Mesure des Citations LLM — Votre Nouvel Ensemble de Métriques SEO

Le trafic de votre SERP Google a chuté de 40%, mais votre marque a reçu 3 citations dans la réponse de ChatGPT. Est-ce un gain ou une perte ? Les métriques SEO traditionnelles — impressions, CTR, position — ne suffisent plus. Les utilisateurs posent leurs questions aux LLM et Google Analytics ne voit pas si votre marque est citée. En 2026, la réalité nouvelle pour les équipes de marketing de performance : taux de citation, part d'inférence, attribution de source — si vous ne les mesurez pas, vous disparaissez.

La Cécité Métrique du SERP

Google Search Console vous dit que vous êtes en 10e position avec 5000 impressions. Mais l'utilisateur qui pose la même question sur Perplexity voit votre contenu cité dans la réponse et se rend directement sur votre site — GSC l'enregistre comme « direct ». Votre marque est citée comme source dans un résumé généré par l'API Claude dans un email — Search Console ne peut pas voir cette interaction. Cette cécité existe sur 3 niveaux :

Attribution du trafic : Les LLM n'envoient pas de header referrer, n'utilisent pas de paramètres utm. Le visiteur provenant d'une citation apparaît comme « organic search » ou « direct ». La vraie source se perd — vous ne pouvez pas faire de test A/B, vous ne pouvez pas calculer le ROI.

Notoriété de marque : Même si l'utilisateur ne visite pas votre site, il apprend l'existence de votre marque. Si ChatGPT montre votre site comme « source fiable » au milieu d'une réponse de 500 mots, cela crée de la valeur de marque. Les outils SEO traditionnels ne captent pas cet effet.

Positionnement concurrentiel : Votre concurrent reçoit 5 citations pour la même requête, vous en recevez 0 — mais Search Console vous place tous les deux en 3e position. La fréquence de citation est le nouveau « taux de capture du featured snippet », mais il n'est pas encore dans votre tableau de bord.

Définir les Métriques de Citation

Pour mesurer la visibilité LLM, 4 métriques fondamentales :

Taux de citation : Nombre de fois où votre marque/contenu apparaît comme référence dans les réponses LLM. Formule : (nombre de réponses où votre marque est citée) / (nombre total de requêtes pertinentes). Exemple : Dans la catégorie « commerce headless », ChatGPT a produit 1000 réponses et vous a cité dans 120 — c'est 12% de taux de citation. Cette métrique indique directement votre autorité de marque.

Position dans les sources : À quel rang vous apparaissez dans la liste des citations. Perplexity affiche généralement 3-6 sources — être en première place génère 60% de clics en plus (données de test interne Roibase, Q4 2025). Sans suivi de position, vous ne connaissez pas la vraie valeur de votre taux de citation.

Part d'inférence : Le pourcentage du contenu de votre article utilisé dans la réponse. Si ChatGPT produit une réponse de 300 mots dont 80 proviennent directement de votre article, c'est mesurable par similarité sémantique (cosine similarity > 0.85 généralement). Une part d'inférence élevée = le modèle utilise votre ton, votre framing — c'est une propagation de voix de marque.

Couverture d'intention : Pour quels types de requête êtes-vous cité. Vous êtes cité dans les requêtes informationnelles « Qu'est-ce qu'une CDP » mais absent des requêtes commerciales « comparaison vendors CDP » ? L'analyse de couverture oriente votre stratégie éditoriale — quels gaps d'intention faut-il combler.

Fréquence de Mesure

Ces métriques ne sont pas en temps réel — les LLM ne sont pas déterministes, la même requête peut produire des réponses différentes. Un measuring batch hebdomadaire est suffisant : vous déclenchez automatiquement 100-200 requêtes seed, parsez les réponses et extrayez les citations. Les fluctuations quotidiennes sont du bruit, la tendance hebdomadaire est le signal.

Architecture de Collecte de Données

Le suivi des citations requiert 3 composants : pipeline de requêtes, parseur de réponses, moteur d'attribution.

Pipeline de requêtes : Vous envoyez parallèlement vos mots-clés seed (les 50-100 requêtes avec le plus d'impressions de GSC) à chaque API de modèle. Un workflow n8n ou un DAG Airflow peut être déclenché une fois par semaine. Les paramètres du modèle doivent être fixes pour chaque requête — température=0.3, top_p=0.9 par exemple — sinon les résultats ne sont pas reproductibles.

Calcul des coûts : ChatGPT-4o API ~0.005$/requête (entrée 500 tokens + sortie 1500 tokens en moyenne), Gemini Pro ~0.003$, Claude Sonnet ~0.006$. 100 requêtes × 3 modèles × 4 semaines = 1200 requêtes = 6-7$/mois. Ce budget suffit pour un snapshot hebdomadaire, pas pour un tracking temps réel.

Parseur de réponses : Vous devez transformer la sortie LLM en données structurées. Le format des citations varie par modèle — ChatGPT utilise [1], Perplexity [^1], Claude markdown footnotes. Combinaison regex + NER (Named Entity Recognition) : d'abord extraire les marqueurs de citation, puis matcher les domaines/noms de marque. Exemple Python :

import re
from urllib.parse import urlparse

def extract_citations(response_text):
    # Citation pattern: [1], [^2], etc.
    pattern = r'\[(\^?\d+)\]'
    markers = re.findall(pattern, response_text)
    
    # Source URL extraction (model-specific)
    sources = re.findall(r'https?://[^\s\)]+', response_text)
    
    citations = []
    for idx, url in enumerate(sources):
        domain = urlparse(url).netloc
        citations.append({
            'position': idx + 1,
            'domain': domain,
            'is_own_brand': 'roibase.com.tr' in domain
        })
    
    return citations

Ce parseur simple offre ~85% de précision — les cas limites (lien intégré, source payante) nécessitent un QA manuel périodique.

Moteur d'attribution : Vous écrivez les citations extraites dans votre warehouse et calculez les métriques agrégées. Schema de table BigQuery ou Snowflake :

Vue agrégée hebdomadaire sur cette table :

SELECT 
  model_name,
  COUNT(DISTINCT query_text) AS total_queries,
  SUM(CASE WHEN citation_domain LIKE '%roibase%' THEN 1 ELSE 0 END) AS own_citations,
  AVG(CASE WHEN citation_domain LIKE '%roibase%' THEN citation_position ELSE NULL END) AS avg_position
FROM citation_log
WHERE measured_at >= CURRENT_DATE() - 7
GROUP BY model_name;

Résultat : 14% de taux de citation pour ChatGPT, 8% pour Gemini, 19% pour Claude — ces différences sont liées aux dates de cut-off des données d'entraînement et aux stratégies de retrieval. Une fois ce signal capturé, vous pouvez optimiser votre stratégie GEO spécifiquement par modèle.

Calcul de la Part d'Inférence

Le taux de citation mesure votre visibilité, la part d'inférence mesure à quel point votre contenu est utilisé. Méthode : similarité d'embedding sémantique.

Étapes :

1. Chunker votre contenu source (article de blog, white paper) au niveau phrase/paragraphe
2. Chunker la réponse LLM de la même façon
3. Pour chaque chunk de réponse, trouver le chunk source avec la plus haute similarité (cosine similarity)
4. Compter les matches au-dessus du seuil (>0.85 généralement)
5. Part d'inférence = (nombre de chunks de réponse matchés) / (nombre total de chunks de réponse)

Implémentation Python (avec sentence-transformers) :

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('all-MiniLM-L6-v2')

source_chunks = ["Une CDP collecte des données first-party...", "La fenêtre d'attribution est 7 jours..."]
response_chunks = ["Une CDP collecte les données utilisateur...", "La fenêtre de conversion est généralement 7 jours..."]

source_embeddings = model.encode(source_chunks)
response_embeddings = model.encode(response_chunks)

matched = 0
for resp_emb in response_embeddings:
    similarities = util.cos_sim(resp_emb, source_embeddings)
    if similarities.max() > 0.85:
        matched += 1

inference_share = matched / len(response_chunks)

Une part d'inférence >60% = le LLM réutilise largement votre contenu. C'est à la fois positif (autorité de marque) et négatif (perte de trafic direct) — ce tradeoff doit apparaître dans votre tableau de bord exécutif.

Analyse de Couverture d'Intention

Comment performez-vous selon les catégories d'intention ? Mesurez séparément pour les requêtes informationnelles (« Qu'est-ce qu'une CDP »), commerciales (« comparaison vendors CDP »), de navigation (« intégration Shopify CDP »), transactionnelles (« demander une démo CDP »).

Exemple de gap de couverture : Vous avez 18% de citations pour les requêtes informationnelles e-commerce, mais seulement 3% pour les requêtes commerciales. Ce gap indique que vous devez ajouter du contenu « comparaison de vendeurs », « décomposition des prix », « checklist d'implémentation ».

Tableau de segmentation :

Les requêtes transactionnelles à 0% c'est normal — les LLM ne peuvent pas faire de ventes directes, donc sur « demander une démo » ils ne citent pas de source. Mais la baisse commerciale est actionnable.

Tableau de Bord et Système d'Alerte

Collecter et rapporter les métriques — sans cela vous ne créez pas de valeur opérationnelle. Template de rapport de citation hebdomadaire :

Résumé exécutif (diapo unique) :

• Tendance du taux de citation (12 dernières semaines)
• Répartition par modèle (graphique en barres ChatGPT/Gemini/Claude)
• Top 5 contenus cités
• Gap de couverture (types d'intention où vous êtes faible)

Règles d'alerte (Slack/email) :

• Taux de citation <20% → révision éditoriale déclenchée
• Un concurrent vous dépasse en citations (tracking concurrent dans un pipeline distinct) → plan de réponse stratégique
• Nouveau cluster de mots-clés haute performance détecté → hiérarchisation de production de contenu

Ces alertes font partie de l'Ingénierie des Données & Insights — la transformation de métrique brute en signal actionnable nécessite du data engineering.

Connexion avec la Stratégie GEO

La mesure des citations n'est pas juste du reporting, c'est un input pour l'optimisation. Si votre part d'inférence est faible, rendez votre contenu plus LLM-friendly : paragraphes chunking-compatibles, hiérarchie d'headers claire, augmentez la densité de déclarations factuelles. Si votre position de citation est basse, renforcez les signaux d'autorité : qualité des backlinks, ancienneté du domaine, fraîcheur du contenu.

La différence avec le SEO classique : en SEO vous optimisiez la densité de keywords, en GEO vous optimisez la couverture de cluster sémantique. Les LLM regardent le chevauchement conceptuel, pas le match d'n-grammes — ce n'est pas répéter le même mot 10 fois, c'est couvrir les concepts pertinents.

Le tracking des citations LLM n'est pas optionnel en 2026, c'est obligatoire. Si votre marque n'apparaît pas dans les moteurs génératifs, vous êtes absente du processus de décision de la nouvelle génération d'utilisateurs. Taux de citation, part d'inférence, couverture d'intention — ces 3 métriques doivent être dans votre tableau de bord. Si elles n'y sont pas, votre stratégie SEO est incomplète. Décidez maintenant quels 50 mots-clés vous mettrez dans le premier batch, construisez le pipeline et récupérez le premier snapshot hebdomadaire — dans 3 mois, pendant que vos concurrents regarderont encore Google Analytics, vous verrez le signal réel dans votre graphique d'attribution.