Les LLMs recommandent les marques connues 100 % du temps : l'avantage de l'installé

Quand on demande à ChatGPT, Claude ou Gemini « quelle crème hydratante me conseilles-tu ? », le modèle ne mesure pas la qualité du produit. Il s'appuie sur ce qu'il a appris : des noms de marques, une réputation, un vocabulaire. La question que pose ce travail est dérangeante et concrète : dans ces conditions, est-ce que les marques déjà installées partent avec un avantage structurel, et est-ce qu'on peut le manipuler ?

L'étude déposée sur arXiv en juin 2026 par Xi Chu et Yupeng Hou, intitulée Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems, apporte des réponses chiffrées. Et elle a un mérite rare : elle traite le GEO non pas comme une simple tactique, mais comme une pratique marketing émergente avec ses risques.

Le statut de la source

Preprint arXiv, dans les catégories intelligence artificielle, linguistique computationnelle et informatique & société. Ce dernier classement n'est pas anodin : les auteurs assument une dimension sociétale, celle de la manipulation cognitive des systèmes de recommandation. Le protocole repose sur des expériences contrôlées sur trois modèles commerciaux, avec un test de robustesse sur les biens dits « de recherche » (ceux dont on peut juger la qualité avant achat).

Résultat 1 : le monopole conditionnel

Le premier résultat est frappant. Quand on présente au modèle plusieurs produits aux spécifications identiques, en ne faisant varier que la notoriété de la marque, la marque connue rafle la recommandation à chaque fois.

Mais, et c'est la nuance qui sauve les challengers, ce monopole est conditionnel : il s'effondre dès qu'un concurrent affiche un avantage minime sur la note, moins de +0,1 étoile suffit. Autrement dit, l'avantage de l'installé est réel mais fragile : il tient tant que tout est égal par ailleurs, et il cède au premier signal de qualité supérieure, même infime.

Résultat 2 : le langage d'autorité déplace la décision

Deuxième expérience, plus inconfortable. Un marketing au vocabulaire d'autorité, qui invoque des preuves cliniques, parvient à casser le monopole de l'installé. L'effet est quantifié : il équivaut à offrir +0,17 point de note au produit qui l'emploie, chaque modèle y réagissant à sa façon.

Le point délicat : l'étude précise que ces allégations cliniques peuvent être fabriquées. Le modèle ne vérifie pas ; il réagit au registre de langue. Un produit qui « parle clinique » gagne en crédibilité aux yeux du LLM, qu'il y ait une étude derrière ou non.

Résultat 3 : le dilemme du « tout le monde optimise »

Le troisième résultat est, à mon sens, le plus important pour la stratégie. Il décrit ce qui arrive quand l'optimisation se généralise. Tant qu'une marque optimise seule, son gain est net. Mais quand toutes les marques adoptent la même tactique, l'avantage individuel s'évapore.

C'est un dilemme social classique, transposé au GEO. Si vous êtes seul à optimiser, vous gagnez beaucoup. Si tout votre secteur s'y met, les efforts s'annulent mutuellement et le gain individuel tombe à presque rien (de +0,802 à +0,007 dans la mesure des auteurs). Pire : ne rien faire vous condamne à l'invisibilité totale (zéro recommandation). On est donc obligé de jouer, sans pour autant en tirer un avantage durable une fois que tout le monde joue.

Ma lecture

Ce qui me paraît juste dans ce travail, c'est qu'il documente une intuition gênante : les LLMs héritent du biais de notoriété de leurs données d'entraînement. À qualité égale, le nom connu gagne. Ça recoupe parfaitement ce que mesurent Digital Bloom (le brand search volume comme signal n°1) et LLM Research Lab Q1 2026 (le top 3 des marques capte 68 % des mentions). Le biais d'installé n'est pas une anomalie de cette étude, c'est une régularité que plusieurs travaux retrouvent.

Là où je reste prudent, c'est sur les chiffres précis. Un « 100 % » ou un « +0,17 point » sont des résultats d'expériences contrôlées, sur un secteur et trois modèles à un instant donné. La direction me semble solide ; les valeurs exactes dépendent du protocole et bougeront avec les modèles. Et le volet « manipulation par allégations fabriquées » décrit une vulnérabilité réelle, mais il appelle une réponse éthique, pas une recette.

Ce qu'on peut en tirer concrètement

• Si vous êtes un challenger : ne cherchez pas à crier plus fort votre nom, le modèle ne l'a pas. Travaillez les signaux de qualité vérifiables (notes, avis, comparatifs objectifs) : un petit avantage mesurable suffit à battre le réflexe de marque.
• Si vous êtes l'installé : votre avantage est réel mais conditionnel. Il ne tient qu'à qualité égale. Un concurrent mieux noté vous passe devant : ne dormez pas sur la notoriété, soignez la preuve de qualité, vous aussi.
• Investissez le registre factuel honnêtement. Le modèle réagit au langage précis et sourcé. C'est une bonne nouvelle : de vraies études, des chiffres réels, des comparaisons documentées déplacent la décision, sans avoir à mentir.
• N'attendez pas un avantage durable. Le dilemme social prévient : une fois que tout le secteur optimise, le gain relatif s'efface. L'optimisation GEO devient un ticket d'entrée (ne pas être invisible), pas un fossé concurrentiel.
• Surveillez vos catégories d'expérience. Cosmétique, compléments, services : c'est là que le biais de marque est le plus fort, donc là où la réputation et les avis tiers comptent le plus dans les réponses IA.

Limites de l'étude

• Preprint non revu par les pairs. Chiffres à lire comme des résultats d'expérience à confirmer.
• Un secteur, trois modèles. Cosmétique sur GPT-4o-mini, Claude Sonnet et Gemini 3 Flash. Le test de robustesse élargit un peu, mais la généralisation à tous les secteurs reste à démontrer.
• Métriques propres aux auteurs. L'IAI, la « Bias Surplus Value » et le « payoff proxy » sont des constructions de l'étude. Utiles pour comparer en interne, à manier avec précaution comme valeurs absolues.
• Conditions de laboratoire. Des prompts contrôlés ne reproduisent pas exactement la diversité des vraies questions d'utilisateurs.
• Dimension éthique non tranchée. L'étude décrit la manipulation par allégations fabriquées ; elle n'en fait pas l'apologie, et nous non plus.

Pour situer dans le temps

Cette étude prolonge un fil déjà présent sur le site : la concentration de la visibilité IA sur quelques marques. LLM Research Lab Q1 2026 mesurait que le top 3 capte 68 % des mentions ; Digital Bloom plaçait le brand search volume en tête des signaux. Chu & Hou apportent le « pourquoi » expérimental : à qualité égale, le modèle penche vers le nom connu. Reste, comme le rappelle le dilemme social, que cet avantage n'est ni absolu ni éternel.

Sources

• arXiv | Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems (Xi Chu, Yupeng Hou, juin 2026) - source primaire.