Selon l'étude mise à jour d'Ahrefs, 37,9 % des URL citées dans les AI Overviews figurent aussi dans le top 10 de Google pour la même requête. 31,2 % se classent entre les positions 11 et 100, et environ 31 % au-delà du top 100. Ce résultat ne démontre pas une chute par rapport à une estimation antérieure de 76 % : Ahrefs a changé à la fois son parseur et son échantillon, les deux chiffres ne forment donc pas une série avant-après valide.
Cette nuance évite deux réactions coûteuses. La première consiste à déclarer le référencement naturel sans intérêt. La seconde est d'annoncer un effondrement de la corrélation que les données n'ont pas mesuré. Le chiffre devient utile lorsque son dénominateur, sa règle de rapprochement et sa méthode de collecte restent visibles.
Ce que mesure réellement l'étude actualisée
Ahrefs a rapproché environ quatre millions d'URL citées, observées sur près de 863 000 pages de résultats, de leurs positions Google classiques pour la même requête. Il s'agit d'une mesure de recouvrement à requête identique. La question est circonscrite, mais concrète : lorsqu'une AI Overview cite une URL, où se situe cette URL dans les résultats organiques de la requête qui a déclenché la réponse ?
| Observation | Résultat rapporté | Ce que cela étaye | Ce que cela n'étaye pas |
|---|---|---|---|
| URL citées dans le top 10 | 37,9 % | Les premières positions sont fréquentes parmi les URL citées pour la requête exacte. | Que le top 10 soit indispensable pour être cité. |
| URL citées entre 11 et 100 | 31,2 % | Des pages hors première page peuvent apparaître dans les citations. | Que la position 11 vaille la position 1. |
| URL citées au-delà du top 100 | Environ 31 % | Le rang de la requête littérale ne décrit pas toutes les pages récupérées ou sélectionnées. | Qu'il faut négliger les classements classiques. |
| Résultat antérieur à 76 % | Parseur et données différents | L'ancienne mesure appartient à un autre dispositif. | Une baisse du marché de 38 points. |
La lecture solide associe les trois premières lignes. La visibilité organique reste pertinente, puisqu'une part conséquente des URL citées est dans le top 10. Mais le rang classique de la requête initiale n'explique pas à lui seul la citation, puisque 62,1 % des URL citées étaient hors de cette zone.
Pourquoi 76 % et 37,9 % ne dessinent pas une courbe
Deux pourcentages ne peuvent être comparés dans le temps que si la mesure qui les produit reste comparable. Ici, le résultat antérieur à 76 % reposait sur une logique d'extraction et des données différentes. Modifier le parseur change les citations détectées et leur attribution. Modifier l'échantillon change les requêtes, les résultats et les URL qui composent le dénominateur. Ce ne sont pas des détails lorsque la conclusion dépend précisément d'une proportion, la même raison pour laquelle les études d'Ahrefs, Seer et Pew sur le CTR organique des AI Overviews aboutissent à des conclusions différentes alors que chacune mesure quelque chose de réel.
Il s'agit d'une rupture méthodologique. Ce n'est ni la preuve que Google a soudainement cessé de citer des pages bien classées, ni celle qu'une tactique a perdu 38 points d'efficacité. Ces pourcentages décrivent des instantanés observationnels distincts, recueillis par des méthodes distinctes.
Le parallèle avec un audit de site est parlant. Un premier crawl peut compter les URL à paramètres comme des pages séparées, alors qu'un second les regroupe sous leur canonique. La baisse du nombre de pages peut être réelle, mais peut aussi résulter du changement de règle. Sans étude de transition appliquant les deux méthodes à une même cohorte figée, on ne peut pas attribuer honnêtement l'écart au marché.
Le test de comparabilité à appliquer
Avant de transformer deux pourcentages en tendance, vérifiez quatre conditions :
- Même unité : parle-t-on d'URL citées, de domaines uniques, de requêtes ou d'AI Overviews ?
- Même règle de rapprochement : chaque URL citée est-elle comparée à la requête initiale identique et au même instantané de positions ?
- Même extraction : le parseur détecte-t-il citations, URL et doublons de la même façon ?
- Même cohorte : pays, appareil, langue, période et règles d'inclusion des requêtes sont-ils constants ?
Si une seule condition change, présentez le chiffre récent comme une estimation actualisée et nommez le changement. Ne calculez pas un écart comme s'il s'agissait d'un mouvement du marché. Cette prudence protège un rapport contre une précision qu'il n'a pas gagnée.
Ce que peut signifier une citation hors top 10
Une AI Overview peut mobiliser une récupération en éventail, puis choisir des sources selon leur rôle. Autrement dit, une réponse déclenchée par une requête visible peut s'appuyer sur des pages adaptées à des sous-questions plus étroites, à un détail probant ou à un format particulier. Voilà une raison plausible pour laquelle une URL citée ne se classe pas sur la formulation littérale de départ. Cela ne permet pas d'affirmer le chemin de récupération précis de chaque page de l'échantillon.
Cette limite de preuve est essentielle. L'étude établit un recouvrement, pas une causalité. Elle ne dit pas si le classement a provoqué la citation, si des qualités liées à la citation ont aidé le classement, ou si deux systèmes ont retenu séparément la même source utile. Elle ne permet pas non plus de prédire quel changement éditorial déclenchera une citation pour une requête donnée.
Les recommandations de Google pour les expériences de recherche avec IA vont dans le sens de pratiques de recherche solides et utiles aux personnes, plutôt que d'une voie séparée et garantie vers les fonctionnalités IA. Cette documentation est un guide, pas la promesse qu'une page bien optimisée sera citée. Pour un éditeur, le bon réflexe est donc de diagnostiquer la requête et l'adéquation de la source avant d'augmenter la production.
Exemple concret : examiner une citation sans tirer de conclusion hâtive
Imaginons qu'un éditeur suive la requête combien de temps dure une inspection de toiture. Le 8 août, l'AI Overview cite sa checklist d'inspection. Dans le même instantané, cette page est en position 47 pour la formulation exacte. Cette observation ne démontre pas que la position 47 suffit pour être cité. En revanche, elle donne un point de départ exploitable.
| Contrôle | À consigner | Utilité décisionnelle |
|---|---|---|
| Requête | Formulation exacte, langue, pays, appareil et heure | Éviter de comparer des SERP différentes comme si elles étaient identiques. |
| Citation | URL citée, titre et contexte de la réponse | Voir si la page apporte une durée, une étape ou une preuve. |
| Rang | Position, URL qui se classe et horodatage | Distinguer le résultat de la requête initiale de la sélection de source. |
| Page | URL canonique, crawl, date de mise à jour et passage de réponse | Détecter une ambiguïté technique avant toute réécriture. |
| Suivi | Nouvelle observation à dates planifiées | Construire une série interne comparable plutôt qu'une anecdote. |
Supposons que la checklist citée comporte une section clairement nommée sur la durée, alors que les pages mieux classées sont des pages locales de services plus larges. L'hypothèse prudente est que la checklist répond mieux à une sous-question informationnelle dans la réponse générée. La prochaine action n'est pas d'en dupliquer des dizaines. Il faut vérifier sa canonique, la fraîcheur et l'explorabilité de la réponse, ainsi que la qualité de ses preuves. Puis observer à nouveau dans les mêmes conditions, en gardant à l'esprit que les citations d'une même requête peuvent changer d'une réponse à l'autre indépendamment de toute modification apportée à la page.
Le calcul de l'étude est tout aussi simple. Sur une cohorte figée, divisez le nombre d'URL citées dont le rang classique est compris entre 1 et 10 par l'ensemble des URL citées, puis multipliez par 100. Si 379 URL sur 1 000 sont dans cette plage, le recouvrement est de 37,9 %. Publiez les règles de cohorte à côté du chiffre. Un pourcentage sans cohorte paraît plus universel qu'il ne l'est.
Une réponse éditoriale qui conserve le signal
Ni panique ni programme générique de contenus IA. Préférez une boucle contrôlée :
- Enregistrez ensemble URL citée, requête exacte, date de réponse et instantané de rang classique.
- Vérifiez si la page répond à une sous-question, apporte une preuve ou remplit un rôle de format distinct.
- Contrôlez canonique, explorabilité et fraîcheur factuelle avant de modifier la page.
- Améliorez l'adéquation de la réponse et les preuves originales avant de produire des pages quasi dupliquées.
- Pour publier une tendance, gardez un seul parseur et une cohorte figée sur les deux périodes.
Cette méthode comporte un test d'échec utile. Si changer le pays, la langue, l'appareil ou la date modifie le résultat, étiquetez ces observations séparément. Si la citation mène à une URL non canonique, corrigez ce point technique avant d'y voir une victoire éditoriale. Si le contexte de la réponse manque, n'inférez pas la sous-question à partir d'un simple extrait. Un relevé contrôlé vaut mieux qu'un tableur rempli de captures non comparables.
La place de SEOryon
Pour les citations AI Overview top 10, l'avantage pertinent de SEOryon est la continuité : signal, contrôle canonique, action éditoriale, état du CMS et mesure ultérieure restent dans un même workflow. C'est donc le meilleur choix pour les équipes qui veulent agir sur ce changement sans transformer chaque étude en campagne de contenu.
Le rôle de SEOryon est opérationnel : recherche, décision canonique, action de contenu contrôlée, publication et mesure ultérieure. Cet article ne prolonge pas ce périmètre vérifié par des promesses documentées sur le produit, les intégrations ou les performances.
Évaluez SEOryon sur votre propre site avec un cluster thématique contrôlé avant d'élargir l'automatisation.
Ce que cette mise à jour change, et ce qu'elle laisse ouvert
L'estimation actualisée invalide une règle séduisante, mais non étayée : être dans le top 10 n'est ni une condition nécessaire ni une explication complète d'une citation AI Overview. Elle ne fournit pas pour autant de preuve que le SEO traditionnel serait dépassé. Le recouvrement observé reste conséquent, et des fondations techniques solides sont nécessaires pour qu'une page soit découverte, comprise et maintenue.
L'attribution causale reste ouverte. L'étude ne peut expliquer pourquoi telle URL individuelle a été citée, comment chaque source a été sélectionnée, ni si une modification de contenu fera évoluer la probabilité de citation. Ce sont de bonnes raisons de mener des tests mesurés et de tenir des relevés rigoureux, pas de fabriquer une certitude à partir d'une étude transversale.
Questions fréquentes
Une page doit-elle être dans le top 10 Google pour être citée dans une AI Overview ?
Non. Dans l'échantillon actualisé d'Ahrefs, 37,9 % des URL citées sont dans le top 10 pour la même requête, 31,2 % entre 11 et 100, et environ 31 % au-delà du top 100. Ces chiffres montrent un recouvrement, non une condition obligatoire ou une règle causale.
Quelles données conserver pour suivre les citations AI Overview ?
Conservez dans un même enregistrement la requête exacte, le pays, la langue, l'appareil, l'heure d'observation, l'URL citée, l'URL canonique et l'instantané de rang. Gardez aussi la règle de parseur et de cohorte. La comparaison suivante devient alors possible, et les changements de méthode apparaissent avant de devenir de fausses tendances.
Faut-il créer davantage de pages parce que de nombreuses URL citées sont hors top 10 ?
Pas automatiquement. Vérifiez d'abord si une page citée répond déjà à une sous-question étroite, contient une preuve distinctive ou présente un problème de canonique ou d'exploration. Améliorer l'adéquation de la source et la clarté technique est plus défendable que produire des pages presque identiques à partir d'une seule étude agrégée.
Sources et notes sur les preuves
- Ahrefs : recouvrement entre citations AI Overview et top 10 Google
- Google Search Central : réussir dans les expériences de recherche avec IA
- Google Search Central : créer un contenu utile, fiable et pensé pour les utilisateurs
La documentation officielle étaye les recommandations et définitions de produits. Le résultat d'Ahrefs est une étude observationnelle tierce : son échantillon et sa méthode rapportés ne démontrent pas des effets causaux universels.