---
title: "L'étude GEO de Princeton : méthodologie, résultats et critiques"
description: "L'étude GEO de Princeton en détail : 10 000 requêtes, 9 méthodes d'optimisation et environ 10 % de part de réponse en moins pour le Keyword Stuffing testé sur Perplexity."
locale: "fr"
canonical: "https://blckalpaca.at/fr/base-de-connaissances/seo-geo/geo-seo-lessentiel-du-generative-engine-optimization/letude-geo-de-princeton-methodologie-resultats-et-critiques"
category: "SEO & GEO"
topic: "Guide GEO : l'essentiel du Generative Engine Optimization"
updated: "2026-10-28T13:24:24.397Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# L'étude GEO de Princeton : méthodologie, résultats et critiques

L'étude GEO de Princeton (Aggarwal et al., « GEO: Generative Engine Optimization », arXiv 2311.09735, ACM SIGKDD 2024) est le document fondateur de la Generative Engine Optimization. Avec le framework de benchmark GEO-bench, elle a testé environ 10 000 requêtes issues de neuf sources de données et de 25 domaines, et a démontré qu'une optimisation ciblée du contenu peut augmenter jusqu'à 40 % la visibilité dans les réponses générées par l'IA.

## L’essentiel

- L'étude (Aggarwal et al., KDD 2024, arXiv 2311.09735) a forgé le terme GEO et constitue la première recherche contrôlée et évaluée par les pairs sur la visibilité dans les systèmes de recherche génératifs.
- GEO-bench comprend 10 000 requêtes (8 000 d'entraînement, 1 000 de validation, 1 000 de test) issues de neuf sources et de 25 domaines, avec une répartition réaliste comptant 80 % de requêtes informationnelles.
- Selon la publication, les trois méthodes mises en avant par les auteurs, Cite Sources, Quotation Addition et Statistics Addition, ont obtenu une amélioration relative de 30 à 40 % sur la métrique Position-Adjusted Word Count (recalculée à partir du tableau 1 : environ 27 à 41 %).
- Les sources moins bien positionnées en ont profité de manière disproportionnée (effet de rattrapage), ce qui rend le GEO particulièrement intéressant pour les petits prestataires B2B en Europe.
- Le Keyword Stuffing figurait parmi les approches les plus faibles et pouvait même dégrader la visibilité : les tactiques classiques de spam SEO ne fonctionnent pas avec les systèmes génératifs.
- Limites : une évaluation synthétique en boîte noire, l'état des modèles de 2023/2024 et une configuration à somme nulle avec peu de sources amplifient les gains relatifs, si bien que les pourcentages exacts ne sont pas transposables tels quels aux systèmes actuels.
- Le mécanisme (signaux d'autorité et structure augmentent la probabilité d'être cité) ne dépend pas de la langue et peut donc être transposé au marché B2B européen, contrairement aux chiffres concrets.

L'étude GEO de Princeton est le point de départ de toute réflexion sérieuse sur la [Generative Engine Optimization](https://blckalpaca.at/fr/services/geo). Si tu travailles en B2B en Europe et que tu veux comprendre pourquoi les statistiques, les références aux sources et les citations sont soudain considérées comme des leviers d'optimisation dans les réponses de l'[IA](https://blckalpaca.at/fr/glossaire/ia), cette publication est incontournable. Parue en 2023 en prépublication (puis publiée à KDD 2024), elle a fourni pour la première fois une preuve mesurable et reproductible qu'il est possible de concevoir des contenus pour que les systèmes de recherche génératifs les citent plus souvent et de manière plus visible. Cet article situe l'étude, explique sa méthodologie, interprète correctement son résultat principal, très souvent cité, et décrit les limites à garder à l'esprit lorsqu'on la transpose aux systèmes actuels et au marché européen.

## Ce qu'est l'étude GEO de Princeton et pourquoi elle reste pertinente

Le travail intitulé « GEO: Generative Engine Optimization » est signé Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan et Ameet Deshpande. Il a été publié lors de la conférence ACM SIGKDD 2024 (KDD 2024) et il est librement accessible en prépublication sous arXiv 2311.09735. Les auteurs ont forgé le terme Generative Engine Optimization et l'ont défini comme une discipline à part entière, à côté du [référencement naturel classique](https://blckalpaca.at/fr/services/agence-seo).

Sa pertinence découle de la situation de départ. Le [SEO](https://blckalpaca.at/fr/glossaire/seo) classique optimise pour le classement, c'est-à-dire pour des positions dans une liste de résultats. Les systèmes de recherche génératifs comme Google AI Overviews, ChatGPT Search ou Perplexity fournissent à la place une réponse synthétisée et ne renvoient plus qu'à des sources sélectionnées. L'étude de Princeton a été le premier travail à mesurer cette nouvelle réalité dans une expérience contrôlée. Elle a fait passer la question de « Comment mieux me classer ? » à « Comment être repris dans la réponse générée ? ». C'est précisément ce déplacement qui fait de cette publication le document fondateur d'une discipline dont les tactiques figurent aujourd'hui dans tous les guides GEO.

Point important pour la situer : l'étude est académique, pas commerciale. Ses conclusions proviennent d'une expérience évaluée par les pairs, et non du marketing d'un éditeur d'outils. Cela lui confère une avance en matière de confiance qu'on ne peut pas présumer pour beaucoup d'études sectorielles ultérieures.

## La méthodologie : GEO-bench et les nouvelles métriques de visibilité

Le cœur de l'étude est un framework de benchmark développé spécialement, appelé GEO-bench. Il comprend [10 000 requêtes, réparties en 8 000 requêtes d'entraînement, 1 000 de validation et 1 000 de test](https://arxiv.org/html/2311.09735v3), tirées de [neuf sources de données différentes couvrant 25 domaines](https://arxiv.org/html/2311.09735v3) comme l'art, la santé ou les jeux. Pour que le jeu de données reflète la réalité de la recherche, les auteurs ont respecté la répartition typique des requêtes : [80 % de requêtes informationnelles et 10 % chacune de requêtes transactionnelles et navigationnelles](https://arxiv.org/html/2311.09735v3). Cette diversité est décisive, car elle évite qu'un résultat ne vaille que pour une seule niche.

Le deuxième apport méthodologique, ce sont deux nouvelles métriques sans lesquelles la visibilité dans une réponse générée ne serait même pas quantifiable. Toutes deux mesurent autre chose qu'un classement classique :

**Position-Adjusted Word Count :** cet indicateur compte combien de mots d'une réponse IA proviennent d'une source donnée et les pondère selon leur position dans la réponse. Une source exploitée tôt et en détail obtient une valeur plus élevée qu'une source qui n'apparaît qu'en marge. Il mesure donc l'ampleur et la mise en avant de la reprise.

**Subjective Impression :** cette métrique utilise un modèle de langage comme évaluateur et juge la pertinence, l'influence et l'utilité perçues d'une source citée dans la réponse. Elle capte ainsi des aspects qualitatifs qu'un simple comptage de mots ne reflète pas.

L'évaluation elle-même reposait sur un système génératif basé sur un modèle [GPT](https://blckalpaca.at/fr/glossaire/gpt) de l'époque, qui utilisait des résultats de recherche comme base de sources. Pour chaque requête de test, le contenu d'une source cible a été retravaillé selon une méthode GEO, puis on a mesuré si la visibilité de cette source dans la réponse générée évoluait, et dans quelle mesure.

## Les neuf méthodes GEO testées et leur efficacité

L'étude a testé neuf manipulations de contenu concrètes par rapport à un état de départ non optimisé. Les plus importantes se répartissent en trois groupes :

**Signaux d'autorité (les gagnants) :** on y trouve [Statistics Addition](https://blckalpaca.at/fr/base-de-connaissances/seo-geo/geo-seo-lessentiel-du-generative-engine-optimization/statistiques-et-donnees-pour-le-geo-leffet-41) (ajout de chiffres et de statistiques pertinents), Quotation Addition (ajout de citations pertinentes) et Cite Sources (ajout de références renvoyant à des sources crédibles). Les auteurs qualifient ces trois méthodes de plus efficaces de l'étude.

**Optimisation rédactionnelle :** elle comprend Fluency Optimization (formulation plus fluide et plus claire), Authoritative (ton plus affirmé, faisant autorité) et Technical Terms (ajout de termes techniques). Sur Position-Adjusted Word Count, Fluency Optimization a atteint [24,7 points (19,3 sans optimisation), soit à peu près le même niveau que Cite Sources (24,6)](https://arxiv.org/html/2311.09735v3). Authoritative et Technical Terms ont eu un effet modéré et très dépendant du domaine.

**Approches inefficaces ou nuisibles :** le Keyword Stuffing, c'est-à-dire la répétition mécanique de mots-clés, figurait parmi les approches les plus faibles et pouvait même dégrader la visibilité par rapport à l'état de départ. [Lors du test pratique sur Perplexity, le Keyword Stuffing a obtenu sur Position-Adjusted Word Count un résultat inférieur d'environ 10 % à celui de l'état de départ non optimisé](https://arxiv.org/html/2311.09735v3). C'est un constat central : les tactiques classiques de spam SEO ne se transposent pas aux systèmes génératifs.

Le constat le plus utile en pratique concerne la combinaison. Les auteurs ont montré que l'association d'une optimisation rédactionnelle et de l'ajout de statistiques surpasse chaque méthode prise isolément. Pour le B2B, cela signifie qu'il faut augmenter à la fois la densité de preuves et la lisibilité, plutôt que de miser sur une seule tactique.

## Bien interpréter le résultat clé « jusqu'à 40 % »

Le chiffre le plus cité de l'étude est l'affirmation phare selon laquelle la visibilité dans les réponses génératives peut augmenter [jusqu'à 40 %](https://arxiv.org/html/2311.09735v3). Ce chiffre est souvent mal compris dans la pratique, d'où l'intérêt de le situer avec précision.

Premièrement, il s'agit d'une valeur maximale, pas d'une moyenne. Concrètement, [selon la publication, les trois méthodes mises en avant par les auteurs, Cite Sources, Quotation Addition et Statistics Addition, ont obtenu une amélioration relative de 30 à 40 %](https://arxiv.org/html/2311.09735v3) sur la métrique Position-Adjusted Word Count (recalculée à partir du tableau 1 de la publication : environ 27 % pour Cite Sources et jusqu'à 41 % pour Quotation Addition). C'est donc le maximum possible dans des conditions idéales, et non une garantie pour n'importe quel contenu.

Deuxièmement, il s'agit d'une amélioration relative, et non absolue. Elle décrit la progression par rapport à l'état de départ non optimisé de la même source, dans le même contexte de réponse. Une source déjà citée de manière dominante a moins de marge de progression.

Troisièmement, et c'est le point le plus important sur le plan stratégique, ce sont les sources moins bien positionnées qui en ont le plus profité. L'étude décrit un effet de rattrapage : les contenus presque invisibles sans optimisation ont progressé de manière disproportionnée grâce aux méthodes GEO. Pour les petits et moyens prestataires, c'est là la vraie bonne nouvelle. Le GEO donne précisément aux outsiders une chance réelle d'être mentionnés, au lieu de rendre encore plus visibles les seuls leaders établis du marché.

## Spécificité du domaine : pourquoi une même méthode n'a pas le même effet partout

Un constat souvent négligé de l'étude est la dépendance au domaine. Sur l'ensemble des [25 domaines couverts](https://arxiv.org/html/2311.09735v3), aucune méthode n'a eu le même effet partout. Dans certains domaines, ce sont les statistiques qui ont le plus fait progresser la visibilité, dans d'autres, les citations ou un style plus affirmé.

Pour les acteurs B2B, cela se traduit par une consigne concrète : il n'existe pas de formule GEO universelle. Un produit industriel technique, un cabinet de conseil juridique et une offre de logiciel en tant que service ont besoin d'accents différents. Là où la confiance naît de données concrètes, la densité de statistiques est payante. Là où elle naît de l'expertise et de la réputation, ce sont les citations attribuées qui paient. L'étude fournit ainsi une méthode de test, pas une recette. Si tu prends le GEO au sérieux, tu mesures l'effet thématique par thématique au lieu d'appliquer une stratégie uniforme à tous tes contenus.

## Critiques et limites de l'étude

Aussi importante que soit l'étude de Princeton, sa portée a des limites claires qu'il faut connaître pour l'appliquer sérieusement.

**Évaluation synthétique et en partie opaque :** la visibilité a été mesurée de manière automatisée, en partie avec un modèle de langage comme évaluateur. Le système génératif et sa sélection de sources restent une boîte noire. On ne peut pas reconstituer entièrement pourquoi une source a été privilégiée.

**État des modèles de 2023/2024 :** les expériences ont été menées avec les modèles et systèmes de recherche de l'époque. Les moteurs actuels comme Google AI Overviews, Google AI Mode, Perplexity ou Claude reposent sur des architectures plus récentes, d'autres méthodes de récupération des sources et parfois une logique de sélection complètement différente. Les pourcentages concrets ne sont donc pas transposables tels quels à 2026.

**Configuration à somme nulle :** dans l'expérience, seules quelques sources se disputaient la visibilité au sein d'une réponse. Dans un dispositif fermé de ce type, les gains relatifs sont plus élevés que dans la réalité ouverte, où un système choisit parmi des millions de pages. Les valeurs d'amélioration doivent donc être lues comme un indicateur de tendance, et non comme une prévision exacte pour ton propre site.

**Généralisation :** l'étude a testé la synthèse générative, pas chaque produit actuel. Le fait que le mécanisme fonctionne sur le principe est considéré comme bien établi. Que les chiffres exacts s'appliquent à un système précis d'aujourd'hui relève de l'hypothèse, pas d'un fait démontré.

## De l'étude à la pratique : rendre les conclusions opérationnelles

Les résultats de la recherche se traduisent en quatre leviers pratiques, directement applicables dans le B2B :

[**Front-Loading**](https://blckalpaca.at/fr/base-de-connaissances/seo-geo/geo-seo-lessentiel-du-generative-engine-optimization/optimisation-de-contenu-pour-lia-front-loading-et-answer-islands) **:** la réponse la plus importante doit figurer au début d'une section. Les systèmes génératifs privilégient les affirmations formulées tôt et clairement. Cela rejoint le constat selon lequel un placement en vue pèse davantage dans la logique du Position-Adjusted Word Count.

**Answer Islands :** les contenus doivent être découpés en passages autonomes et sémantiquement complets, qui répondent entièrement à une question. Ces blocs fermés se reprennent plus facilement d'un seul tenant dans une réponse IA.

**Densité de faits et de statistiques :** comme Statistics Addition figurait parmi les méthodes les plus efficaces, une forte densité de données concrètes et sourcées est un levier GEO direct. Les chiffres propres, exclusifs, sont particulièrement précieux, car ils ne sont pas interchangeables.

**Schema et structure :** les données structurées et une hiérarchie de titres propre aident les systèmes à classer correctement les contenus. Elles sont la traduction technique des conclusions sur le contenu.

## L'état de la recherche depuis Princeton

L'étude de Princeton était un début, pas le dernier mot. Plusieurs travaux ultérieurs confirment l'orientation générale et nuancent certaines hypothèses.

Des frameworks élargis ont étendu le catalogue de méthodes d'origine et l'ont complété par des caractéristiques structurelles comme la lisibilité, la mise en forme et la clarté sémantique. L'orientation reste la même : les signaux d'autorité et une bonne structure augmentent la probabilité d'être cité.

Les recherches sur ce qui favorise la visibilité IA en dehors de la page sont particulièrement éclairantes. Une [analyse de 1 000 domaines](https://www.semrush.com/blog/backlinks-ai-search-study/) a montré que l'autorité de domaine est nettement liée aux mentions dans l'IA ([Pearson 0,65, Spearman 0,57](https://www.semrush.com/blog/backlinks-ai-search-study/)). Fait notable : [les liens nofollow présentent presque la même relation avec la visibilité IA que les liens follow](https://www.semrush.com/blog/backlinks-ai-search-study/). En pratique, cela déplace l'attention de la seule puissance des liens vers la réputation et les mentions dans leur ensemble. Dans le monde de l'IA, présence de marque et backlinks sont plus proches que ne le laisse penser le SEO classique.

Ces recherches ultérieures confirment le cœur de l'étude de Princeton et y ajoutent une dimension importante : l'optimisation on-page seule ne suffit pas, elle doit s'appuyer sur une autorité externe.

## llms.txt à la lumière des preuves

Dans l'univers GEO circule l'idée de fournir aux modèles de langage une carte de contenus sélectionnés au moyen d'un fichier appelé llms.txt. Point important pour une évaluation fondée sur les preuves : cette idée ne fait pas partie de l'étude de Princeton et n'est pas étayée par elle.

Le bilan est sobre. Malgré une diffusion croissante, aucun grand fournisseur d'IA n'a confirmé officiellement à ce jour utiliser llms.txt pour générer ses réponses. Les analyses sectorielles n'ont jusqu'ici trouvé aucun lien solide entre la présence d'un llms.txt et des taux de citation plus élevés. L'écart entre l'attention suscitée et l'effet réel est ici considérable. Si tu pratiques le GEO sérieusement, considère llms.txt comme expérimental et peu prioritaire, et investis d'abord tes ressources dans des leviers démontrés comme la densité de preuves, la structure et la réputation.

## Transposition au marché européen

L'étude de Princeton est en anglais et centrée sur les États-Unis. La question de savoir si ses conclusions valent pour le B2B européen appelle une réponse nuancée.

Le mécanisme ne dépend pas de la langue. Si les systèmes génératifs privilégient des contenus sourcés, bien structurés et faisant autorité, cela tient à la synthèse des réponses, pas à la langue anglaise. Les conclusions qualitatives sont donc transposables. Les pourcentages exacts ne le sont pas, car ils sont liés aux systèmes testés et à des jeux de données en anglais.

L'enjeu pour le marché autrichien croît rapidement. Selon [Statistik Austria, 29,9 % des entreprises autrichiennes de 10 salariés ou plus utilisaient déjà l'IA en 2025](https://www.statistik.at/fileadmin/publications/IKT-Einsatz-in-Unternehmen-2025_barr_Web.pdf), après 20,3 % en 2024 et 10,8 % en 2023. Cela représente près de 10 points de pourcentage de plus en un an. Les années ne sont toutefois pas parfaitement comparables, car depuis 2025 l'enquête porte sur huit technologies d'IA au lieu de sept. Sans la nouvelle catégorie, la valeur pour 2025 serait de 28,9 %. Particulièrement pertinent pour le GEO : 51 % des entreprises qui utilisent l'IA s'en servent pour la génération de langage. La technologie qui sous-tend la recherche générative est donc déjà arrivée dans les PME autrichiennes.

Deux points pratiques sont décisifs. Premièrement, la recherche générative modifie de façon mesurable le comportement de clic. Selon une analyse internationale d'Ahrefs, la présence d'un AI Overview est désormais corrélée à un [taux de clics moyen inférieur de 58 %](https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/), contre [34,5 % dans l'analyse précédente d'avril 2025](https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/). La visibilité dans la réponse devient ainsi plus importante que la simple position dans la liste. Deuxièmement, le trafic restant a plus de valeur. Une étude internationale de Semrush a établi qu'un [visiteur issu de la recherche IA vaut, sur la base du taux de conversion, 4,4 fois plus qu'un visiteur de la recherche organique classique](https://www.semrush.com/blog/ai-search-seo-traffic-study/). Pour les prestataires B2B, dont les cycles de vente sont longs et exigent beaucoup de conseil, cette combinaison fait clairement pencher la priorité vers le GEO.

## Pour aller plus loin

L'étude GEO de Princeton fournit le fondement scientifique, mais pas de stratégie clé en main. Pour la mise en œuvre opérationnelle dans le B2B, il est recommandé de relier ses conclusions aux thèmes complémentaires de cette base de connaissances : le rôle des statistiques et des données comme l'un des leviers individuels les plus puissants, le rapport entre mentions de marque et backlinks, la structuration du contenu par le Front-Loading et les Answer Islands, ainsi que la mesure continue des résultats à l'aide de métriques GEO adaptées. Si tu utilises l'étude comme générateur d'hypothèses et que tu testes ses conclusions dans ton propre domaine, au lieu de lire les pourcentages comme une promesse, tu en tireras le plus grand bénéfice.

## Données et statistiques

- Jusqu'à 40 % de visibilité en plus dans les réponses génératives ; amélioration relative de 30 à 40 % sur Position-Adjusted Word Count pour les méthodes mises en avant par les auteurs, Cite Sources, Quotation Addition et Statistics Addition, soit environ 27 à 41 % d'après un nouveau calcul à partir du tableau 1 — [Aggarwal et al., GEO: Generative Engine Optimization, arXiv 2311.09735 (KDD 2024) (2024)](https://arxiv.org/html/2311.09735v3)
- GEO-bench : 10 000 requêtes (8 000 d'entraînement / 1 000 de validation / 1 000 de test), 9 sources de données, 25 domaines, 80 % de requêtes informationnelles / 10 % chacune de requêtes transactionnelles et navigationnelles — [Aggarwal et al., GEO: Generative Engine Optimization, arXiv 2311.09735 (KDD 2024) (2024)](https://arxiv.org/html/2311.09735v3)
- La visibilité IA est corrélée à l'autorité de domaine (Pearson 0,65 / Spearman 0,57) ; les liens nofollow présentent presque la même relation que les liens follow ; base : 1 000 domaines — [Semrush Blog, Do Backlinks Still Matter in AI Search? Insights from 1,000 Domains (2025)](https://www.semrush.com/blog/backlinks-ai-search-study/)
- La présence d'un AI Overview est corrélée à un taux de clics moyen inférieur de 58 % (contre 34,5 % dans l'analyse d'avril 2025) ; base : 300 000 mots-clés — [Ahrefs Blog (2026)](https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/)
- Sur la base du taux de conversion, un visiteur issu de la recherche IA vaut 4,4 fois plus qu'un visiteur de la recherche organique classique — [Semrush Blog, We Studied the Impact of AI Search on SEO Traffic (2025)](https://www.semrush.com/blog/ai-search-seo-traffic-study/)
- Utilisation de l'IA par les entreprises autrichiennes de 10 salariés ou plus : 29,9 % (2025) contre 20,3 % (2024) et 10,8 % (2023), avec en 2025 une technologie d'IA supplémentaire dans l'enquête (sans elle, 28,9 %) ; 51 % des entreprises qui utilisent l'IA s'en servent pour la génération de langage — [Statistik Austria, STATreport IKT-Einsatz in Unternehmen 2025 (2026)](https://www.statistik.at/fileadmin/publications/IKT-Einsatz-in-Unternehmen-2025_barr_Web.pdf)

## Questions fréquentes

### Qu'est-ce que l'étude GEO de Princeton ?

L'étude GEO de Princeton est le travail « GEO: Generative Engine Optimization » d'Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan et Deshpande, publié en 2024 lors de la conférence ACM SIGKDD et disponible en prépublication sous arXiv 2311.09735. Elle a forgé le terme Generative Engine Optimization et a démontré pour la première fois, dans une expérience contrôlée, que des contenus peuvent être optimisés de manière ciblée pour gagner en visibilité dans les réponses générées par l'IA.
### Que signifie le résultat de 40 % de visibilité en plus ?

Ce chiffre est une valeur maximale, pas une moyenne. Selon l'étude, les trois méthodes mises en avant par les auteurs (Cite Sources, Quotation Addition, Statistics Addition) ont obtenu une amélioration relative de 30 à 40 % sur la métrique Position-Adjusted Word Count par rapport à l'état de départ non optimisé. Il s'agit d'une amélioration relative dans des conditions favorables, et ce sont surtout les sources moins bien positionnées qui en ont profité, de manière disproportionnée. Ce chiffre n'est pas une garantie pour chaque contenu pris isolément.
### Quelles méthodes GEO fonctionnent le mieux selon l'étude ?

Les auteurs mettent en avant trois méthodes d'autorité comme les plus efficaces : Statistics Addition (ajout de statistiques pertinentes), Quotation Addition (ajout de citations pertinentes) et Cite Sources (ajout de références aux sources). Sur GEO-bench, Quotation Addition a obtenu la valeur individuelle la plus élevée sur les deux métriques. Sur Position-Adjusted Word Count, Fluency Optimization se situait à peu près au même niveau que Cite Sources. La combinaison d'une optimisation rédactionnelle et de statistiques a surpassé chaque méthode prise isolément. Le Keyword Stuffing, en revanche, figurait parmi les approches les plus faibles et pouvait même dégrader la visibilité.
### Quelles sont les faiblesses et les limites de l'étude GEO de Princeton ?

Les principales limites sont l'évaluation synthétique en boîte noire, en partie opaque, l'état des modèles de 2023/2024 et une configuration à somme nulle avec seulement quelques sources concurrentes, qui amplifie les gains relatifs. Les pourcentages exacts ne sont donc pas transposables tels quels aux systèmes actuels comme Google AI Overviews, Google AI Mode, Perplexity ou Claude. Le mécanisme de fond est toutefois considéré comme bien établi.
### Les résultats de l'étude de Princeton s'appliquent-ils aussi aux marchés européens ?

Le mécanisme ne dépend pas de la langue : la préférence des systèmes génératifs pour des contenus sourcés, bien structurés et faisant autorité n'est pas une particularité de l'anglais. Les conclusions qualitatives sont donc transposables au marché B2B européen. Les pourcentages exacts ne le sont pas, car ils sont liés aux systèmes testés et à des jeux de données en anglais. L'enjeu grandit, en Autriche par exemple : selon Statistik Austria, 29,9 % des entreprises autrichiennes de 10 salariés ou plus utilisaient déjà l'IA en 2025, contre 20,3 % en 2024.
### Comment mettre en pratique les conclusions de l'étude ?

Les conclusions se traduisent en quatre leviers : le Front-Loading (la réponse la plus importante au début de chaque section), les Answer Islands (des passages autonomes et complets pour chaque question), une forte densité de faits et de statistiques avec des chiffres sourcés, si possible propres, ainsi que des données structurées et une hiérarchie de titres propre. Comme l'effet varie selon le domaine, mieux vaut tester les méthodes thématique par thématique plutôt que d'appliquer une stratégie uniforme.
### Que dit l'étude sur llms.txt ?

Rien. L'idée de llms.txt ne fait pas partie de l'étude de Princeton et n'est pas étayée par elle. Par ailleurs, aucun grand fournisseur d'IA n'a confirmé à ce jour utiliser llms.txt pour générer ses réponses, et les analyses sectorielles ne trouvent aucun lien solide avec des taux de citation plus élevés. llms.txt doit donc être considéré comme expérimental et peu prioritaire.

---

Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/seo-geo/geo-seo-lessentiel-du-generative-engine-optimization/letude-geo-de-princeton-methodologie-resultats-et-critiques). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.