreprise commercialise certains équipements de cette marque au Québec. »
La première affirme une exclusivité. La deuxième décrit une distribution plus limitée.
Si l’exclusivité n’existe pas, la première introduit une propriété fausse. Si elle existe et qu’elle est documentée, c’est une information légitime. Ce n’est pas son allure promotionnelle qui détermine sa fidélité. C’est sa conformité aux propriétés de l’organisation.
Des méthodes d’évaluation de la fidélité existent déjà. RAGAS, par exemple, mesure la cohérence des affirmations générées avec le contexte récupéré.
Mais une réponse peut être parfaitement cohérente avec un contexte qui contient lui-même une information obsolète, ambiguë ou incorrecte sur l’organisation.
La fidélité au contexte n’est pas la fidélité à la référence déclarée de l’organisation.
C’est cette seconde comparaison qui nous intéresse. Le SIO ne demande pas seulement si la réponse est soutenue par les sources exploitées. Il demande si l’entité reconstruite conserve ses propriétés, ses distinctions et ses relations déclarées.
7. L’écart le plus coûteux est celui qui reste plausible
Une réponse peut paraître globalement correcte tout en introduisant des écarts déterminants.
Un service décrit trop largement. Un distributeur assimilé à un fabricant. Une activité secondaire devenue l’activité principale. Une relation commerciale interprétée comme une relation de propriété. Une certification attribuée à la mauvaise entité.
Pour un lecteur non spécialiste, la réponse reste plausible. Elle est fluide, cohérente, assez proche de la réalité pour ne susciter aucun doute.
Mais la plausibilité n’est pas une mesure de fidélité.
SEMANTIKIA décrit les mécanismes de ces écarts à l’aide des cinq opérations de variance : la généralisation, l’amalgame, la troncature, la substitution et la projection. Ces opérations nomment ce que le système fait au signal. Elles n’ont pas de gravité en soi.
La gravité dépend de ce qu’elles touchent :
| Nature de l’écart | Exemple | Conséquence possible |
|---|---|---|
| Dégradation informationnelle | Un service décrit trop largement | Perte de précision |
| Dérive identitaire | Un distributeur présenté comme fabricant | Brouillage du positionnement |
| Dérive commerciale | Attribution d’une offre non disponible | Attentes erronées, occasions mal qualifiées |
| Dérive critique | Attribution d’une certification ou d’un engagement inexistant | Exposition réputationnelle, juridique ou contractuelle |
Toute infidélité n’entraîne pas un préjudice majeur. Mais toute infidélité est un écart qui peut être identifié, qualifié et suivi. Et quand il touche une propriété déterminante de l’organisation, ses conséquences dépassent la simple imprécision.
La visibilité ne peut donc pas être, à elle seule, un indicateur de qualité.
Une réponse incorrecte ne devient pas plus fidèle parce qu’elle est davantage citée. Elle devient simplement plus présente.
8. Performance informationnelle et fidélité de reconstruction : deux familles de métriques
GEO-Bench présente un autre résultat important. Les chercheurs reprennent les mêmes textes produits par la méthode StealthRank et les évaluent sous deux protocoles. Le gain moyen passe de 0,25 à 0,05.
Les textes n’ont pas changé. Les conditions d’évaluation, elles, diffèrent : gabarit de conversation, présentation des candidats, formulation des requêtes, agrégation des classements sur plusieurs ordres de présentation.
Le protocole influence donc fortement la performance mesurée. Et cela pose une question à toute évaluation des systèmes d’IA : que mesure-t-on exactement ?
Un gain de classement ne décrit pas une amélioration générale de la visibilité. Un taux de citation ne décrit pas la qualité de ce qui est cité. Une réponse jugée pertinente ne garantit pas que les propriétés de l’entité ont été préservées.
Il faut distinguer les métriques de performance informationnelle, qui observent la récupération, le classement, la sélection et les citations, des métriques de fidélité de reconstruction, qui caractérisent les écarts entre une reconstruction générée et une référence déclarée.
Les deux sont complémentaires. Elles ne sont pas interchangeables. Et leur relation ne doit pas être présumée. Nous avons détaillé cette distinction dans SEO, GEO et IA générative : mesurer la fidélité de reconstruction sans connaître l’algorithme.
L’hypothèse à mettre à l’épreuve
Une expérimentation pertinente comparerait trois versions d’un même corpus :
- une version initiale, servant de base ;
- une version enrichie selon une stratégie d’expansion lexicale ou d’optimisation GEO ;
- une version structurée selon un Codebook sémantique, avec des concepts, des équivalences et des relations explicitement gouvernés.
Les trois versions porteraient les mêmes faits vérifiés. On observerait ensuite, dans des conditions comparables, leurs effets sur la récupération, le classement et la fidélité des reconstructions.
L’objectif ne serait pas de prouver que l’expansion lexicale dégrade la fidélité. Ce serait de déterminer dans quelles conditions l’optimisation améliore, préserve ou dégrade la reconstruction.
C’est une question de recherche distincte de celle de GEO-Bench.
9. SEO, SIO, GEO : l’ordre d’intervention
Il serait inutile d’opposer trois disciplines qui n’ont pas la même fonction. La vraie question est celle de leur articulation.
1. L’accessibilité technique
Le premier chantier concerne l’accès aux contenus : HTML exploitable, gestion du rendu, exploration, indexabilité, structuration documentaire, disponibilité des informations pour les robots autorisés.
Une organisation dont les contenus ne sont pas accessibles limite mécaniquement leur récupération. C’est le socle que le SEO technique établit.
2. La gouvernance du signal
Avant de multiplier les pages, les variantes et les stratégies de couverture, il faut établir ce qui constitue l’identité informationnelle de l’organisation.
Quels termes portent ses concepts fondamentaux ? Quelles expressions sont réellement équivalentes ? Quelles propriétés lui appartiennent ? Quelles relations doivent être explicites ? Quelles associations sont exclues ? Quels concepts voisins doivent rester distincts ?
C’est le rôle du Codebook sémantique dans la méthode SIO : rendre le signal cohérent et gouvernable avant d’en amplifier la diffusion.
3. La visibilité dans ce cadre
Le SEO éditorial et les pratiques GEO peuvent alors améliorer la couverture des besoins, la récupération et la citation, en respectant les distinctions et les relations gouvernées.
Le SIO n’impose pas un vocabulaire figé. Il établit les conditions dans lesquelles la variation rédactionnelle reste compatible avec l’identité déclarée.
Il ne s’agit pas de choisir entre richesse rédactionnelle et précision sémantique. Il s’agit de ne pas sacrifier la seconde à la première.
4. La mesure avant et après
La gouvernance du signal ne s’évalue pas aux intentions du rédacteur ni à la qualité apparente des pages. Elle se confronte aux reconstructions effectivement produites.
Une mesure initiale établit les écarts existants. De nouvelles mesures, selon un protocole documenté, en suivent l’évolution après les modifications du corpus. Les modèles évoluent, les sources changent : une amélioration observée ne prouve pas à elle seule que l’intervention en est la cause. Mais une mesure structurée documente l’évolution réelle, au lieu de supposer que toute optimisation est bénéfique.
10. La démarche SEMANTIKIA : audit, Codebook, mesure
Le Signal Inference Optimization (SIO) est la discipline qui consiste à structurer et gouverner le signal informationnel contrôlable d’une organisation, afin de réduire la dérive d’inférence et les écarts affectant sa reconstruction par les systèmes d’IA générative.
La démarche repose sur trois composantes complémentaires.
Le RF Scan, un audit inférentiel qui observe et qualifie les reconstructions produites par différents systèmes d’IA, à partir d’un ensemble défini de questions et d’une référence déclarée.
Le Codebook sémantique, qui établit les termes canoniques, les équivalences admises, les relations, les frontières conceptuelles et les règles de rédaction du corpus.
La mesure de fidélité de reconstruction, qui suit les écarts observés et évalue l’effet des interventions sur le signal.
Cette démarche ne remplace pas le SEO ni le GEO. Elle intervient sur une autre variable. La question n’est pas combien de fois une organisation apparaît, mais dans quelle mesure sa reconstruction correspond aux propriétés qui la définissent.
Nous appliquons cette logique à notre propre corpus. Une mesure de référence a été réalisée sur 90 questions avant la mise à disposition du corpus gouverné de SEMANTIKIA, et la même mesure sera refaite pour comparer les reconstructions. Cette comparaison devra tenir compte d’un changement d’échelle : passer d’un corpus limité à un environnement documentaire structuré ne permet pas d’isoler à lui seul l’effet du Codebook sémantique.
Un autre terrain d’observation porte sur un distributeur d’équipements industriels, avec un protocole de 600 observations d’audit, complétées par 40 observations de contrôle. L’analyse documentera la place respective du corpus propre de l’organisation et des sources tierces dans les reconstructions.
11. La fidélité avant l’amplification
GEO-Bench apporte des éléments expérimentaux solides sur une question précise : la capacité de certaines transformations textuelles à modifier le classement produit par un modèle d’IA. Il montre aussi que cette performance dépend du modèle, de la méthode et du protocole.
Il ne mesure pas la préservation des propriétés des entités. Il ne dit pas si les nouvelles formulations introduisent des relations ambiguës, si une entité est reconstruite à partir de son propre corpus ou de celui des autres, ni si une progression dans le classement s’accompagne d’une meilleure fidélité.
Ce n’était pas son objet. Mais ces questions deviennent essentielles dès qu’on considère les conséquences commerciales, réputationnelles et juridiques d’une représentation incorrecte.
Car le problème n’est pas seulement de savoir si une stratégie de visibilité fonctionne.
Le problème est de savoir ce qu’elle amplifie.
Une organisation peut investir dans son référencement, multiplier ses pages, enrichir son vocabulaire, augmenter ses citations. Si les systèmes d’IA reconstruisent mal son activité, confondent ses services ou lui attribuent des propriétés qu’elle n’a pas, cette présence accrue n’est pas un progrès.
L’optimisation n’aura pas forcément créé la dérive. Elle en aura peut-être étendu la portée.
La visibilité détermine si une organisation entre dans la réponse. La fidélité détermine quelle organisation en ressort.
Avant de chercher à être davantage cité, encore faut-il savoir ce que les systèmes d’IA racontent de vous.
Références
-
Nimase, O., Chen, Z., Qi, G., Zhao, Y. et Hu, X. (2026). GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization. arXiv:2605.29107, version 3, 12 octobre 2026. Prépublication. https://arxiv.org/abs/2605.29107
-
Levac, Jean Pierre (15 octobre 2026). Les trucs GEO, mesurés : ce qui fait bouger un classement IA, ce qui se fait repérer, et de qui vient le test. JPL Digital Growth Group. https://jpldigital.ca/fr/blog/trucs-geo-mesures/
-
Es, S. et al. (2024). RAGAS: Automated Evaluation of Retrieval Augmented Generation. EACL 2024. https://aclanthology.org/2024.eacl-demo.16/
-
Google Search Central. Spam Policies for Google Web Search et Creating Helpful, Reliable, People-First Content.
CONCEPTS ABORDÉS
PREMIÈRE LECTURE
Vous ne savez pas ce que les IA reconstruisent de votre organisation ?
L'AUTRICE
Mélanie Maquet — autrice de la doctrine Signal Inference Optimization (SIO) et fondatrice de SEMANTIKIA, cabinet d'intelligence inférentielle. Elle travaille les conditions structurelles dans lesquelles les systèmes d'IA reconstruisent une organisation : structurer le signal plutôt que courir après la visibilité. Elle écrit sur le signal informationnel des organisations et la fidélité de reconstruction IA.
À LIRE AUSSI
Rédaction web et IA : ce qui est une redite pour l'humain est une première lecture pour la machine
Un humain lit une page. Une machine lit des fragments. La répétition ne produit pas le même effet sur les deux.
SIGNAL INFERENCE OPTIMIZATIONSédimentation interprétative : comment une représentation infidèle peut survivre à sa correction
Une information peut être corrigée à sa source sans que la représentation construite à partir d'elle disparaisse.
OPINIONS & PERSPECTIVESSEO, GEO et IA générative : mesurer la fidélité de reconstruction sans connaître l'algorithme
L'opacité des algorithmes n'est pas une excuse. C'est une condition de travail.