Les directeurs marketing qui suivent l’\u00e9volution du comportement des consommateurs ont tous observ\u00e9 la m\u00eame inflexion ces dix-huit derniers mois : une fraction croissante des parcours d’achat locaux ne commence plus par une requ\u00eate Google, mais par une question pos\u00e9e \u00e0 un assistant IA. La formulation change, le comportement aussi. \u00ab Trouver un prestataire \u00bb devient \u00ab demander une recommandation \u00bb.<\/p>\n\n\n\n
Cette \u00e9volution est bien document\u00e9e du c\u00f4t\u00e9 des usages. Elle l’est beaucoup moins du c\u00f4t\u00e9 des contenus produits par ces IA \u2014 et c’est pr\u00e9cis\u00e9ment l\u00e0 que r\u00e9side l’enjeu strat\u00e9gique pour toute organisation g\u00e9rant un r\u00e9seau d’\u00e9tablissements<\/a>, qu’il s’agisse d’une enseigne nationale, d’un r\u00e9seau de franchises ou d’un portefeuille de points de vente ind\u00e9pendants.<\/p>\n\n\n\n La question n’est pas de savoir si les IA \u00ab se trompent \u00bb. Elle est plus fine que cela : pourquoi existe-t-il un \u00e9cart syst\u00e9matique entre ce qu’un \u00e9tablissement est r\u00e9ellement aujourd’hui et ce qu’un assistant IA en dit \u00e0 un utilisateur ? D’o\u00f9 vient cet \u00e9cart ? Peut-on agir dessus ? Et si oui, comment ?<\/p>\n\n\n\n C’est \u00e0 ces questions que cette \u00e9tude tente de r\u00e9pondre, \u00e0 partir d’une analyse de 500 \u00e9tablissements fran\u00e7ais test\u00e9s sur trois plateformes IA.<\/p>\n\n\n\n La mont\u00e9e en puissance des assistants IA sur les requ\u00eates locales n’est pas un ph\u00e9nom\u00e8ne homog\u00e8ne. Elle se concentre sur des cat\u00e9gories de requ\u00eates pr\u00e9cises : les recommandations de prestataires (\u00ab quel [secteur] \u00e0 [ville] \u00bb), les v\u00e9rifications pratiques (\u00ab horaires et services de [\u00e9tablissement] \u00bb), et les comparaisons rapides (\u00ab diff\u00e9rence entre X et Y dans mon secteur \u00bb).<\/p>\n\n\n\n Ce type de requ\u00eates repr\u00e9sente aujourd’hui, selon les estimations disponibles, entre 15 et 25 % du volume de recherches locales dans les pays o\u00f9 ChatGPT et Perplexity ont atteint une p\u00e9n\u00e9tration significative. En France, la proportion est encore inf\u00e9rieure, mais la progression est continue \u2014 port\u00e9e notamment par l’int\u00e9gration des r\u00e9ponses IA directement dans Google Search via les AI Overviews<\/a>. Selon une \u00e9tude Whitespark (Q2 2025), 68 % des recherches locales sur Google d\u00e9clenchent d\u00e9sormais un AI Overview<\/a>.<\/p>\n\n\n\n Ce qui distingue fondamentalement la r\u00e9ponse IA de la page de r\u00e9sultats Google traditionnelle, c’est son format. Une SERP Google pr\u00e9sente une liste d’entr\u00e9es que l’utilisateur arbitre lui-m\u00eame. Un assistant IA<\/a> produit une synth\u00e8se r\u00e9dig\u00e9e, formul\u00e9e comme une recommandation experte. Ce format cr\u00e9e deux effets que les directeurs marketing doivent int\u00e9grer dans leur mod\u00e8le de r\u00e9flexion.<\/p>\n\n\n\n Le premier est un effet de confiance accrue<\/strong> : la formulation fluide et assur\u00e9e de la r\u00e9ponse IA tend \u00e0 inhiber le r\u00e9flexe de v\u00e9rification. L’utilisateur qui lit \u00ab La Maison Bertrand est reconnue pour ses interventions en installation thermique, avec des d\u00e9lais ma\u00eetris\u00e9s selon les avis r\u00e9cents \u00bb a moins spontan\u00e9ment envie de v\u00e9rifier que celui qui voit une fiche dans une liste.<\/p>\n\n\n\n Le second est un effet de cl\u00f4ture de la requ\u00eate<\/strong> : \u00e0 la diff\u00e9rence de la SERP qui invite \u00e0 cliquer, la r\u00e9ponse IA peut \u00eatre suffisamment compl\u00e8te pour d\u00e9clencher une action directe \u2014 appel t\u00e9l\u00e9phonique, d\u00e9placement \u2014 sans passage par le site web de l’\u00e9tablissement. Ce raccourci, qui peut \u00eatre un avantage pour l’\u00e9tablissement bien repr\u00e9sent\u00e9, devient un risque pour celui dont les informations sont inexactes ou partielles.<\/p>\n\n\n\n L’objectif de cette \u00e9tude n’\u00e9tait pas de produire un bilan exhaustif du taux d’erreur des IA sur les donn\u00e9es locales \u2014 exercice qui, par construction, serait obsol\u00e8te avant d’\u00eatre publi\u00e9 tant les mod\u00e8les \u00e9voluent vite. L’objectif \u00e9tait d’identifier les m\u00e9canismes<\/strong> qui g\u00e9n\u00e8rent le d\u00e9calage entre r\u00e9alit\u00e9 d’un \u00e9tablissement et repr\u00e9sentation IA, afin d’en tirer des implications op\u00e9rationnelles.<\/p>\n\n\n\n P\u00e9rim\u00e8tre :<\/strong> 500 \u00e9tablissements ind\u00e9pendants implant\u00e9s en France, s\u00e9lectionn\u00e9s dans cinq secteurs (restauration, artisanat et BTP, sant\u00e9 et bien-\u00eatre, commerce de d\u00e9tail, h\u00e9bergement touristique) et dans des villes de tailles contrast\u00e9es : une grande m\u00e9tropole (Lyon), deux villes moyennes (Angers, Perpignan), une ville de 30 000 habitants (Alen\u00e7on) et des communes rurales p\u00e9riph\u00e9riques.<\/p>\n\n\n\n Outils test\u00e9s :<\/strong> ChatGPT-4o (interface web), Perplexity AI, et Google AI Overviews (depuis un navigateur non connect\u00e9, afin d’\u00e9liminer les biais de personnalisation).<\/p>\n\n\n\n Protocole de collecte :<\/strong> trois types de prompts par \u00e9tablissement et par outil \u2014 un prompt g\u00e9n\u00e9rique de d\u00e9couverte, un prompt nominatif, et un prompt \u00e0 crit\u00e8re sp\u00e9cifique. Chaque r\u00e9ponse a \u00e9t\u00e9 v\u00e9rifi\u00e9e contre les sources officielles (site web, fiche Google Business Profile<\/a>, appel direct).<\/p>\n\n\n\n Le point m\u00e9thodologique central<\/strong> \u2014 et la sp\u00e9cificit\u00e9 de cette \u00e9tude \u2014 est la remont\u00e9e aux sources<\/strong>. Pour chaque information fournie par une IA, nous avons cherch\u00e9 \u00e0 identifier la source d’origine en croisant notamment les annuaires sectoriels<\/a>, fiches Google, sites web et plateformes d’avis. Cette d\u00e9marche, plus laborieuse qu’une simple comparaison information\/r\u00e9alit\u00e9, est celle qui livre les enseignements les plus actionnables pour une \u00e9quipe marketing.<\/p>\n\n\n\n Avant d’en analyser les causes, il convient d’en mesurer l’\u00e9tendue avec pr\u00e9cision.<\/p>\n\n\n\n 40 % des \u00e9tablissements test\u00e9s<\/strong> pr\u00e9sentent au moins un \u00e9cart factuel dans les r\u00e9ponses des IA, toutes plateformes confondues. Ce chiffre, qui peut para\u00eetre \u00e9lev\u00e9, doit \u00eatre interpr\u00e9t\u00e9 avec nuance : tous les \u00e9carts n’ont pas le m\u00eame impact, et leur distribution est tr\u00e8s in\u00e9gale selon le type d’information.<\/p>\n\n\n\n Les donn\u00e9es op\u00e9rationnelles<\/strong> (horaires, services, zones d’intervention) sont les plus affect\u00e9es, avec un taux d’\u00e9cart de 58 %. Ces informations sont aussi les plus sensibles du point de vue de l’exp\u00e9rience client : un \u00e9cart sur les horaires ou les services disponibles g\u00e9n\u00e8re une friction imm\u00e9diate dans le parcours.<\/p>\n\n\n\n Les attributs qualitatifs<\/strong> (r\u00e9putation, sp\u00e9cialit\u00e9s, positionnement de gamme) pr\u00e9sentent un \u00e9cart de 35 %. Ces informations sont plus stables dans le temps, mais leur inexactitude peut affecter le positionnement per\u00e7u d’un \u00e9tablissement \u2014 en lui attribuant une sp\u00e9cialit\u00e9 pass\u00e9e ou en le pla\u00e7ant dans un segment de march\u00e9 qu’il n’occupe plus.<\/p>\n\n\n\n La synth\u00e8se d’avis sans ancrage temporel<\/strong> concerne 47 % des cas. Les IA produisent des synth\u00e8ses qualitatives des retours clients<\/a> sans distinguer les avis r\u00e9cents des avis anciens. Pour un \u00e9tablissement ayant connu une \u00e9volution de son offre, de son \u00e9quipe ou de son positionnement, cette synth\u00e8se indiff\u00e9renci\u00e9e peut constituer une repr\u00e9sentation fid\u00e8le d’un \u00e9tat pass\u00e9, mais trompeuse de l’\u00e9tat pr\u00e9sent.<\/p>\n\n\n\n Enfin, 12 % des \u00e9tablissements<\/strong> ferm\u00e9s ou ayant radicalement modifi\u00e9 leur activit\u00e9 continuaient d’appara\u00eetre dans les r\u00e9ponses IA comme des entit\u00e9s actives et recommandables<\/a>.<\/p>\n\n\n\n Il est important de ne pas lire ces donn\u00e9es comme une mise en cause de la fiabilit\u00e9 des IA en g\u00e9n\u00e9ral. Ces outils ne produisent pas d\u00e9lib\u00e9r\u00e9ment des informations fausses : ils agr\u00e8gent ce qui est disponible, avec les biais et les lacunes que ce corpus comporte. Le d\u00e9calage ne na\u00eet pas d’un d\u00e9faut des mod\u00e8les \u2014 il na\u00eet d’un d\u00e9calage entre la vitesse d’\u00e9volution des \u00e9tablissements dans la r\u00e9alit\u00e9 et la vitesse de mise \u00e0 jour des sources num\u00e9riques sur lesquelles les IA s’appuient.<\/p>\n\n\n\n C’est cette asym\u00e9trie qui est au c\u0153ur du probl\u00e8me.<\/p>\n\n\n\n C’est l’enseignement central de cette \u00e9tude, et celui qui doit le plus directement informer les strat\u00e9gies de pr\u00e9sence locale.<\/p>\n\n\n\n En remontant syst\u00e9matiquement aux sources utilis\u00e9es par les IA pour construire leurs r\u00e9ponses, un ordre de priorit\u00e9 clair se d\u00e9gage.<\/p>\n\n\n\n La fiche Google Business Profile<\/a><\/strong> est la source la plus fr\u00e9quemment sollicit\u00e9e. Son autorit\u00e9 aupr\u00e8s des mod\u00e8les IA est forte \u2014 logiquement, puisqu’elle est con\u00e7ue comme une source structur\u00e9e d’information sur un \u00e9tablissement. Mais cette autorit\u00e9 se retourne contre l’\u00e9tablissement dont la fiche est incompl\u00e8te ou non mise \u00e0 jour : les IA reproduisent ses lacunes avec autant de confiance qu’elles reproduiraient des donn\u00e9es exactes.<\/p>\n\n\n\n Le site web de l’\u00e9tablissement<\/strong> est exploit\u00e9 \u00e0 la condition qu’il comporte du contenu textuel dense. Un site vitrine bien design\u00e9 mais dont l’essentiel du contenu est port\u00e9 par des images, des animations ou des mises en page complexes apporte tr\u00e8s peu aux IA. \u00c0 l’inverse, un site qui d\u00e9crit pr\u00e9cis\u00e9ment les services, les sp\u00e9cialit\u00e9s, les zones d’intervention et les modalit\u00e9s pratiques constitue une source de premier ordre. Les balises de donn\u00e9es structur\u00e9es (schema.org LocalBusiness)<\/a> amplifient significativement cette lisibilit\u00e9.<\/p>\n\n\n\n Les avis clients r\u00e9cents et riches<\/strong> jouent un r\u00f4le qui d\u00e9passe la simple agr\u00e9gation de notes. Les IA les utilisent pour inf\u00e9rer des caract\u00e9ristiques fonctionnelles \u2014 un avis mentionnant \u00ab nous avons privatis\u00e9 la salle du fond pour 20 personnes \u00bb aide le mod\u00e8le \u00e0 conclure que l’\u00e9tablissement dispose d’un espace privatisable. La r\u00e9cence, le volume et la densit\u00e9 narrative des avis sont les trois variables qui d\u00e9terminent la qualit\u00e9 de cette inf\u00e9rence. C’est l’une des conclusions majeures du rapport Whitespark 2026<\/a> sur les facteurs de classement local.<\/p>\n\n\n\n Les annuaires et agr\u00e9gateurs g\u00e9n\u00e9ralistes<\/strong> sont utilis\u00e9s, mais avec une fiabilit\u00e9 structurellement limit\u00e9e : leur mise \u00e0 jour d\u00e9pend des \u00e9tablissements eux-m\u00eames, qui y accordent rarement la m\u00eame attention qu’\u00e0 leur fiche Google.<\/p>\n\n\n\n Les pages locales \u00e0 contenu structur\u00e9 et enrichi<\/a><\/strong> constituent la source la plus instructive \u00e0 analyser. Lorsqu’un \u00e9tablissement est repr\u00e9sent\u00e9 sur une plateforme qui publie pour chaque fiche des blocs de contenu organis\u00e9s \u2014 synth\u00e8se des avis, description des services, pr\u00e9sentation de l’\u00e9quipe, r\u00e9ponses aux questions fr\u00e9quentes \u2014 les IA tendent \u00e0 en citer le contenu avec une pr\u00e9cision et une fid\u00e9lit\u00e9 nettement sup\u00e9rieures \u00e0 ce qu’elles produisent \u00e0 partir de sources \u00e9parses.<\/p>\n\n\n\n Ce ph\u00e9nom\u00e8ne s’explique par la logique m\u00eame des mod\u00e8les de langage : ils performent mieux sur des sources pr\u00e9-structur\u00e9es, pr\u00e9-synth\u00e9tis\u00e9es, que sur un corpus h\u00e9t\u00e9rog\u00e8ne qu’ils doivent organiser eux-m\u00eames. La plateforme qui fait le travail de structuration s\u00e9mantique \u00e0 la place de l’IA devient de fait un interm\u00e9diaire privil\u00e9gi\u00e9 entre l’\u00e9tablissement et les assistants IA.<\/strong><\/p>\n\n\n\n Le tableau ci-dessous synth\u00e9tise cette hi\u00e9rarchie :<\/p>\n\n\n\nContexte : La requ\u00eate locale dans l’\u00e8re des assistants IA<\/h2>\n\n\n\n
M\u00e9thodologie : Ce que nous avons mesur\u00e9 et comment<\/h2>\n\n\n\n
R\u00e9sultat 1 : L’ampleur et la nature du d\u00e9calage<\/h2>\n\n\n\n
R\u00e9sultat 2 : Ce que les IA lisent vraiment \u2014 la hi\u00e9rarchie des sources<\/h2>\n\n\n\n