Quand l’IA devient le dernier filtre avant l’achat

Une marque peut avoir gagné la première partie du parcours : être trouvée, donner envie, convaincre le prospect de visiter sa fiche produit. Puis, juste avant l’achat, celui-ci ouvre un chatbot et demande : « Est-ce vraiment un bon choix ? »

C’est ce moment qui rend intéressante l’enquête menée par Exploding Topics et publiée le 7 septembre 2026 sur le blog Semrush. Exploding Topics a été acquis par Semrush en 2024. L’étude met en avant un chiffre spectaculaire : 57,5 % des répondants qui utilisent l’IA déclarent avoir déjà renoncé à un achat sur la base d’informations fournies par un chatbot.

Mais ce chiffre demande beaucoup plus de pédagogie que ne le suggère le titre de l’étude.

Il ne signifie pas que les chatbots font perdre 57,5 % des ventes. Il ne mesure ni des transactions réelles, ni un taux d’abandon, ni un effet causal sur le chiffre d’affaires. Il signifie que, parmi les répondants qui déclarent utiliser l’IA à une fréquence quelconque, 57,5 % disent avoir déjà, au moins une fois, décidé de ne pas acheter quelque chose après une information fournie par un chatbot.

Et surtout, la même enquête mesure presque exactement le phénomène inverse : 57,51 % des utilisateurs d’IA déclarent avoir déjà acheté un produit recommandé par un chatbot. Sur l’ensemble des répondants, cette proportion est de 41 %.

Deux chiffres quasi identiques — 57,5 % et 57,51 % — décrivent donc deux comportements opposés. L’IA peut renforcer une intention d’achat comme la fragiliser.

Le signal important n’est pas « l’IA fait perdre des ventes ». Il est plus large : l’IA peut désormais intervenir dans plusieurs moments de la décision d’achat.

Le chiffre le plus utile n’est peut-être pas 57,5 %

La même enquête contient une donnée moins spectaculaire, mais probablement plus exploitable pour une marque : 47,54 % de l’ensemble des répondants disent consulter au moins occasionnellement un chatbot pour obtenir des informations sur une entreprise ou un vendeur avant une décision d’achat.

Parmi les personnes qui utilisent déjà l’IA, cette proportion atteint 65,42 %.

Cela décrit un usage de vérification qui s’ajoute à la découverte. Le prospect peut déjà connaître la marque et utiliser l’assistant comme outil de contrôle :

• « Cette entreprise est-elle fiable ? »
• « Quels défauts reviennent dans les avis ? »
• « Ce produit vaut-il son prix ? »
• « Quelle alternative est meilleure pour mon cas d’usage ? »
• « Y a-t-il une raison d’éviter cette offre ? »

Mais il ne faut pas opposer trop vite découverte et vérification. 59,27 % des utilisateurs d’IA interrogés disent avoir découvert via un chatbot une marque ou un produit qu’ils ne connaissaient pas auparavant.

L’IA peut donc intervenir à la fois comme surface de découverte, outil de comparaison et couche de contrôle préachat.

C’est important, car les marques ont historiquement beaucoup travaillé le haut du funnel — SEOSearch Engine Optimization : ensemble de pratiques pour améliorer la visibilité organique dans les moteurs de recherche., publicité, social, influence — et la conversion sur leur propre site. Une partie de la découverte comme de la décision peut désormais se jouer dans une interface qu’elles ne contrôlent pas directement.

Ce que l’étude mesure réellement

Avant d’en déduire une stratégie, il faut regarder précisément la méthodologie publiée.

L’enquête menée par Exploding Topics porte sur 2 338 adultes aux États-Unis interrogés en juillet 2026. Les répondants viennent de différentes régions et catégories économiques, avec au moins 300 personnes dans chacune des quatre tranches d’âge utilisées par l’étude : 18–29 ans, 30–44 ans, 45–60 ans et 60 ans et plus.

La publication annonce une marge d’erreur de ±2 points à 95 % pour les statistiques portant sur l’échantillon complet. Elle précise que les marges sont plus larges lorsque les résultats sont filtrés sur des sous-groupes.

Cette précision compte, car plusieurs chiffres très commentés ne portent justement pas sur l’échantillon complet.

L’étude distingue notamment :

• les « consumers » : tous les répondants ;
• les « AI users » : ceux qui déclarent utiliser l’IA, quelle que soit la fréquence ;
• les « regular AI users » : au moins une fois par semaine ;
• les « AI power users » : plusieurs fois par semaine.

Les dénominateurs changent donc d’un chiffre à l’autre.

Autre limite : l’étude est déclarative. Elle ne suit ni les achats réels ni le contenu des conversations qui auraient modifié une décision. Elle ne permet donc pas de calculer combien de ventes ont effectivement été gagnées ou perdues à cause d’un chatbot.

Enfin, il s’agit d’une étude américaine. Elle ne permet pas de transposer automatiquement les mêmes proportions au marché français.

Il faut aussi garder en tête le contexte de publication : Exploding Topics a été acquis par Semrush en 2024, Semrush commercialise des outils de suivi et d’optimisation de la visibilité dans les assistants IA, et l’article conclut lui-même en présentant ces offres. Cela n’invalide pas les données, mais justifie de séparer les résultats de l’enquête des recommandations commerciales de l’éditeur.

L’IA ne remplace pas Google : elle déplace certaines vérifications

Un autre chiffre mérite d’être lu avec nuance. Parmi les utilisateurs d’IA interrogés, 65,01 % déclarent avoir au moins partiellement remplacé certaines recherches Google liées aux produits par des conversations avec un chatbot.

Mais la même étude indique aussi que l’usage global de Google pour la recherche avant achat n’a pas forcément diminué : 47,6 % des utilisateurs d’IA disent avoir maintenu à peu près le même niveau d’utilisation de Google au cours des douze derniers mois.

Autrement dit, le scénario le plus crédible n’est pas « ChatGPT remplace Google du jour au lendemain ». Il ressemble plutôt à ceci : certaines questions qui auraient auparavant nécessité plusieurs recherches sont désormais posées directement à un assistant.

Pour une marque, c’est justement là que le changement devient intéressant. Une requête comme « avis marque X », « marque X vs marque Y » ou « défauts produit X » peut être transformée en une conversation unique, dans laquelle l’assistant synthétise plusieurs informations avant de formuler une recommandation.

Pourquoi un chatbot peut faire changer d’avis sans halluciner

On associe souvent le risque des assistants à leurs erreurs factuelles. Elles existent, mais une IA n’a pas besoin d’inventer quoi que ce soit pour décourager un achat.

Prenons uniquement le cas de ChatGPT, pour lequel OpenAILaboratoire d’IA américain à l’origine des modèles GPT et de ChatGPT, accessibles par API et non téléchargeables. documente publiquement une partie du fonctionnement shopping.

Dans sa documentation officielle sur les achats avec Recherche ChatGPT, OpenAI explique que ses résultats de produits peuvent tenir compte de la requête, du contexte utilisateur, du prix, des avis et de la facilité d’utilisation. Le système utilise également des métadonnées structurées provenant de fournisseurs directs et tiers, ainsi que d’autres contenus tiers.

OpenAI indique aussi que ChatGPT peut afficher des synthèses d’avis publics, destinées à faire ressortir les points positifs et négatifs fréquemment cités. L’entreprise précise que ces avis et notes ne sont pas vérifiés par OpenAI.

Son Assistant shopping peut de son côté utiliser des données produit fournies par les marchands, des informations accessibles au public et d’autres sources commerciales pertinentes pour comparer des options et présenter leurs compromis.

Cette même documentation sur l’Assistant shopping précise que le système peut encore commettre des erreurs : prix, stocks et remises peuvent changer rapidement. OpenAI recommande donc de confirmer sur le site du détaillant le prix final, les taxes, les frais de livraison, la disponibilité et, lorsque c’est pertinent, les politiques de retour et de garantie.

Cela ne permet pas de généraliser le fonctionnement de ChatGPT à tous les chatbots. Mais l’exemple montre concrètement comment une IA peut condenser des signaux auparavant dispersés :

• plusieurs avis qui répètent le même défaut ;
• un prix supérieur à une alternative comparable ;
• une fonctionnalité absente ou difficile à confirmer ;
• une disponibilité incertaine ;
• des conditions de retour difficiles à trouver ;
• un concurrent dont les avantages sont plus clairement documentés.

Le changement tient donc aussi à la capacité de synthèse. Le prospect n’a plus forcément besoin d’ouvrir cinq onglets pour rapprocher ces informations.

Le GEO ne peut plus se résumer au nombre de citations

Une partie du discours autour du GEOGenerative Engine Optimization : stratégies pour apparaître dans les réponses génératives (AI Overviews, chatbots). — Generative Engine Optimization — reprend une logique proche du SEO : apparaître davantage, gagner des mentions, suivre une part de voix.

Ces métriques ont leur utilité. Mais si les assistants servent aussi de couche de découverte, de comparaison et de vérification avant achat, elles ne répondent pas à la question la plus importante.

Une marque doit désormais distinguer au moins quatre niveaux.

1. Présence

L’assistant connaît-il la marque et la cite-t-il lorsque l’utilisateur demande une recommandation ou une liste d’alternatives ?

2. Exactitude

Les informations essentielles sont-elles correctes : prix, caractéristiques, disponibilité, conditions, cas d’usage, positionnement ?

3. Objections

Quels arguments négatifs apparaissent lorsque l’utilisateur demande les limites, défauts ou risques de l’offre ?

4. Arbitrage

Quand un concurrent est recommandé à la place, pour quelle raison ? Meilleur prix, meilleure réputation, fonctionnalité absente, offre plus claire, plus de preuves tierces ?

Une marque peut donc être citée souvent sans être bien positionnée au moment de la décision.

C’est cohérent avec ce que nous avions déjà observé dans notre analyse des leviers GEO : les preuves d’un ROI universel des techniques GEO restent faibles et très dépendantes des plateformes. Avant de chercher une « recette » d’optimisation, il est plus solide de commencer par regarder ce que les assistants répondent réellement.

Comment auditer le moment juste avant l’achat

Un audit simple peut être construit autour de vraies questions de prospects plutôt qu’autour du seul nom de la marque.

10 prompts à copier pour un premier audit

Pour un e-commerce :

1. « Quels sont les défauts de [produit] ? »
2. « [Produit] vaut-il son prix pour [usage] ? »
3. « Que disent les avis négatifs sur [marque] ? »
4. « Quelle alternative à [produit] est plus intéressante à moins de X € ? »
5. « [Produit A] ou [produit B] pour [contrainte] ? »

Pour un SaaSSoftware as a Service : logiciel livré en ligne par abonnement, multi-tenant en général. ou une entreprise de services :

1. « [Solution] est-elle adaptée à une équipe de 20 personnes ? »
2. « Quelles sont les limites de [solution] ? »
3. « [Entreprise] est-elle fiable pour [besoin] ? »
4. « Quelles alternatives à [solution] pour [cas d’usage] ? »
5. « Pourquoi choisir [concurrent] plutôt que [solution] ? »

Pour chaque test, quatre éléments sont à relever :

Il faut éviter de surinterpréter une réponse isolée. Les résultats peuvent varier selon le modèle, la date, le contexte de conversation, les sources accessibles et la formulation de la question.

L’objectif est donc de chercher les motifs récurrents, pas d’obtenir une réponse flatteuse à chaque promptConsigne / contexte fourni au modèle pour orienter sa génération (system, user, exemples, outils)..

Passer de l’audit ponctuel à un monitoring reproductible

Pour une agence ou une équipe SEO, refaire manuellement ces tests tous les mois devient vite peu réaliste. La suite logique consiste à automatiser une partie du dispositif — tout en évitant de transformer un tableau de bord en fausse science.

Le principe peut rester simple :

1. constituer un corpus stable de 20 à 50 prompts réellement liés au bas de funnel ;
2. exécuter ces prompts à intervalles réguliers sur les assistants que l’on souhaite suivre, via leurs APIApplication Programming Interface : contrat machine pour consommer un service (HTTP, SDK, webhooks). lorsqu’elles sont disponibles ;
3. conserver la réponse brute, la date, le modèle utilisé, le prompt exact et les éventuelles sources ou liens retournés ;
4. extraire quelques dimensions comparables : marque présente ou absente, concurrents cités, objections, erreurs factuelles, sources mentionnées ;
5. comparer les évolutions et faire vérifier humainement les changements importants.

Techniquement, ce pipeline peut être monté avec un outil de workflow comme n8n, ou avec du code maison, puis stocké dans PostgreSQL, un CMS headlessArchitecture où le CMS sert le contenu via API et le front est un autre stack (Next.js, etc.). ou une autre base adaptée. La visualisation peut ensuite se faire dans l’outil BI déjà utilisé par l’agence.

Le point important n’est pas la stack. C’est la stabilité du protocole.

Si les prompts, les modèles ou les conditions de test changent en permanence, une hausse de « visibilité » ne veut plus dire grand-chose. Et même avec un protocole stable, un changement de modèle côté fournisseur peut faire bouger les réponses sans qu’aucune modification n’ait été apportée au site.

Il est donc plus prudent de parler de monitoring de visibilité et d’objections IA que de « part de voix IA » au sens strict. Cette dernière expression donne l’impression d’une métrique normalisée et comparable au SEO traditionnel, alors que les surfaces génératives restent beaucoup plus variables.

Transformer les objections en contenu utile

L’audit devient réellement intéressant lorsqu’il alimente le contenu.

Si les mêmes objections reviennent dans les réponses, la meilleure stratégie n’est pas de chercher à les masquer aux modèles. Elle consiste à produire une source primaire claire, vérifiable et utile pour le prospect.

Quelques exemples :

• une page « Pourquoi ce produit coûte X € » lorsque le prix est l’objection dominante ;
• un comparatif factuel « Notre solution vs [concurrent] » lorsque l’arbitrage revient souvent ;
• une page qui explique explicitement à qui le produit convient et à qui il ne convient pas ;
• une FAQ construite à partir des objections réellement remontées par le support, les commerciaux et les avis clients.

Ce type de contenu a un intérêt même sans GEO : il répond directement aux questions de conversion. Il peut aussi fournir aux moteurs et assistants une source officielle plus complète lorsqu’ils cherchent à comprendre l’offre.

Il faut néanmoins éviter une promesse impossible à tenir : publier cette page ne garantit pas qu’un chatbot la citera plutôt qu’un forum, un média ou un comparateur. Le bon objectif est d’améliorer la qualité et la clarté de l’information disponible, pas de « contrôler le narratif » d’un modèle externe.

Corriger la matière première avant d’optimiser pour le chatbot

Si un assistant fait remonter une objection réelle, la priorité n’est pas de trouver une astuce pour la cacher aux modèles.

Il faut d’abord corriger la matière disponible :

• clarifier les prix et les conditions ;
• mettre à jour les caractéristiques produit ;
• rendre les politiques de livraison, retour ou garantie faciles à trouver ;
• traiter les problèmes qui reviennent réellement dans les avis ;
• documenter clairement les cas où l’offre est — ou n’est pas — adaptée ;
• vérifier la cohérence entre le site officiel, les plateformes et les catalogues marchands ;
• développer des preuves tierces crédibles lorsque c’est pertinent.

Dans le cas précis de ChatGPT Shopping, OpenAI indique que les marchands peuvent fournir des flux produit directs et que certaines données viennent également de fournisseurs tiers. Une information propre et actualisée augmente donc la qualité de la matière disponible pour le système.

Mais il faut rester précis : cela ne garantit ni une citation, ni une recommandation, ni un meilleur classement.

Données structurées : hygiène technique, pas preuve GEO

Le même principe vaut pour Schema.orgVocabulaire de données structurées pour expliciter entités et contenus aux moteurs (souvent via JSON-LD)..

Côté Google, les données structurées Product permettent de fournir des informations comme le prix, la disponibilité, les avis, la livraison et les retours. Google documente également MerchantReturnPolicy, généralement au niveau Organization, avec la possibilité de définir des politiques spécifiques au niveau d’une Offer.

C’est utile pour rendre les données marchandes cohérentes et exploitables par Google. Mais cela ne constitue pas une preuve qu’un balisage plus dense améliore directement la recommandation d’une marque dans ChatGPT, Claude ou Perplexity.

Il faut également éviter un raccourci fréquent autour des avantages et inconvénients : Google réserve actuellement l’affichage des pros & cons structurés aux pages éditoriales d’avis produit, pas aux fiches marchandes ni aux avis clients.

La règle raisonnable est donc : structurer les données parce qu’elles sont exactes, utiles et supportées par les plateformes concernées — pas parce qu’on suppose qu’un LLMLarge Language Model : modèle de langage entraîné sur d’énormes corpus pour prédire et générer du texte. récompensera davantage de JSON-LD.

C’est précisément l’un des constats de notre analyse des expérimentations Schema et GEO : l’hygiène technique reste pertinente, mais les preuves d’un effet GEO transversal sont insuffisantes.

Ce qu’on peut vraiment mesurer aujourd’hui

Le monitoring des réponses ne doit pas être confondu avec la mesure business.

Sur ChatGPT, OpenAI documente toutefois un signal directement exploitable : les liens issus des résultats de recherche ChatGPT incluent automatiquement le paramètre utm_source=chatgpt.com. Un éditeur peut donc suivre dans Google Analytics ou son outil d’analytics les sessions arrivant via ces liens, puis leur associer les événements et conversions qu’il mesure déjà sur son site.

C’est beaucoup plus robuste que d’essayer d’identifier des visiteurs humains à partir des adresses IP des crawlers OpenAI. Un bot qui explore une page et un utilisateur qui clique depuis ChatGPT sont deux phénomènes différents.

Les indicateurs raisonnables sont donc, lorsqu’ils sont disponibles :

• sessions ou referrals identifiés depuis ChatGPT ;
• leads, inscriptions ou ventes attribuées à ces sessions selon le modèle Analytics utilisé ;
• évolution de la présence et des objections sur un corpus fixe de prompts ;
• erreurs factuelles corrigées puis observées de nouveau dans les réponses.

En revanche, une hausse du nombre de mentions dans un chatbot ne doit pas être automatiquement traduite en hausse de chiffre d’affaires. Entre la citation, le clic et l’achat, il reste plusieurs étapes que le monitoring GEO ne mesure pas à lui seul.

Ce que l’étude ne permet pas de promettre

L’enquête Exploding Topics publiée par Semrush ne permet pas de répondre à plusieurs questions essentielles :

• combien de ventes sont réellement perdues — ou gagnées — après une réponse de chatbot ;
• quels assistants influencent le plus les décisions ;
• quels secteurs ou niveaux de prix sont les plus concernés ;
• si les comportements sont comparables en France ;
• quelle part des utilisateurs aurait changé d’avis sans l’intervention de l’IA ;
• quelle technique GEO améliore effectivement la conversion.

Elle ne permet donc pas de construire un business case avec « 57,5 % de ventes à sauver ».

Elle justifie en revanche une nouvelle étape dans les audits de marque : vérifier ce qui se passe lorsqu’un prospect demande à une IA de découvrir, comparer ou contrôler la promesse commerciale avant d’acheter.

La nouvelle question n’est plus seulement « sommes-nous visibles ? »

Le SEO nous a appris à observer ce que Google affiche avant le clic. Les plateformes d’avis nous ont appris à surveiller ce que les clients disent de la marque. Les assistants ajoutent une couche supplémentaire : ils peuvent agréger une partie de ces informations et les reformuler en fonction d’une question précise.

L’étude d’Exploding Topics publiée par Semrush ne prouve pas que cette couche détermine déjà massivement les ventes. Elle montre en revanche qu’une part importante de son échantillon déclare l’utiliser dans le parcours d’achat — pour découvrir, vérifier, acheter ou parfois renoncer.

Pour les marques, la question la plus utile devient alors :

« Quand un prospect demande à l’IA une bonne raison de ne pas acheter chez nous, que trouve-t-elle ? »

La réponse peut révéler un problème de visibilité.

Mais elle peut aussi révéler quelque chose de beaucoup plus concret : un prix mal expliqué, une réputation qui se dégrade, une donnée obsolète ou une proposition de valeur moins claire que celle d’un concurrent.