SUEZ à réalisé +155 % de citations IA en 6 mois

Phase 1 : faire exister le sujet auprès des équipes

La première phase a duré environ trois mois et n'a pas touché une ligne du site. L'objectif était que l'équipe marketing, puis les équipes produit et communication, comprennent ce que les IA font de leurs contenus et acceptent de changer leur façon d'écrire.

Montrer, pas expliquer. La première présentation aux équipes marketing s'est ouverte sur une démonstration en direct : les mêmes questions métier posées à Google, puis à ChatGPT, Perplexity et Gemini. Sur Google, SUEZ Digital Solutions apparaissait. Dans les réponses des IA, les concurrents étaient cités, avec leurs chiffres et leurs références, et SUEZ n'existait pas. Voir son propre nom absent d'une réponse que lit un prospect vaut tous les arguments.

Expliquer le mécanisme. J'ai ensuite détaillé, sans jargon, comment un moteur de réponse construit sa réponse : un modèle de langage entraîné sur un corpus figé, complété par une recherche en temps réel (RAG) qui va chercher quelques pages, en extrait des passages courts et les recompose en citant ses sources. Trois conséquences pratiques en découlent, et elles ont structuré tout le projet :

1. Le modèle cite des entités qu'il sait relier à une question. D'où l'importance de nommer clairement le problème, le client et le résultat, pas seulement le produit.

2. Le modèle reprend des passages autonomes, courts et factuels. D'où la nécessité de contenus « extractibles » : une idée par paragraphe, une réponse directe sous chaque question.

3. Le modèle fait confiance aux sources de référence (Wikipédia, presse, annuaires, sites institutionnels) pour établir qu'une entité existe et ce qu'elle fait. D'où un travail hors site, pas seulement sur site.

Mettre un chiffre de départ. Pour que le sujet devienne pilotable, j'ai construit une première grille de mesure : un panel de prompts représentatifs des questions des acheteurs, exécutés chaque mois sur les principaux assistants, avec pour chaque réponse trois informations relevées : SUEZ Digital Solutions est-elle citée, en quelle position, et avec quelle source. Ce score de départ, très bas, est devenu la référence de tout le projet.

Les prompts, pas les mots-clés. Contrairement au SEO, les requêtes adressées aux IA sont longues (100 à 500 caractères) et contextualisées. Le panel a donc été construit sur quatre niveaux, pour chaque cas d'usage :

Obtenir un mandat. À l'issue de cette phase, l'équipe marketing a validé un plan en quatre chantiers (wording, Wikipédia, FAQ, données structurées) avec un point mensuel sur le score de citations. Les équipes produit ont accepté de relire les nouvelles formulations, condition indispensable dans un secteur où chaque chiffre engage l'entreprise.

Solution, phase 2 : la mise en place

La deuxième phase s'est déroulée sur les neuf mois suivants, chantier par chantier, en commençant par ce qui a le plus d'effet pour le moins d'effort.

1. Retravail du wording : rendre chaque page citable

Le premier chantier a consisté à réécrire les pages solutions et les pages cas clients selon une grille fixe, page par page, en binôme avec les chefs de produit.

• Une phrase de définition en tête de page, au format « [Nom de la solution] est un [type de solution] qui permet à [type de client] de [résultat mesurable] ». C'est le passage qu'un modèle reprend en priorité quand il doit décrire une entité. Exemple de transformation : « Une plateforme innovante pour une gestion intelligente de vos réseaux » devient « AQUADVANCED Réseaux d'eau est un logiciel de supervision temps réel qui permet aux exploitants de réseaux d'eau potable de localiser les fuites et de réduire de 75 % le délai de détection ».

• Alignement du vocabulaire sur celui des acheteurs. Analyse des requêtes du panel de prompts, des appels d'offres publics et des questions posées aux commerciaux pour retenir les termes réellement utilisés (« rendement de réseau », « sectorisation », « télé-relevé », « supervision ») plutôt que les noms de gammes seuls. Chaque nom de produit est systématiquement accompagné de sa catégorie générique.

• Des passages autonomes. Un paragraphe = une idée = une information complète lisible hors contexte, 40 à 80 mots, sans « comme vu plus haut » ni pronom ambigu. Les intertitres sont rédigés sous forme de questions ou d'affirmations factuelles.

• Des chiffres sourcés et datés. Chaque bénéfice chiffré (16 % d'économies d'eau, 15 % d'énergie, 30 % de CAPEX) est rattaché à un cas client nommé, avec le contexte (taille du réseau, période). Les IA privilégient les affirmations vérifiables et pénalisent les promesses vagues.

• Cohérence entre les langues. Les versions française et anglaise ont été alignées sur la même définition et les mêmes chiffres, pour que le modèle ne reçoive pas deux descriptions contradictoires de la même entité.

2. Wikipédia et sources tierces : établir l'entité

Les moteurs de réponse s'appuient fortement sur Wikipédia et sur les sources qu'elle cite pour décider qu'une entreprise existe, ce qu'elle fait et comment la nommer. La page Wikipédia de SUEZ Digital Solutions était incomplète et décrivait une organisation antérieure.

Le travail a été mené dans le respect strict des règles de l'encyclopédie (neutralité, sources secondaires, déclaration de conflit d'intérêts) : constitution d'un dossier de sources indépendantes (presse économique et spécialisée, communiqués repris par des tiers, fiches marchés publics), proposition de mise à jour de l'infobox (nom, date de création, siège, activité, maison mère) et des sections activité et solutions, avec une description factuelle et non promotionnelle. En parallèle, les fiches de référencement (annuaires professionnels, plateformes d'achat public, profils LinkedIn et Crunchbase) ont été harmonisées sur la même phrase de définition et les mêmes catégories que le site. L'objectif est que toutes les sources qu'un modèle peut croiser racontent exactement la même chose.

3. FAQ : répondre aux prompts avant qu'ils soient posés

Le panel de prompts a fourni la matière première. Chaque question récurrente des acheteurs est devenue une entrée de FAQ, placée sur la page solution concernée et non sur une page FAQ centrale isolée, avec une règle d'écriture stricte :

1. La question reprend les mots exacts d'un prompt réel.

2. La première phrase de la réponse est une réponse complète et autonome (le modèle peut s'arrêter là).

3. Les phrases suivantes apportent le chiffre, le cas client et le lien vers la page détaillée.

4. Pas plus de 120 mots par réponse.

Des FAQ comparatives ont également été rédigées (« quelle différence entre télé-relevé et télé-relève radio », « supervision temps réel ou modélisation hydraulique »), car ce sont les questions sur lesquelles les IA construisent des tableaux comparatifs, et donc citent des marques.

4. Données structurées et lisibilité machine

Pour que les contenus retravaillés soient correctement interprétés, la couche technique a été mise à niveau :

• Balisage Schema.org en JSON-LD : Organization (avec sameAs vers Wikipédia, Wikidata, LinkedIn), SoftwareApplication ou Product pour chaque solution, FAQPage sur les blocs FAQ, Article et author sur les contenus experts.

• Mise à jour de l'entité Wikidata (identifiants, maison mère, site officiel), qui alimente le Knowledge Graph de Google et sert de pivot aux autres moteurs.

• Vérification que les robots des moteurs de réponse (GPTBot, PerplexityBot, ClaudeBot, Google-Extended) n'étaient pas bloqués par le robots.txt, et que les contenus clés étaient rendus en HTML côté serveur, pas uniquement en JavaScript.

• Pages cas clients et livres blancs rendus accessibles en HTML complet (résumé, chiffres clés, citation client), le PDF seul étant peu exploité par les modèles.

5. Mesure mensuelle et boucle d'amélioration

Chaque mois, le panel de prompts a été rejoué sur ChatGPT, Perplexity, Gemini et les AI Overviews. Trois indicateurs étaient suivis : le taux de citation (part des prompts où SUEZ Digital Solutions est nommée), la position dans la réponse et les sources citées par le modèle. Côté analytics, une segmentation dédiée dans Piano Analytics isolait le trafic referral en provenance des assistants IA (chatgpt.com, perplexity.ai, gemini.google.com, copilot.microsoft.com). Les prompts sur lesquels l'entreprise restait absente déclenchaient un nouveau cycle : quelle source le modèle cite-t-il à la place, que dit-elle de plus clair, comment combler l'écart.