GEO à la chinoise : 90 milliards de yuans pour la visibilité dans l'IA, et pour empoisonner les modèles

Le rapport sectoriel du portail ITHome décrit l'une des catégories qui montent le plus vite dans le marketing chinois. Le marché du GEO, l'optimisation générative, c'est-à-dire les efforts pour qu'une marque soit citée dans les réponses des modèles de langage, doit dépasser 90 milliards de yuans en 2026, avec une croissance annuelle de l'ordre de 160 %.

L'ampleur de l'intérêt vient des données sur les comportements des utilisateurs. Le centre chinois CNNIC a recensé 560 millions d'utilisateurs d'IA générative. Une étude consommateurs indique par ailleurs que plus de 80 % des clients vérifient dans le modèle les informations sur un produit avant de l'acheter. Gartner prévoit qu'en 2026 la moitié des requêtes adressées traditionnellement aux moteurs de recherche seront traitées par l'IA, et que le trafic issu du SEO classique baissera d'environ 30 % par an. Pour les marketeurs, le calcul est simple : là où l'attention s'en va, le budget doit suivre.

Qui gouverne les assistants chinois

Les données QuestMobile de juin 2026 montrent l'enjeu de cette bataille pour la visibilité. Le leader est Doubao, l'assistant de ByteDance, avec 382,3 millions d'utilisateurs actifs mensuels. Suivent Qwen avec 167,18 millions, DeepSeek avec 129,82 millions et Yuanbao, l'assistant de Tencent, avec 49,84 millions. Chacune de ces applications est un « monde » à part, qu'il faut convaincre de citer une source précise. Chacune applique aussi ses propres critères pour juger la fiabilité.

Les praticiens chinois parlent de « neuf dimensions d'évaluation ». Ils expliquent qu'il faut fournir aux modèles des contenus au format d'un document de référence : avec des chiffres, des noms d'institutions, des dates et des notes. De là à la manipulation, il n'y a qu'un pas.

Un faux rapport, une vraie citabilité

Le portail 36Kr a décrit le mécanisme de l'« empoisonnement » délibéré des modèles. Une agence marketing a préparé un faux rapport attribué à IDC sur une marque d'accessoires. Elle l'a diffusé sur des portails qui publient des contenus sectoriels et l'a lié depuis des dizaines de sites. Résultat : quand un utilisateur interrogeait l'assistant sur le classement de cette catégorie, le modèle reprenait les données fabriquées comme les conclusions d'un « centre de recherche connu ». Les noms d'instituts de recherche fonctionnent comme un jeton de crédibilité : leur répétition suffit au modèle pour juger le contenu digne d'être cité.

Le second effet décrit est la contamination réciproque des médias et des modèles. Le moteur de recherche IA lit un article de presse, le journaliste cite la réponse de l'assistant. Après plusieurs itérations, impossible d'établir quelle source était la première. Les rédactions perdent le contrôle de la circulation de l'information, non parce que quelqu'un les a piratées, mais parce que le système a pris un faux pour un fait.

Trois laboratoires, trois réponses

OpenAI, Google et Anthropic ont durci séparément, au cours de l'année écoulée, les règles de citation des sources dans les réponses. Tous trois tentent de privilégier les sites dotés d'une véritable histoire rédactionnelle et de favoriser la citation primaire. C'est une solution partielle : tant que le classement ne peut pas être vérifié de l'extérieur, il vaudra ce que coûte la manipulation la moins chère. Le marché chinois montre qu'avec la bonne motivation, ce coût est très faible.