Le coût caché d’ignorer l’AI Search (et comment le chiffrer)

Résumé

La plupart des équipes traitent l’AI Search comme une expérimentation à lancer plus tard. Ce cadrage masque un fait simple : votre absence des réponses générées vous coûte déjà du pipeline chaque mois, silencieusement, sans jamais apparaître dans un dashboard. Cet article propose une formule à quatre variables pour estimer ce coût, un exemple chiffré, les effets de second ordre que le modèle ne capture pas, et un plan à 30 jours pour arrêter l’hémorragie.

Pourquoi c’est un coût et non une opportunité manquée

Une opportunité manquée, c’est quelque chose que vous n’avez pas encore capté. Un coût, c’est quelque chose qui sort de l’entreprise en ce moment même. La distinction n’est pas sémantique : elle détermine qui prend le sujet en main et à quelle vitesse il est financé. L’AI Search appartient clairement à la seconde catégorie, et pour une raison structurelle.

Quand un acheteur tapait « meilleur logiciel de facturation pour freelances » sur Google en 2020, il voyait dix résultats et construisait lui-même sa short-list. Quand il pose la même question à un assistant aujourd’hui, la short-list est construite pour lui. Trois ou quatre noms reviennent, avec une phrase de justification chacun. Tous les autres acteurs de la catégorie ne sont pas onzièmes : ils ne font simplement pas partie de la conversation, et l’acheteur n’apprendra jamais leur existence.

C’est la différence mécanique entre la recherche et les réponses génératives. La recherche répartit l’attention sur une longue traîne ; les réponses IA la concentrent sur une poignée de noms. L’absence n’est pas un moins bon classement, c’est une suppression. Et contrairement à une chute de position sur Google, rien dans votre analytics ne vous le signale.

C’est précisément pour cela que le coût reste invisible aussi longtemps. Il n’existe aucune ligne dans GA4 intitulée « deals perdus parce que ChatGPT a recommandé un concurrent ». Le trafic que vous n’avez jamais reçu ne laisse aucune trace. Les équipes constatent le symptôme, un affaiblissement lent de la qualité de l’inbound, plusieurs mois avant d’en identifier la cause.

Les quatre endroits où le coût apparaît vraiment

Avant de modéliser le chiffre, il faut savoir où le chercher. En pratique, les dégâts se concentrent à quatre endroits, et seul le premier est évident.

• La découverte en haut de funnel. Les acheteurs qui vous auraient trouvé via une requête « meilleurs outils pour X » obtiennent maintenant une réponse à trois noms qui vous exclut. C’est le poste le plus important et le moins mesurable, puisque ces personnes ne sont jamais devenues une session dans votre analytics.
• La survie en short-list. Vous êtes dans le deal, mais l’acheteur demande à un assistant de vous comparer à deux concurrents. Si la réponse décrit votre produit avec un pricing obsolète, une fonctionnalité abandonnée ou un tiède « bien pour les petites équipes », vous perdez des deals que vous étiez en train de gagner.
• La formation des objections. Les acheteurs arrivent en rendez-vous avec des objections écrites par un modèle plutôt que par un concurrent. Elles sont plus difficiles à traiter parce qu’elles portent la neutralité perçue d’une machine, et parce que votre commercial ignore d’où elles viennent.
• Le recrutement et les partenariats. Candidats, investisseurs et partenaires potentiels se renseignent eux aussi via les assistants. Une description IA pauvre ou inexacte de votre entreprise vous coûte sur des marchés auxquels vous ne pensiez même pas.

Ce sont les deuxième et troisième postes qui surprennent le plus. Que l’absence nuise à la découverte est intuitif. Qu’une marque très présente dans les réponses IA perde malgré tout du chiffre à cause du cadrage attaché à cette présence l’est beaucoup moins.

Une formule simple pour chiffrer votre écart de visibilité

Vous n’avez pas besoin d’un modèle parfait. Vous avez besoin d’un modèle défendable, qu’un directeur financier accepte et qui gagne en précision à mesure que vous l’alimentez en mesures réelles. Quatre variables suffisent.

• D : La demande mensuelle à intention d’achat. Le volume de recherche cumulé des vingt à cinquante requêtes qui indiquent qu’une personne choisit activement une solution dans votre catégorie. Ni requêtes de marque, ni curiosité de haut de funnel : « meilleur X pour Y », « alternatives à X », « X vs Y ».
• A : Le taux de résolution par l’IA. La part de cette demande qui se règle désormais dans un assistant plutôt que par un clic. Les estimations publiques pour 2026 se situent entre quinze et trente pour cent pour les catégories logicielles B2B, davantage sur le grand public. Partez de vingt pour cent si vous n’avez pas mieux, et assumez-le comme une hypothèse.
• M : Votre taux d’absence. La part des réponses IA à ces requêtes où votre marque n’est pas citée, ou l’est défavorablement. C’est la seule variable que vous devriez mesurer plutôt qu’estimer, et c’est aussi celle qui bouge le plus quand vous agissez.
• V : La valeur d’un parcours résolu. Votre panier moyen multiplié par votre taux de closing sur un lead inbound qualifié, divisé par le nombre de parcours à intention d’achat nécessaires pour produire un lead qualifié.

L’estimation est alors simplement D × A × M × V. Lisez-la comme le chiffre d’affaires mensuel qui se joue dans votre catégorie sans que vous soyez dans la pièce. Multipliez par douze pour obtenir le montant annuel qui fait passer le budget.

Deux disciplines rendent ce modèle crédible plutôt que théâtral. D’abord, gardez chaque hypothèse visible et étiquetée comme telle, pour qu’un sceptique discute les entrées au lieu de balayer le résultat. Ensuite, traitez M comme une valeur mesurée, pas estimée. Un modèle bâti sur trois suppositions est une histoire ; un modèle bâti sur deux hypothèses et une mesure est un business case.

Un exemple chiffré que vous pouvez reprendre

Prenons un éditeur SaaS B2B à quatre millions d’ARR, qui vend un outil de gestion de projet aux agences. Le contrat moyen est de douze mille euros par an. Ses chiffres pourraient ressembler à ceci.

• D = 40 000 recherches mensuelles à intention d’achat sur ses trente requêtes prioritaires.
• A = 22 %, soit environ 8 800 parcours qui se résolvent désormais dans un assistant.
• M = 68 %, mesuré. La marque apparaît dans environ un tiers des réponses à ces prompts, et dans la moitié de ces cas il s’agit d’une mention de fin de réponse plutôt que d’une recommandation.
• V = 18 € par parcours résolu. Un contrat à 12 000 €, un taux de closing de 20 % sur l’inbound qualifié, et environ 130 parcours à intention d’achat par lead qualifié.

Le calcul donne 8 800 × 0,68 × 18 €, soit environ 107 000 € par mois. Annualisé, cela représente à peu près 1,29 M€ de demande de catégorie qui se règle sans eux. Même si le modèle se trompe de moitié, le montant restant dépasse le budget contenu annuel de la plupart des entreprises à ce stade.

L’intérêt de l’exercice n’est pas le chiffre affiché, intrinsèquement mou. C’est la sensibilité. Faire passer M de 68 % à 45 %, ce qui est un résultat réaliste après deux trimestres de travail ciblé, récupère environ 430 000 € d’exposition annualisée. C’est cette phrase-là qui transforme un projet de recherche en chantier financé.

Les coûts qui ne rentrent pas dans un tableur

Le modèle ci-dessus est volontairement conservateur : il ne compte que la demande qui existe aujourd’hui. Trois effets restent en dehors, et tous les trois s’aggravent dans le mauvais sens.

Le premier est le renforcement. Les assistants s’appuient sur les sources qui décrivent déjà le marché, et ces sources sont de plus en plus écrites avec l’aide d’assistants. Une marque citée aujourd’hui a davantage de chances d’être citée demain, parce que la citation elle-même rejoint le corpus dans lequel la réponse suivante puisera. L’absence s’auto-entretient de la même manière.

Le deuxième est la latence. Rien, en visibilité IA, ne réagit vite. Les moteurs orientés récupération comme Perplexity peuvent refléter une nouvelle page en quelques semaines, mais la composante durable, la façon dont le modèle lui-même décrit votre catégorie, évolue à l’échelle de plusieurs mois. Chaque trimestre d’attente s’ajoute au début de votre calendrier de rattrapage, pas seulement à la colonne des pertes.

Le troisième est la dérive factuelle. Quand personne ne maintient la description de référence de votre entreprise, les modèles comblent le vide avec ce qu’ils trouvent : une ancienne page de tarifs, un avis vieux de deux ans, une page de comparaison écrite par le concurrent. Une information fausse coûte plus cher qu’une absence d’information, et elle se fige avec le temps.

Que faire dans les 30 premiers jours

Vous n’avez pas besoin d’une stratégie GEO pour commencer. Vous avez besoin d’une mesure de référence, car tout le reste devient plus simple à prioriser une fois que vous voyez où vous en êtes réellement.

• Semaine 1 : Construire l’univers de prompts. Écrivez les vingt à cinquante questions qu’un vrai acheteur pose quand il choisit dans votre catégorie. Utilisez le vocabulaire de vos clients en rendez-vous, pas votre jargon produit interne.
• Semaine 2 : Mesurer la ligne de base. Faites tourner chaque prompt sur les principaux assistants, plusieurs fois chacun, et notez la présence, la position, le cadrage et les sources citées. Échantillonnez de façon répétée : un run isolé ne vous apprend presque rien, ces systèmes n’étant pas déterministes.
• Semaine 3 : Identifier le motif des sources. Regardez ce que les assistants citent quand ils répondent bien et quand ils répondent mal. Presque toujours, une poignée de domaines, souvent des sites d’avis, des fils de communauté et quelques pages de comparaison bien structurées, dominent les réponses de votre catégorie.
• Semaine 4 : Corriger la source la plus rentable. En général, il s’agit d’abord de la couche factuelle : un annuaire obsolète, une fiche d’avis que personne n’a mise à jour, une page de comparaison qui ne reflète plus vos tarifs. Peu coûteux, rapide, et cela stoppe la dérive avant tout investissement dans du nouveau contenu.

Refaites ensuite tourner la formule à quatre-vingt-dix jours, avec un M mesuré plutôt que supposé. L’écart entre les deux relevés est le retour sur le travail accompli, exprimé dans la seule unité qui maintient un programme financé.

Les entreprises qui domineront leur catégorie dans les réponses IA dans deux ans ne seront pas celles qui ont eu la meilleure stratégie. Ce seront celles qui ont commencé à mesurer en premier, parce que l’effet cumulatif joue en faveur de celles qui sont déjà là.