# Recherche Scientifique GEO 2026 : Cartographie des Preuves Peer-Reviewed pour l’Optimisation des Citations IA

# Recherche Scientifique GEO 2026

**Cartographie des preuves peer-reviewed pour l’optimisation des [citations IA](/content/fr/ai-overviews-serp-2025-impact/index.html).** Cette page agrège les analyses issues de deux études arXiv majeures — Chen et al. 2025 (Université de Toronto) et Zhang, He & Yao 2026 — qui fondent la méthodologie CapstonAI.

## Nouveau dans le lab

Chaque étude analysée reçoit une ligne datée ici et une page d’analyse dédiée en français et en anglais. La plus récente en premier.

| Date | Étude | Résultat en une ligne | Analyse |
| --- | --- | --- | --- |
| 2026 | Martinez, [arXiv:2607.14035](https://arxiv.org/abs/2607.14035) — revue critique, 45 études | Les effets GEO prouvés sont conditionnels au contexte ; aucune technique examinée ne montre d’effet stable inter-plateformes sur la découvrabilité organique | [L’audit des preuves GEO](/content/fr/capston-core/geo-evidence-audit-martinez/index.html) |
| 2026 | Kumar, [arXiv:2606.20065](https://arxiv.org/abs/2606.20065) — mesure à grande échelle, 102 000 réponses | Seules 2,9 % des citations pointent vers le domaine de la marque ; la visibilité se répartit par notoriété en paliers de 72,9 / 43,6 / 11,4 % | [La visibilité des marques dans l’IA](/content/fr/capston-core/ai-brand-visibility-baseline-kumar/index.html) |
| 2026 | Tian et al., [arXiv:2603.09296](https://arxiv.org/abs/2603.09296) | Réparations ciblées : +40 % de citations en relatif en ne modifiant que 5 % du contenu | [Réparation des échecs de citation](/content/fr/capston-core/citation-failure-repair/index.html) |
| 2026 | Kim et al. (Yonsei), SAGEO Arena, [arXiv:2602.12187](https://arxiv.org/abs/2602.12187) | Le GEO naïf dégrade souvent le retrieval ; l’information structurelle limite la casse | [SAGEO Arena & GEO structurel](/content/fr/capston-core/sageo-arena-structural-geo/index.html) |
| 2024 | Aggarwal et al., KDD’24, [arXiv:2311.09735](https://arxiv.org/abs/2311.09735) | Jusqu’à +40 % de visibilité en banc d’essai ; citations et statistiques battent le bourrage de mots-clés | [Benchmark GEO](/content/fr/capston-core/geo-benchmark-aggarwal/index.html) |

Ces résultats fondent nos [outils gratuits](/content/fr/outils/index.html), et les changements de chaque semaine sont suivis dans la [Veille IA](/content/fr/veille-ia/index.html).

## Étude Zhang, He & Yao 2026 — Les 5 analyses FR

_arXiv:2604.25707 — 23 745 enregistrements de citations, framework Citation Selection vs Citation Absorption_

| Analyse | Résultat clé | Uplift |
| --- | --- | --- |
| [Citation Selection vs Absorption](/content/fr/citation-selection-vs-absorption/index.html) | Être cité ≠ être utilisé — 2 métriques à optimiser séparément | Framework fondateur |
| [Hypothèse Evidence-Container](/content/fr/evidence-container-hypothesis-geo/index.html) | Pages avec 3+ genres d’evidence = top quartile | Top quartile |
| [Format Q&A N’améliore PAS le GEO](/content/fr/qa-format-does-not-improve-geo/index.html) | Format Q&A = -5.74% mean influence | -5.74% |
| [GEO Influence Score — Méthodologie](/content/fr/geo-influence-score-methodology/index.html) | Mean influence 0.0947–0.2713 selon la source | Score défendable CFO |
| [Genres de Preuves Classés](/content/fr/evidence-genres-ranked-for-ai-citation/index.html) | Code +76.88%, stats +61.55%, définitions +57.33% | +41% à +77% |

## Étude Chen et al. 2025 — University of Toronto

_arXiv:2509.08919 — 10 moteurs IA, 6 verticals, 10 langues, 40 brands testées_

| Analyse | Résultat clé |
| --- | --- |
| [Citation Selection vs Absorption](/content/fr/capston-core/selection-vs-absorption-citations/index.html) | Jaccard overlap inter-engines 0.10–0.25 : 75–90% des sources diffèrent |
| [Multi-Engine Domain Diversity](/content/ai-engines-domain-diversity-comparison/index.html) | ChatGPT 60–68% domaines exclusifs vs Perplexity 16.35 sources/prompt |
| [Cross-Language GEO Stability](/content/cross-language-geo-stability/index.html) | Claude réutilise sources EN cross-langue ; ChatGPT : swap total |
| [Big Brand Bias in AI Search](/content/big-brand-bias-ai-search/index.html) | Major brands 62.2% des citations vs niche brands 9.0% |

## Les 5 résultats qui changent votre stratégie GEO

1. **Format Q&A = -5.74% d’influence** — Convertir tout en FAQ a dégradé votre GEO. Solution : evidence containers avec 3–5 genres de preuves.
2. **75–90% des sources diffèrent entre ChatGPT et Perplexity** — Une stratégie “AI Search” monolithique est statistiquement absurde. Chaque moteur requiert une allocation distincte.
3. **Code = +76.88% d’influence** — Le genre d’evidence le plus puissant. Suivi par stats +61.55%, définitions +57.33%, comparaisons +55.28%, how-to +41.20%.
4. **Big brand bias : 62.2% vs 9.0%** — Les niche brands ne peuvent pas gagner sur les broad categories. Stratégie : 5–10 niches dominables.
5. **Claude réutilise les sources EN cross-langue** — Un investissement en autorité anglophone compound sur tous les marchés pour Claude.

## Méthodologie CapstonAI

- **Prompt panel 30 requêtes** — Citation rate mesuré sur ChatGPT, Perplexity, Claude, Gemini simultanément
- **Influence Score traçable** — Basé sur Zhang et al. 2026, équation (2)
- **Evidence Container Audit** — Identifier et transformer les pages FAQ sous-performantes
- **Multi-Engine Budget Matrix** — Allocations optimisées par buyer persona
- **Re-baseline trimestriel** — Les préférences de sources des engines dérivent

## Sources académiques

- **Chen et al. 2025** — arXiv:2509.08919 — Université de Toronto
- **Zhang, He & Yao 2026** — arXiv:2604.25707
- **CapstonAI Q1 2026** — Données cohort partners (N=47 brands, 6 verticals)

_Dernière mise à jour : mai 2026. Données peer-reviewed, reproductibles et citables._

### Liste de lecture étendue (vérifiée sur arXiv)

- [Martinez (2026), Optimizing Visibility in Generative Engines : revue critique du GEO (2023–2026) — arXiv:2607.14035](https://arxiv.org/abs/2607.14035)
- [Liu & Xu (2026), Think Before Writing — arXiv:2604.19113](https://arxiv.org/abs/2604.19113)
- [Yuan et al. (2026), AgenticGEO — arXiv:2603.20213](https://arxiv.org/abs/2603.20213)
- [Yu et al. (2026), Structural Feature Engineering for GEO — arXiv:2603.29979](https://arxiv.org/abs/2603.29979)
- [Qiao et al., LLM-based Listwise Reranking under Positional Bias — arXiv:2604.03642](https://arxiv.org/abs/2604.03642)
- [Kumar & Lakkaraju (2024), Manipulating LLMs to Increase Product Visibility — arXiv:2404.07981](https://arxiv.org/abs/2404.07981)
- [Wan, Wallace & Klein (2024), What Evidence Do Language Models Find Convincing? — arXiv:2402.11782](https://arxiv.org/abs/2402.11782)