Rédaction BtoB Leaders 
Les moteurs de recherche IA (Google AI Overviews, ChatGPT Search, Perplexity, Gemini) répondent de plus en plus aux requêtes des acheteurs B2B sans forcément les renvoyer vers le site web source. Le modèle inbound classique, qui repose sur le trafic organique pour capturer des leads, en sort fragilisé. Si le nouveau playbook de la demandgen est encore en construction, les premières expérimentations permettent déjà de remonter quelques bonnes pratiques.
La recherche « zéro clic » grignote le trafic web des entreprises B2B
Selon une étude SparkToro et Datos, près de 60 % des recherches Google se terminent aujourd’hui sans aucun clic vers un site externe. L’utilisateur obtient sa réponse directement dans l’interface de recherche, via les AI Overviews de Google, les résumés de ChatGPT Search, de Perplexity ou de Gemini. Gartner anticipe une baisse de 25 % du trafic issu des moteurs de recherche d’ici fin 2026, à mesure que les acheteurs migrent vers ces expériences conversationnelles.
Pour les équipes marketing B2B, la conséquence se mesure évidemment à plusieurs niveaux. Les contenus informationnels (guides, articles de blog, pages « ressources ») qui alimentaient historiquement le haut du funnel inbound génèrent de moins en moins de visites. Dans le détail, les résumés générés par l’IA réduisent le taux de clic organique sur ce type de contenus de 34 % à 54 %, selon les requêtes et les secteurs. Les AI Overviews de Google apparaissent par ailleurs sur plus de la moitié des requêtes analysées par Gartner.
Le trafic qui disparaît emporte avec lui les signaux sur lesquels reposent traditionnellement les modèles de demand generation :
- Formulaires et conversions : les soumissions de formulaires (demandes de démo, téléchargements de livres blancs et inscriptions aux webinars) diminuent mécaniquement quand les visiteurs ne franchissent plus la porte du site ;
- Retargeting et audiences : les campagnes display retargetées et les audiences lookalike construites à partir des visiteurs du site perdent en volume et en qualité de ciblage ;
- Attribution marketing : déjà fragilisée par la fin des cookies tiers, l’attribution perd une couche supplémentaire de visibilité sur le parcours d’achat ;
- Lead scoring comportemental : les scores basés sur le comportement web (pages vues, récurrence des visites et profondeur de navigation) deviennent moins représentatifs de l’engagement réel des prospects.
Une étude académique portant sur 24 000 requêtes dans 243 pays confirme par ailleurs un effet de concentration : les moteurs de recherche IA citent davantage les marques à forte autorité de domaine (Domain Authority) et réduisent la visibilité des acteurs plus petits ou moins référencés.
Pour les PME et ETI du B2B francophone, ce phénomène signifie que la fenêtre d’exposition organique se referme plus vite que pour les grandes marques internationales, déjà bien installées dans les Knowledge Graphs (les bases de connaissances structurées utilisées par Google) et dans les corpus d’entraînement des grands modèles de langage (LLM).
Ce que les moteurs IA valorisent (et ce qu’ils ignorent)
Les moteurs de recherche classiques classaient des pages web selon un score de pertinence (autorité de domaine, densité de mots-clés et profil de backlinks). Les moteurs IA fonctionnent différemment, même si le « capital SEO » accumulé garde son importance : ils parcourent les contenus indexés, en extraient des fragments, les compriment et décident lesquels intégrer dans le résumé présenté à l’utilisateur.
Le contenu n’est plus « classé » dans une liste de dix liens bleus. Il est plutôt sélectionné, découpé, puis reformulé au sein d’une réponse unique. Un article peut donc alimenter la réponse d’un moteur IA sans jamais générer de clic vers le site source, même si le fragment utilisé reste attribué à la marque par un lien discret.
Ce changement de mécanique déplace donc les critères de sélection. Les mots-clés comptent, mais la structure du contenu également, tout comme la clarté de la réponse à une question donnée et le degré de consensus entre plusieurs sources.
Selon les premières remontées du terrain, les contenus que les grands modèles de langage (LLM) sélectionnent partagent plusieurs caractéristiques :
- Structure sémantique lisible par les modèles : titres hiérarchisés (H1, H2, H3), paragraphes courts répondant chacun à une question identifiable, et balisage schema.org qui aide les moteurs IA à contextualiser chaque fragment de texte avant de l’intégrer dans une réponse (même si le balisage est encore débattu dans la communauté GEO) ;
- Ancrage par persona et par cas d’usage : les requêtes des acheteurs B2B dans les moteurs IA sont plus longues et plus ciblées que les requêtes Google classiques. Les contenus qui couvrent un cas d’usage délimité pour un profil d’acheteur identifié ont plus de chances d’être retenus qu’une page généraliste ;
- Sources vérifiables et à jour : les LLM accordent davantage de poids aux contenus qui citent des données datées, des sources récentes et des entités fréquemment référencées sur le web (noms d’organisations, normes sectorielles, études tierces, etc.) ;
- Empreinte sur les plateformes de contenu généré par les utilisateurs : les moteurs IA s’appuient de façon disproportionnée sur les contenus issus de Wikipédia, Reddit et Quora, où ils trouvent des retours d’expérience et du feedback non filtré par le marketing de la marque.
Les contenus de type « thought leadership » comme les tribunes d’experts, les études de cas documentées et les témoignages clients détaillés pèsent aussi davantage dans les réponses des LLM que les pages produit.
La raison tient au fonctionnement même des modèles : pour formuler une réponse, ils cherchent à recouper l’information entre plusieurs sources indépendantes. Si un client décrit sur un forum la même valeur ajoutée que l’entreprise revendique sur son site, le modèle accorde plus de crédit à l’affirmation et la reprend avec plus de probabilité dans sa synthèse.
