Cet article commence par un aveu : la semaine dernière, j'ai construit un outil de monitoring GEO custom pour un client SaaS immobilier parce qu'aucune plateforme du marché n'offrait exactement ce qu'il fallait. Otterly ? Bien, mais incomplet sur les variantes de requête. Profound ? Lourd et cher. Peec.ai ? Limité sur Perplexity. Kai by AthenaHQ ? Nouveau, mais encore bancal. Alors j'ai pris Python, des APIs, un scheduler cron, et un tableau de bord simple. Pas une killer-app à vendre. Un MVP pragmatique qui répond au problème : comment savoir si mon contenu remonte dans les réponses des IA génératives, semaine après semaine ?
C'est ce retour de terrain que je te raconte ici. Pourquoi le monitoring GEO devient critique en 2026, comment les outils existants manquent la cible, mon architecture custom, et surtout les KPI qui comptent vraiment quand on joue dans la cour des IA.
Pourquoi le ranking traditionnel ne suffit plus
Depuis dix ans, j'ai construit mon expertise autour d'une question simple : "où est mon site dans Google ?" Le ranking. La position 1, 3, 7 sur la requête clé. C'est l'ADN du SEO.
En 2026, cette question n'est plus suffisante. Voici pourquoi.
D'abord, Google lui-même a changé de jeu. Depuis le déploiement progressif des Google AI Overviews (anciennement SGE, Search Generative Experience), une portion croissante des clics ne va plus au résultat #1 organique, mais à la réponse synthétisée en haut de page. Pour un client en immobilier résidentiel, les requêtes "quel prix pour une maison à Marseille" ou "comment investir dans la pierre" déclenchent désormais une réponse IA qui cite un ensemble de sources. Être dans ces sources (ou hors de ces sources) change tout. Un lien depuis Google AI Overviews n'a pas le même poids, le même CTR, que la position 1 organique classique. Mais l'ignorer, c'est devenir invisible.
Deuxièmement, le marché des IA conversationnelles s'est bifurqué. ChatGPT domine chez les early adopters et les professionnels. Perplexity gagne des parts chez les utilisateurs qui veulent des réponses sourcées et fraîches. Gemini intégrée dans Google Workspace et Chrome se démocratise auprès des entreprises. Claude elle-même commence à avoir des utilisateurs sérieux (désolé pour l'autopromo). Chacune de ces IA a sa propre mémoire, son propre indice d'entraînement, ses propres préférences de sources. Un client qui "bien positionné sur Google" peut être complètement absent de la réponse ChatGPT sur la même requête. C'est un nouveau marché de visiteurs potentiels, et aucun outil SEO traditionnel ne le mesure.
Troisièmement, les IA réagissent différemment au contenu. Une IA n'a pas besoin de "cliquer" sur ton site. Elle a besoin que ton contenu soit dans sa base de connaissance (données d'entraînement) ou accessible en real-time via un plugin ou une recherche web. ChatGPT peut citer un article vieux de trois ans grâce à son entraînement. Google AI Overviews puise dans le web actuel. Perplexity scanne et cite les sources en direct. Les trois ont des comportements différents, et ma stratégie de contenu doit s'adapter en conséquence. Mais comment adapter ma stratégie si je n'ai aucune visibilité sur ces trois IA différentes ?
Le monitoring GEO ne remplace pas le monitoring SEO traditionnel. Il l'étend.
Ce qu'il faut monitorer en GEO (impressions IA, citations, prompts)
OK, tu veux monitorer ta visibilité GEO. Par où commencer ? Il faut d'abord clarifier ce qu'on mesure, parce que "apparaître dans ChatGPT" c'est flou. C'est quoi, en réalité ?
Niveau 1 : Impressions IA (citations). Une "impression IA" c'est quand ton domaine (ou ton contenu) est cité, linkifié, ou summarisé dans une réponse IA donnée à un utilisateur. Sur Google AI Overviews, c'est la présence dans le bloc de réponse. Sur Perplexity, c'est le lien en bas qui dit "Sources". Sur ChatGPT via les web search plugins, c'est le fait que l'IA ait fouillé ton site et l'ait cité. Ces impressions ne génèrent pas toutes des clics (certains utilisateurs IA ne cliquent jamais), mais elles génèrent une exposition. Et l'exposition conduit à des citations entrantes, à plus d'autorité indirectement.
Niveau 2 : Share of Voice IA. Sur une requête donnée (par exemple "agence immobilière Marseille"), combien des réponses IA principales citent ton site ? Si 5 IA majeures répondent à cette requête, et 3 d'entre elles te citent, ton SoV IA est 60 %. C'est un KPI directement inspiré du SEA, adapté au monde IA. Et c'est hyper politique : si ta part de voix IA baisse d'une semaine à l'autre sur une requête clé, tu as un signal d'alerte que quelque chose se passe (nouvelle concurrence ? dégradation de ton contenu ? changement d'algorithme ?).
Niveau 3 : Prompts et contextes d'appel. Pour qu'une IA te cite, il faut d'abord qu'un utilisateur pose une question qui te concernerait. Je dois tracer : quelle est la requête exacte qui a déclenché la réponse ? Quel était le contexte conversationnel ? Est-ce que l'IA a hallucine ou cité correctement ? Sur certains domaines sensibles (finances, santé, immobilier), une mauvaise citation peut être plus coûteuse qu'une citation positive. Et une hallucination (l'IA qui prétend que ton site dit quelque chose que tu n'as jamais écrit) est en pire que l'absence.
Niveau 4 : Sentiment et contexte de la citation. Quand ton contenu est cité dans une réponse IA, c'est en contexte positif ou négatif ? T'es cité comme la source fiable, ou comme "un exemple de ce qu'il ne faut pas faire" ? C'est qualitatif, mais crucial. Un client immobilier mentionné comme "agence réputée" vs "agence qui a eu des avis négatifs" n'a pas la même valeur marketing. Cela nécessite une lecture humaine, une fois par semaine au moins.
Niveau 5 : Backlinks générés par les IA. Certaines IA (notamment Perplexity) cliquent vraiment sur ton site pendant leur recherche. C'est du trafic direct. En vérifiant tes logs serveur ou ta Google Search Console pour un pattern de user-agent spécifique, tu peux tracer combien de "crawls" viennent d'une session de recherche IA donnée. Et derrière chaque crawl, potentiellement une citation et un utilisateur.
Les outils du marché : comparatif honnête
Avant de parler de ce que j'ai construit, passons en revue ce qui existe.
Otterly AI
Forces. Interface claire. Tracking de ChatGPT, Perplexity, Google AI Overviews. Dashboard simple, même pour des non-techniques. API accessible. Bon support.
Faiblesses. Couverture de prompts limitée (difficile de tester tes propres variantes). Coûteux à partir de quelques centaines de moniteurs. Pas de contexte conversationnel stocké (tu sais qu'une citation existe, mais pas pourquoi ou comment). Lenteur à déployer des requêtes nouvelles (lag de quelques jours).
Profound AI
Forces. Outil très complet pour le SEO traditionnel étendu au GEO. Intégration avec Google Search Console, Google Analytics et d'autres sources. Historique long des données. Enterprise-grade.
Faiblesses. Lourd, compliqué à mettre en place pour un freelance ou PME. Interface datée. Coûte plusieurs milliers par an. Documentation médiocre. C'est un outil for big agencies.
Peec.ai
Forces. Spécialisé en SEO et GEO. API simple. Bon pricing pour les petites structures. Support réactif.
Faiblesses. Perplexity tracking pas assez fiable. ChatGPT limité aux web search plugins. Pas de monitoring Google AI Overviews. Plus orienté SEO traditionnel que GEO. Jeune, donc moins stable.
Kai by AthenaHQ
Forces. Focus GEO pur. Nouvelle approche des KPI. Prompt simulation bien pensée.
Faiblesses. Encore en version quasi-bêta (mai 2026). Instable. Docs squelettiques. Support difficile à joindre. Pricing opaque. Pas prêt pour une production sérieuse en client.
Mon diagnostic : aucun outil ne couvre vraiment le cas d'un client avec des requêtes hyperspécifiques, un budget limité et le besoin de tracking fiable en real-time sur trois IA différentes. Otterly s'en rapproche le plus, mais il manque trop de flexibilité sur les prompts. Profound est overkill et cher. Et c'est pour ça qu'après deux semaines à jongler avec des limites, j'ai lancé mon MVP custom.
Pourquoi j'ai construit mon propre outil pour un client (sans nom, juste "client SaaS B2B")
Le client en question : une plateforme SaaS dans l'immobilier. Pas Google, pas Airbnb. Pas de bruit de presse. Un vrai challenger qui prend lentement du marché. Leur métier : aider les propriétaires et les investisseurs à modéliser des investissements immobiliers.
Leurs requêtes critiques ? Les 30 questions qu'un investisseur se pose en français sur le sujet. "Combien coûte un bien immobilier à Marseille aujourd'hui ?", "Quels sont les meilleurs quartiers pour investir à Bordeaux ?", "Comment calculer le rendement locatif brut ?", "Immobilier de prestige : où investir ?" etc. Pas des questions de brand. Des questions informationnelles, du long-tail, qu'une IA déciderait clairement de répondre.
Avec Otterly, j'aurais pu tracker les 30 requêtes. Mais le client voulait aussi :
- Customiser les variantes de prompt (par exemple, tester "où investir immobilier 2026" vs "investir dans la pierre Bordeaux 2026")
- Sauvegarder les réponses exactes pour analyse humaine (du sentiment, des hallucinations, du contexte)
- Avoir un reporting interne, non dépendant d'une plateforme SaaS tierce
- Intégrer ça automatiquement dans son système interne (parce que oui, tous les outils analytiques du SaaS feed sur une base interne)
- Tout ça pour un coût qui ne double pas sa facture cloud
Aucun outil du marché ne couvrait la totalité. Alors voilà ce que j'ai fait.
Architecture technique de mon outil (API ChatGPT/Perplexity, scheduler, dashboard)
Je vais te montrer les grandes lignes. Pas un tutoriel complet, mais les pièces maîtresses.
Stack choisi
Backend. Python 3.12, requests pour les HTTP calls. Pas de framework web (trop lourd pour ce use case). Un script cron qui tourne en local ou sur un petit VPS.
IA APIs. OpenAI (ChatGPT + web search), Perplexity API (nouvellement ouverte), Google Generative AI pour Gemini. Plus tard, on pourrait ajouter Claude.
Stockage. PostgreSQL local. Parce que le client en avait déjà une. (Si le budget avait été micro, SQLite sur disque aurait suffi.)
Frontend. HTML/CSS/JS simple. Tableau de synthèse, graphiques avec Chart.js, export CSV. Déployé sur un CDN statique (Cloudflare Pages) grâce à un job Python qui génère des fichiers HTML statiques chaque matin.
Le cœur du script : interroger les trois IA
Parser les citations
Pour chaque réponse, il faut extraire "a-t-il cité mon domaine ?" et "a-t-il cité un concurrent ?" Ici, on utilise une regex simple plus une API de détection de URLs :
Le scheduler cron
On lance le monitoring chaque lundi matin à 8h (choix arbitraire, tu peux ajuster). Même jour, même heure, pour avoir une baseline cohérente.
Le script :
Chaque appel API a un timeout (20 secondes), et on retry une fois en cas d'erreur réseau. Les résultats bruts sont sauvegardés en base pour audit, et on génère en HTML statique une vue synthétique.
La méthodologie : 30 prompts à monitorer chaque semaine
Le choix des 30 prompts est hyper politique. Ce ne sont pas les requêtes du client, c'est les requêtes qu'un utilisateur final poserait avant de trouver le client.
Segmentation. On les divise en 5 catégories :
- Awareness (7 requêtes) : Requêtes très générales. "Comment investir dans l'immobilier", "Immobilier 2026", "Location meublée rentabilité". Ici, le client n'attend pas nécessairement un lien direkt, mais une mention d'expertise.
- Consideration (8 requêtes) : Requêtes semi-spécialisées. "Comment calculer un rendement immobilier", "Investir à Bordeaux", "Immobilier neuf vs ancien". Le client aimerait que l'IA cite une ressource plus spécialisée que Wikipedia.
- Intent (7 requêtes) : Requêtes ultra-spécifiques. "Diagnostic thermique immobilier", "Indivision immobilière comment vendre", "SCPI fiscalité 2026". Ici, une citation directe est une victoire majeure.
- Brand (4 requêtes) : Requêtes avec le nom du produit ou du marché niche. "Platforme d'analyse immobilière", "Outils simulation crédit immobilier". Ici, on espère être cité plus que les concurrents.
- Negative monitoring (4 requêtes) : Requêtes potentiellement problématiques. "Avis [competitor]", "Escroquerie immobilière", "Erreurs à éviter investissement". On checker si on est mentionné négativement.
Cadence. Lundi matin, même ordre des prompts, même ordre des IA. Cohérence = signal clair quand quelque chose change.
Variantes saisonnières. En janvier, on ajoute des variantes "Investir 2026". En juillet, des variantes "Investissement été". Les variations aident à tracer comment les IA adaptent leurs réponses au contexte temporel.
Les KPI qui comptent (Share of Voice IA, citations entrantes, sentiment)
OK, j'ai mes données. Quoi faire avec ? Voici les trois KPI que je regarde en priorité.
Share of Voice IA (SoV IA)
Pour chaque requête testée, j'en extrais un score : "sur X réponses IA majeures, j'ai été cité Y fois". D'où un SoV IA = Y/X.
Pourquoi c'est important. Le SoV IA est un KPI d'exposition. Haut SoV IA = visible aux utilisateurs IA. Bas SoV IA = shadow zone. Et contrairement au ranking organique (où passer de la position 1 à 3 c'est une catastrophe), le SoV IA est plus linéaire : à chaque IA où tu es absent, c'est un segment d'utilisateurs que tu perds.
Cible pour ce client. 60% de SoV IA sur les requêtes "awareness". 75% sur "consideration". 85% sur "intent". Ces pourcentages sont arbitraires mais servent de radar : si la semaine 8 on passe de 78% à 62% sur consideration, c'est une alerte à investiguer.
Citations entrantes (Inbound Citations)
Chaque semaine, on compte : sur combien de réponses IA une URL du domaine du client a-t-elle été mentionnée ? Tendance ? Progression ?
Pourquoi c'est important. Les citations IA ne donnent pas toutes du CTR (l'utilisateur IA peut lire la citation et partir sans cliquer), mais elles donnent de l'autorité indirecte. Une citation IA = un signal d'expertise pour les humains qui lisent la réponse = plus de crédibilité. Et sur le long terme, les citations IA influencent l'indexation et le ranking traditionnel (Google aime quand d'autres IA te citent).
Cible pour ce client. Semaine 1 : baseline (nombre de citations). Semaine 4 : +20%. Semaine 12 : +50%. C'est un objectif de croissance douce.
Sentiment et Contexte (qualitatif)
Une fois par semaine, je fais une lecture humaine rapide (20-30 minutes) des 30 réponses IA. Est-ce qu'on est cité positif ou problématique ? En contexte de confiance ("l'agence conseille") ou de warning ("évite cette erreur") ? Y a-t-il des hallucinations ?
Pourquoi c'est important. Un SoV IA de 80% n'est pas bon si les 80% citent le client en contexte négatif. Il faut lire. C'est déprimant, mais inévitable.
Cible pour ce client. 100% positive ou neutre. Zéro mention négative ou hallucination. Oui, c'est dur.
Lier monitoring GEO et stratégie de contenu (ce qui marche, ce qui ne marche pas)
Le monitoring GEO pris seul est juste du reportage. La vraie valeur apparaît quand tu le lis en parallèle de ta stratégie de contenu.
Exemple 1 : le contenu invisible. Le client a publié un article super technique sur "Comment calculer le rendement locatif ajusté des impôts". 3000 mots, bien structuré, sources. Le monitoring GEO révèle : zéro citation sur ChatGPT et Perplexity. L'article est indexé par Google, rankait en position 4 sur la requête clé. Mais les IA ne le voient pas. Pourquoi ? Probablement parce que l'article est trop récent (moins de 2 mois), et les IA n'ont pas mis à jour leurs données d'entraînement depuis. Leçon : pour que ChatGPT cite un contenu nouveau, il faut attendre. Mais Perplexity et Google AI Overviews, qui scannent le web en live, devraient le voir. S'ils ne le voient pas, c'est un problème d'accessibilité (robots.txt trop stricte ? Trop slow ? Format mauvais ?). On a modifié la structure JSON-LD et le crawler pattern. Deux semaines après, Perplexity commençait à citer l'article.
Exemple 2 : le contenu de concurrence. Le client a repéré que sur la requête "investissement locatif Bordeaux", Google AI Overviews citait un concurrent nulle part au classement traditionnel. Comment ça ? Enquête : le concurrent avait une page super bien structurée, facile à scrap, avec des avis clients réels. Les IA préfèrent ça à un article SEO classique. Leçon : pour les IA, les avis et le UGC pèsent plus lourd qu'on ne pense. Le client a investi du temps sur une page "Testimonials & Case Studies" avec du vrai client success stories. Six semaines plus tard, il apparaissait dans Google AI Overviews sur cette requête.
Exemple 3 : la personnalisation de prompt. En variant le prompt de "Investir immobilier" à "Investir immobilier 2026", les IA donnaient des réponses légèrement différentes et citaient des sources différentes. Le client a donc créé du contenu spécifiquement taggé "2026 outlook" pour capter ces variantes. A la fois du contenu frais et du contenu évolutif année par année. Ça a eu un impact visible sur les citations.
En résumé : le monitoring GEO t'expose les blind spots. Et une bonne stratégie de contenu, c'est d'adresser les blind spots.
Le rôle de Wikipedia dans la "mémoire" des LLMs
Un détail qui mérite sa propre section : Wikipedia reste la source la plus citée par les IA, tous modèles confondus.
Pourquoi ? Parce que Wikipedia a une autorité gravée dans les données d'entraînement. Les modèles de fondation sont entraînés sur d'énormes corpus textuels qui incluent Wikipedia en gros volume. Et même quand une IA utilise la recherche web en live (Perplexity, Google AI Overviews), elle cite Wikipedia comme source fiable par réflexe.
Pour un client SaaS qui veut de la visibilité GEO, ça signifie deux choses :
- Une mention Wikipedia vaut de l'or. Si tu peux mentionner ton produit ou ton expertise dans une page Wikipedia pertinente, c'est un investissement de long terme. Pas du spam, du légit, avec sources, neutre. Les IA vont voir la mention Wikipedia ET vont être incitées à la citer dans leurs réponses. (Lire notre guide complet : Wikipedia et E-E-A-T SEO.)
- Un contenu qui relie Wikipedia est mieux cité. Si ton article cite des pages Wikipedia pertinentes, et que Wikipedia a une bonne structure, les IA sont plus confiantes pour te citer en contexte similaire.
C'est un angle qu'Otterly, Profound et autres outils ne mesurent pas vraiment. Mais c'est clé en GEO.
Conclusion et roadmap pour 2026
Le monitoring GEO n'est pas optionnel en 2026. Il est aussi critique que le monitoring SEO traditionnel, sinon plus. Parce que le trafic des IA (citations, clics, exposition) grandit exponentiellement, et tes outils d'hier ne la mesurent pas.
Tu as trois chemins :
- Payer un outil SaaS établi (Otterly, Profound). C'est rapide, mais tu sacrifies de la flexibilité et tu dépends de leur roadmap.
- Tester un outil nouveau (Peec.ai, Kai). Moins cher, mais avec du risque de stabilité.
- Construire un MVP custom (comme j'ai fait). Plus d'effort front, mais plein contrôle. Et ça scale bien si tu as déjà une stack technique interne.
Pour ce client, nous avons pris l'option 3. Et nous voyons déjà des insights qu'aucun autre outil ne fournirait : tracking des variantes de prompt, analyse de sentiment qualitative, intégration dans le système BI interne.
Roadmap pour les prochains mois :
- Ajouter Claude et d'autres modèles (Mistral via Ollama, potentiellement des modèles locaux pour la sensibilité des données)
- Intégrer un crawler + sentiment analyzer simple (NLP léger) pour automatiser un peu la lecture qualitative
- Alerter proactivement sur les perte de SoV IA (si score baisse de plus de X% d'une semaine à l'autre)
- Corréler monitoring GEO + données de visite réelle (tracer si une citation IA a vraiment généré du CTR ou de l'autorité)
- Exporter automatiquement un rapport hebdo en Slack / Google Workspace du client
📖 Ressources : Cet article compile observations de terrain accumulées en 4 semaines de monitoring custom pour un client SaaS B2B (avril-mai 2026). Les APIs consultées : OpenAI API, Perplexity API, Google Generative AI. Les outils du marché mentionnés sont fidèles à leur état au 2 mai 2026 et peuvent avoir évolué. Stack cité : Python 3.12, PostgreSQL, Chart.js, Cloudflare Pages.