Réputation locale et IA générative : comment ChatGPT, Gemini et Perplexity recommandent (ou non) votre établissement

Un client potentiel ne tape plus systématiquement « restaurant Bordeaux » dans Google. De plus en plus, il ouvre ChatGPT, Gemini, Perplexity ou Copilot et demande directement : « Quel restaurant me recommandes-tu à Bordeaux ? »

La différence est fondamentale. Là où Google affichait dix, vingt, cent résultats, l’IA générative n’en propose généralement que deux ou trois. Si votre établissement n’apparaît pas dans cette sélection restreinte, vous n’êtes pas mal classé : vous êtes invisible.

Ce constat est au cœur du dernier webinaire Custplace consacré à la réputation locale à l’ère de l’IA générative. Voici l’essentiel de ce qu’il faut comprendre — et mettre en œuvre — pour exister dans les recommandations des moteurs IA.

Pourquoi les IA génératives deviennent un nouveau point de contact local

Le volume parle de lui-même : ChatGPT traite aujourd’hui environ 2,5 milliards de requêtes par jour. Une part croissante de ces requêtes porte sur des intentions locales — trouver un commerce, un professionnel, un établissement à proximité ou dans une ville donnée.

Ce changement d’usage transforme la manière dont les consommateurs découvrent les entreprises locales. Le moteur de recherche n’est plus le seul point d’entrée : l’assistant conversationnel devient lui aussi un canal de découverte et de décision, au même titre qu’une recherche Google ou qu’une appli de cartographie.

Pour les marques multi-établissements, cela signifie qu’une nouvelle couche de visibilité s’ajoute aux dispositifs existants — sans s’y substituer entièrement, mais en suivant des règles différentes.

ChatGPT, Gemini, Perplexity, Copilot : comment fonctionnent ces LLM sur les requêtes locales

Tous les LLM ne traitent pas une requête locale de la même façon, mais ils partagent un mécanisme commun : ils doivent décider, pour chaque question, s’ils répondent à partir de leur mémoire interne ou s’ils déclenchent une recherche complémentaire sur le web.

Une requête comme « quel est le meilleur restaurant près de moi » déclenche presque systématiquement une recherche en temps réel, car la réponse dépend d’une donnée que le modèle ne peut pas connaître par cœur : la localisation de l’utilisateur, les disponibilités, l’actualité de l’établissement.

Les deux mémoires de l’IA : mémoire interne et RAG

On peut résumer le fonctionnement d’un LLM face à une requête locale par deux mécanismes complémentaires :

• La mémoire interne : les connaissances apprises pendant l’entraînement du modèle, figées à une date donnée.
• Le RAG (Retrieval-Augmented Generation) : une recherche en temps réel sur le web, dont les résultats viennent enrichir et mettre à jour la réponse générée.

Pour les requêtes locales et commerciales, la répartition observée penche nettement vers le RAG : une majorité des réponses mobilisent une recherche web fraîche plutôt que la seule mémoire du modèle, tant les informations locales (horaires, adresse, disponibilité, avis récents) évoluent vite et doivent rester à jour.

Cette mécanique a une implication directe pour les établissements : ce que les moteurs de recherche peuvent indexer sur vous aujourd’hui est ce que l’IA générative est susceptible de récupérer et de citer demain.

La différence entre recherche Google et recommandation par IA

Le changement de paradigme se situe précisément ici. Une recherche Google classique renvoie une liste de résultats que l’utilisateur trie et compare lui-même. Une recommandation IA fait ce tri à la place de l’utilisateur, et ne retient qu’une poignée d’options.

Cette sélectivité accrue change la nature de l’enjeu : il ne s’agit plus seulement d’être bien positionné parmi de nombreux résultats, mais de faire partie du tout petit nombre de réponses retenues. Une étude SEMrush citée lors du webinaire souligne par ailleurs que les visites générées par l’IA affichent des taux de clic et de conversion jusqu’à 4 fois supérieurs à ceux issus d’une recherche traditionnelle. Autrement dit : être recommandé par une IA générative ne se traduit pas seulement par de la visibilité, mais par un trafic nettement plus qualifié.

C’est tout l’enjeu du [GEO (Generative Engine Optimization)]([URL article GEO Custplace]) : ne plus seulement chercher à être visible, mais à être cité comme source de confiance par les moteurs IA.

Le Query Fan-Out : comment l’IA décompose une recherche locale

Pour répondre à une question en apparence simple, les LLM ne se contentent pas d’une seule recherche. Ils décomposent la requête initiale en plusieurs sous-requêtes complémentaires, une technique souvent appelée Query Fan-Out.

Une demande comme « quel hôtel recommandes-tu à Deauville » peut ainsi être éclatée en sous-questions implicites portant sur les meilleurs hôtels de la ville, les avis récents, les hôtels adaptés à un profil de voyageur particulier, ou encore les options à proximité d’un point d’intérêt spécifique.

Cette logique a une conséquence directe sur la stratégie de contenu : un établissement ne peut plus se contenter d’optimiser une seule page générique. Il doit couvrir l’ensemble des angles et des intentions que l’IA est susceptible de générer autour de sa catégorie d’activité et de sa zone géographique.

Ce que lisent les LLM : avis clients et données structurées

Lorsqu’un LLM s’appuie sur le RAG pour répondre à une requête locale, il ne lit pas le web de la même façon qu’un internaute. Il privilégie des sources où l’information est claire, structurée et vérifiable.

Trois grandes catégories de sources reviennent systématiquement dans l’analyse de ce que citent les LLM :

• Les annuaires et plateformes d’avis, où l’information est homogène et comparable entre établissements.
• Les avis clients eux-mêmes, qui apportent un signal de confiance difficile à reproduire artificiellement.
• Le site officiel de l’établissement, à condition que les informations qui y figurent soient cohérentes avec ce qui est publié ailleurs.

Le cas de Reddit illustre bien la spécificité du local : si la plateforme est une source fréquemment citée par les LLM sur des sujets généraux, son poids est nettement plus limité sur les requêtes locales et commerciales, où la structuration des données et la fraîcheur des avis comptent davantage que la discussion communautaire.

GEO vs SEO traditionnel : un socle commun, des leviers spécifiques

Le GEO (Generative Engine Optimization) ne remplace pas le SEO : il s’appuie sur le même socle de fondamentaux — une fiche d’établissement complète, des informations exactes, une présence en ligne soignée — tout en ajoutant des exigences propres aux moteurs génératifs.

La différence la plus structurante tient à la cohérence multiplateforme. Un moteur de recherche traditionnel peut composer avec de légères variations d’une plateforme à l’autre. Un LLM, lui, recoupe plusieurs sources pour construire sa réponse : une information contradictoire entre deux d’entre elles (un nom d’établissement, une adresse, des horaires différents selon la plateforme) peut suffire à l’écarter de la recommandation, faute de confiance suffisante dans la donnée.

C’est précisément ce qui explique pourquoi certains établissements sont recommandés par l’IA et d’autres non, alors qu’ils opèrent sur le même marché avec une offre comparable : la différence se joue sur la qualité, la fraîcheur et la cohérence de la donnée disponible, bien plus que sur la seule notoriété de la marque.

Plan d’action : comment auditer et améliorer sa visibilité dans les réponses IA

Trois leviers concrets se dégagent pour structurer une démarche GEO appliquée à la réputation locale :

1. Auditer sa visibilité actuelle dans les réponses IA. Tester directement les requêtes que poseraient vos clients (ville, catégorie d’établissement, intention spécifique) sur ChatGPT, Gemini, Perplexity et Copilot, pour mesurer si votre établissement est cité, dans quel contexte, et face à quels concurrents.
2. Vérifier sa cohérence multiplateforme. S’assurer que le nom, l’adresse, les horaires et les informations clés sont strictement identiques sur l’ensemble des annuaires, plateformes d’avis et sur le site officiel.
3. Renforcer les signaux de confiance. Développer un volume régulier d’avis clients authentifiés, structurer les données de l’établissement de façon lisible pour les machines, et piloter activement sa présence locale plutôt que de la laisser se construire par défaut.

Cette approche rejoint la stratégie déjà mise en œuvre pour le SEO local, mais avec un niveau d’exigence supérieur sur la cohérence des données et l’authenticité des signaux, deux critères devenus déterminants pour qu’un établissement soit jugé suffisamment fiable pour être cité par une IA générative.

Ce qu’il faut retenir

Les IA génératives ne se contentent pas de relayer l’information locale : elles la filtrent, la recoupent et n’en retiennent qu’une fraction. Cette sélectivité fait de chaque recommandation un signal fort, à la fois en visibilité et en conversion.

À l’inverse, une présence locale mal maîtrisée (informations incohérentes, avis insuffisants ou obsolètes, données mal structurées) réduit mécaniquement les chances d’apparaître dans ces réponses, indépendamment de la qualité réelle de l’établissement.

Pour les enseignes multi-établissements, l’enjeu n’est donc plus seulement d’être visible sur les moteurs de recherche traditionnels, mais de devenir une source fiable et citable pour les moteurs IA, un chantier qui combine fondamentaux du SEO local, gestion rigoureuse des avis et structuration des données.