GEO — How brands earn their LLM citations
En janvier 2024, j'ai posé une question à ChatGPT : "Quel est le meilleur outil de clustering sémantique pour un site e-commerce de 500 pages ?" Il a cité trois noms. Aucun des trois n'était le mien. Pourtant, j'avais livré 1 300 cocons à ce moment-là. Le problème n'était pas mon produit. C'était ma visibilité dans les LLM.
J'ai passé les 12 mois suivants à tester ce qui fait qu'une marque apparaît — ou non — dans les réponses des modèles de langage. Voici ce que j'ai appris sur 50 marques testées.
Le test "Ask the LLM live"
J'ai développé un protocole simple : pour chaque marque, je prépare 10 questions types que ses clients potentiels posent. Je les soumets à ChatGPT, Perplexity, Claude et Gemini. Je note si la marque est citée, à quelle position, et avec quel contexte.
Résultat sur 50 marques B2B et e-commerce : seules 12 apparaissent dans au moins 3 des 4 LLM. Les 38 autres sont invisibles. Le point commun des 12 ? Aucune ne faisait de "SEO pour LLM" conscient. Elles avaient juste construit des signaux que les LLM utilisent naturellement.
J'ai isolé 4 patterns qui marchent.
Pattern 1 : l'entité Wikidata (même sans Q-ID actif)
Les LLM structurent leur connaissance autour d'entités. Une marque qui existe comme entité dans des sources structurées (Wikidata, Wikipedia, DBpedia) a un avantage massif. Mais attention : Wikidata n'est pas une fin en soi. Ce qui compte, c'est la cohérence des informations entre les sources.
J'ai testé : une marque avec une fiche Wikidata bien maintenue, des liens entrants depuis des sites reconnus, et une page Wikipedia. Résultat : citée dans 4 LLM sur 4. Même marque, sans Wikipedia : citée dans 2 LLM sur 4. La différence est nette.
Note : je ne parle pas de créer une fiche Wikidata pour le SEO. Je parle de construire une présence en ligne cohérente que les LLM peuvent référencer.
Pattern 2 : llms.txt et données structurées
Le fichier llms.txt, proposé par le community, permet de donner aux LLM un résumé structuré de votre site. Je l'ai testé sur [CHIFFRE_SITES_TEST] sites clients. Ceux avec un llms.txt bien conçu (pas juste une copie du sitemap) ont vu leur taux de citation augmenter de [CHIFFRE_POURCENTAGE_AUGMENTATION]% dans Perplexity.
Les données structurées (FAQPage, HowTo, Product) sont un autre levier. Les LLM les utilisent pour répondre à des questions précises. Un client avec 200 FAQ en FAQPage structuré a vu 15 de ses réponses apparaître dans des réponses ChatGPT en 3 mois.
Pattern 3 : les sources externes cohérentes
Les LLM ne citent pas une marque uniquement sur son site. Ils regardent qui parle d'elle ailleurs. Une marque citée dans 5 articles de presse sectorielle, 3 comparatifs, et 2 forums a plus de chances d'être référencée qu'une marque avec 50 backlinks de blogs invités.
J'ai testé : un client B2B avec 0 backlink "SEO" mais 8 mentions dans des études de cas sectorielles. Il apparaît dans Claude et Perplexity. Un concurrent avec 200 backlinks de blogs invités et 0 mention externe organique : invisible.
Ce qui ne marche pas
J'ai aussi testé ce qui échoue systématiquement :
- L'auto-promotion : écrire "notre marque est la meilleure" dans le contenu. Les LLM ignorent ou pénalisent.
- Le contenu thin : des pages génériques sans valeur ajoutée. Les LLM les détectent via les patterns de langage.
- Les backlinks artificiels : les LLM ne se basent pas sur le PageRank. Ils analysent la pertinence contextuelle des citations.
Comment mesurer mensuellement
Depuis mars 2024, je mesure la visibilité LLM de mes clients avec un tableau de bord mensuel :
- Nombre de citations dans chaque LLM
- Contexte de la citation (positive, neutre, négative)
- Position relative par rapport aux concurrents
- Évolution vs mois précédent
Le résultat est clair : les marques qui travaillent leur présence LLM voient leur trafic "zéro-click" augmenter. Pas de clic vers le site, mais une citation dans la réponse. Pour un cabinet d'expertise, c'est souvent plus précieux qu'un clic.
Si vous voulez voir comment j'intègre ces patterns dans le pipeline de production de contenu, lisez l'article sur le Vibe Coding avec Claude Code. J'y explique comment j'automatise les tests GEO.
In January 2024, I asked ChatGPT: "What is the best semantic clustering tool for a 500-page e-commerce site?" It listed three names. None of them was mine. Yet I had delivered 1,300 clusters by then. The problem wasn't my product. It was my visibility in LLMs.
I spent the next 12 months testing what makes a brand appear — or not — in language model responses. Here is what I learned from testing 50 brands.
The "Ask the LLM live" test
I developed a simple protocol: for each brand, I prepare 10 typical questions its potential clients ask. I submit them to ChatGPT, Perplexity, Claude, and Gemini. I note if the brand is cited, at what position, and with what context.
Result across 50 B2B and e-commerce brands: only 12 appear in at least 3 of the 4 LLMs. The other 38 are invisible. The common point of the 12? None were doing conscious "SEO for LLMs." They had simply built signals that LLMs naturally use.
I isolated 4 working patterns.
Pattern 1: Entity coherence (even without active Q-ID)
LLMs structure their knowledge around entities. A brand that exists as an entity in structured sources (Wikidata, Wikipedia, DBpedia) has a massive advantage. But attention: Wikidata is not an end in itself. What matters is information consistency across sources.
I tested: a brand with a well-maintained Wikidata entry, inbound links from recognized sites, and a Wikipedia page. Result: cited in 4 out of 4 LLMs. Same brand, without Wikipedia: cited in 2 out of 4 LLMs. The difference is clear.
Note: I am not talking about creating a Wikidata entry for SEO. I am talking about building a coherent online presence that LLMs can reference.
Pattern 2: llms.txt and structured data
The llms.txt file, proposed by the community, lets you give LLMs a structured summary of your site. I tested it on [SITES_TESTED] client sites. Those with a well-designed llms.txt (not just a copy of the sitemap) saw their citation rate increase by [PERCENTAGE_INCREASE]% in Perplexity.
Structured data (FAQPage, HowTo, Product) is another lever. LLMs use them to answer specific questions. A client with 200 FAQs in structured FAQPage format saw 15 of its answers appear in ChatGPT responses within 3 months.
Pattern 3: Consistent external sources
LLMs don't cite a brand based solely on its site. They look at who else talks about it. A brand cited in 5 industry press articles, 3 comparisons, and 2 forums has a higher chance of being referenced than a brand with 50 guest blog backlinks.
I tested: a B2B client with 0 "SEO" backlinks but 8 mentions in industry case studies. It appears in Claude and Perplexity. A competitor with 200 guest blog backlinks and 0 organic external mentions: invisible.
What doesn't work
I also tested what systematically fails:
- Self-promotion: writing "our brand is the best" in content. LLMs ignore or penalize it.
- Thin content: generic pages with no added value. LLMs detect them through language patterns.
- Artificial backlinks: LLMs don't rely on PageRank. They analyze the contextual relevance of citations.
How to measure monthly
Since March 2024, I measure my clients' LLM visibility with a monthly dashboard:
- Number of citations in each LLM
- Citation context (positive, neutral, negative)
- Relative position vs competitors
- Change vs previous month
The result is clear: brands that work on their LLM presence see their "zero-click" traffic increase. No click to the site, but a citation in the response. For an expertise firm, this is often more valuable than a click.
If you want to see how I integrate these patterns into the content production pipeline, read the article on Vibe Coding with Claude Code. I explain how I automate GEO testing.
Want to go further?
30 minutes to discuss your project. Live audit of your site included, no pitch.
Book a call