- L'étude propose un cadre de mesure en deux temps : la sélection de citation (le moteur déclenche une recherche et choisit des sources) et l'absorption de citation (la page citée contribue réellement, par sa langue, ses preuves, sa structure ou ses faits, à la réponse générée).
- Le matériau : le dataset public geo-citation-lab, soit 602 requêtes contrôlées sur ChatGPT, Google AI Overview/Gemini et Perplexity, 21 143 citations relevées, 18 151 pages effectivement récupérées et 72 critères extraits.
- Le résultat qui me paraît le plus utile : la largeur de citation et la profondeur divergent. Perplexity et Google citent plus de sources en moyenne ; ChatGPT en cite moins, mais celles qu'il retient pèsent davantage dans la réponse.
- Les pages qui pèsent sont plus longues, plus structurées, mieux alignées sémantiquement, et plus riches en preuves extractibles : définitions, faits chiffrés, comparaisons, étapes.
- À manier avec prudence : preprint récent non revu par les pairs, dont je n'ai lu que le résumé public. La direction me semble solide et converge avec d'autres travaux du site ; les détails fins du protocole restent à vérifier en source primaire.
En GEO, on a pris l'habitude de mesurer une seule chose : est-ce que ma page est citée par ChatGPT, Gemini ou les AI Overviews ? C'est mieux que rien, mais c'est une mesure grossière. Une page peut figurer dans la liste des sources en bas d'une réponse sans que rien de son contenu n'ait servi à formuler cette réponse. À l'inverse, une page peut façonner la réponse mot pour mot. Ce ne sont pas les mêmes enjeux, et jusqu'ici on les confondait.
Le travail déposé sur arXiv en avril 2026 par Zhang Kai, He Xinyue et Yao Jingang, intitulé From Citation Selection to Citation Absorption, s'attaque précisément à cette confusion. Comme toujours ici, on regarde la source primaire : ce qu'elle mesure, comment, et ce qu'on peut honnêtement en retirer pour le travail quotidien.
Le statut de la source
C'est un preprint académique déposé sur arXiv dans la catégorie recherche d'information (cs.IR). Bon point : il s'appuie sur un dataset ouvert, geo-citation-lab, ce qui rend la démarche reproductible, contrairement à beaucoup d'études d'éditeurs d'outils qui gardent leur méthode fermée. Mauvais réflexe à éviter : prendre les chiffres pour argent comptant.
Le cadre : deux étages, pas un seul
L'apport conceptuel tient en une distinction simple, qu'on aurait dû faire depuis le début. Le parcours d'une de vos pages dans un moteur génératif se joue en deux temps :
| Étage | Ce qui se joue | La question pour vous |
|---|---|---|
| Sélection | Le moteur déclenche une recherche et choisit un ensemble de sources à consulter | Suis-je seulement dans la liste des sources ? |
| Absorption | Parmi les sources retenues, certaines contribuent vraiment à la réponse : langue, preuves, structure, faits | Mon contenu façonne-t-il la réponse, ou décore-t-il juste la note de bas de page ? |
Dit autrement : être discoverable (trouvable), être cité (sélectionné) et être absorbé (repris dans le texte) sont trois statuts distincts. La plupart des outils de tracking GEO s'arrêtent au deuxième. L'étude argumente, données à l'appui, qu'il faut traiter l'absorption comme un résultat séparé.
Le matériau analysé
L'échelle est sérieuse et, surtout, multi-moteurs, ce qui permet de comparer les comportements.
Le fait que les chiffres ne tombent pas ronds (21 143 citations, 23 745 enregistrements de critères, 18 151 pages) est plutôt rassurant : ce sont des relevés bruts, pas des arrondis marketing. Reste une limite assumée : l'étude ne publie pas, dans son résumé, le détail moteur par moteur des écarts. On en a la direction, pas l'amplitude exacte.
Le résultat central : largeur et profondeur divergent
C'est la découverte la plus actionnable. Les moteurs ne se comportent pas de la même façon :
- Perplexity et Google citent plus de sources en moyenne. Beaucoup de largeur : la réponse pioche dans un éventail étendu.
- ChatGPT cite moins de sources, mais celles qu'il retient affichent une influence moyenne nettement plus élevée sur la réponse. Moins de largeur, plus de profondeur.
Ce résultat recoupe, par une autre porte, ce que montrait Yext / Superlines sur les biais de source propres à chaque moteur, et Omniscient Digital sur la part de sources tierces. Chaque moteur a sa logique : optimiser pour l'un n'est pas optimiser pour tous.
Ce qui caractérise les pages « qui pèsent »
L'autre apport concret : l'étude décrit le profil des pages à forte influence, celles qui sont absorbées et pas seulement listées. Quatre traits ressortent.
| Trait | Traduction pratique |
|---|---|
| Plus longues | Assez de matière pour qu'un passage soit extractible, pas une page squelette |
| Plus structurées | Titres, sections, listes : des unités d'information que le moteur peut isoler |
| Mieux alignées sémantiquement | Le contenu répond précisément à l'intention de la requête, sans détour |
| Riches en preuves extractibles | Définitions, faits chiffrés, comparaisons, étapes : des briques réutilisables telles quelles |
On retrouve là un cousinage net avec GEO-SFE (la structure aux trois niveaux) et avec l'étude fondatrice Princeton (citer ses sources, ajouter des statistiques). La nouveauté ici, c'est que ces traits ne sont pas reliés au simple fait d'être cité, mais au fait, plus exigeant, d'être absorbé.
Ma lecture
Ce qui me semble juste dans ce travail, c'est qu'il met un mot sur une frustration de terrain. On voit régulièrement des pages apparaître dans les sources d'une réponse sans qu'aucune de leur substance ne s'y retrouve, et d'autres, parfois non citées explicitement, dont on reconnaît la formulation dans le texte généré. Distinguer sélection et absorption donne enfin un vocabulaire pour ça.
Là où je reste prudent : « absorption » reste une mesure difficile. Attribuer une phrase générée à une page source précise est un problème non trivial, et le résumé public ne détaille pas entièrement comment l'influence est quantifiée. Je prends donc la direction (la profondeur compte autant que la largeur) comme acquise, et l'amplitude exacte comme une zone à creuser dans la source primaire.
Ce qu'on peut en tirer concrètement
- Arrêtez de ne compter que les citations. Ajoutez à votre reporting une question qualitative : quand je suis cité, est-ce que la réponse reprend réellement mes formulations, mes chiffres, ma définition ? C'est la différence entre figurer et compter.
- Écrivez des briques absorbables. Une définition nette en une phrase, un chiffre sourcé isolé, un tableau comparatif, une procédure en étapes : ce sont les unités que les moteurs reprennent telles quelles.
- Calibrez par moteur. Sur ChatGPT, viser peu de citations mais profondes : mieux vaut être la source qui pèse que la dixième de la liste. Sur Perplexity et Google, la largeur joue : il faut exister dans un éventail plus grand.
- Longueur et structure servent l'absorption, pas le remplissage. Allonger pour allonger ne sert à rien : l'idée est d'avoir assez de matière structurée pour qu'un passage soit isolable et réutilisable.
Limites de l'étude
- Preprint non revu par les pairs. Les observations sont à lire comme descriptives et à confirmer.
- Résumé public seulement. Le détail moteur par moteur (combien de sources, quelle influence chiffrée) et la définition exacte de l'« influence » ne sont pas repris ici : à vérifier dans le papier avant d'en faire un argument fort.
- Attribution difficile. Mesurer l'absorption suppose de relier un fragment généré à une page : c'est méthodologiquement délicat et toute mesure de ce type comporte une part d'approximation.
- Photographie datée. 602 requêtes à un instant T, sur des moteurs qui changent vite. Le sens (largeur vs profondeur) devrait tenir ; les proportions, non.
- Marché anglophone. Rien n'indique un volet francophone isolé. Les principes devraient se transférer, mais c'est une hypothèse.
Pour situer dans le temps
Cette étude complète bien SISTRIX (citation drift), qui mesure à quelle vitesse les sources citées changent dans le temps. SISTRIX répond à « qui est cité, et pour combien de temps ? » ; cette étude-ci répond à « parmi les cités, qui compte vraiment ? ». Les deux poussent dans la même direction : arrêter de traiter la citation comme un signal binaire.
Sources
- arXiv | From Citation Selection to Citation Absorption (Zhang Kai, He Xinyue, Yao Jingang, avril 2026) - source primaire.
- GEO-SFE - la structure du contenu qui favorise la reprise.
- Yext / Superlines - les biais de citation propres à chaque moteur.
- Omniscient Digital - quelle part de sources tierces dans les réponses IA.
- KPIs GEO - les métriques qui comptent vraiment, au-delà du nombre de citations.
- Retour au hub : toutes les études GEO