Les données disponibles sur le CTR des AI Overviews vont globalement dans le même sens : les résumés IA peuvent réduire les clics vers les résultats classiques. Elles ne justifient pas un pourcentage universel. Ahrefs estime un contrefactuel modélisé pour des résultats classés, Seer suit dans le temps des cohortes de requêtes de marques, et Pew observe des comportements dans un panel américain. Il faut lire chaque chiffre avec son dénominateur et sa méthode, puis mesurer une cohorte comparable sur son propre site plutôt que de calculer une moyenne des titres d'études.
Ce que les trois études permettent réellement d'affirmer
Avant de retenir un pourcentage, il faut identifier ce qui est comparé. Les études se recoupent, mais leurs unités d'analyse sont différentes.
| Source | Ce qui est mesuré | Observation rapportée | Lecture prudente | Limite déterminante |
|---|---|---|---|---|
| Ahrefs | Modèle observationnel sur 300 000 mots-clés, pour le rang 1 | CTR de 1,6 % dans la cohorte AI Overview contre 3,7 % modélisé sans AI Overview, soit 58 % de moins selon Ahrefs | Écart modélisé entre deux cohortes au rang 1 | Pas d'intervention randomisée |
| Seer | Données longitudinales de 53 marques et de millions de requêtes | Écart initial marqué, puis récupération partielle ; marques citées et non citées différentes | Évolution dans le temps de cohortes de marques | Les SERP et le mix de requêtes ont évolué |
| Pew Research Center | Visites Google recréées dans un panel américain | Clic sur un résultat traditionnel dans 8 % des visites avec résumé, contre 15 % sans ; clic sur une citation du résumé dans 1 % | Comportement observé quand un résumé est présent | Ce n'est pas un CTR normalisé par position |
Aucun de ces protocoles ne permet de conclure que tout site, toute requête, tout appareil ou toute intention connaîtra le même écart. La présence d'un AI Overview n'est pas distribuée au hasard. Les pages, requêtes et utilisateurs présents dans les jeux de données ne le sont pas non plus. Cette limite doit accompagner le résultat, pas être effacée au moment de le présenter.
Ahrefs : une comparaison modélisée au rang 1
Ahrefs a utilisé un modèle observationnel sur 300 000 mots-clés. L'estimation donne un CTR de 1,6 % pour la cohorte avec AI Overview et de 3,7 % dans le scénario modélisé sans AI Overview, présenté comme 58 % inférieur. Le mot décisif est ici « modélisé ». Il ne s'agit pas d'une expérience avant-après où des pages de résultat identiques auraient reçu aléatoirement un AI Overview.
Prenons un calcul pédagogique, qui n'est pas une donnée de performance. Avec 10 000 impressions pour une cohorte au rang 1 dans les conditions de l'étude, 3,7 % correspondent à 370 clics et 1,6 % à 160 clics. L'écart est de 210 clics pour 10 000 impressions. Ce calcul reprend les taux publiés ; il ne décrit le trafic d'aucun site. Il ne démontre pas non plus que les 210 clics proviennent uniquement du résumé, puisque les cohortes sont observationnelles et modélisées.
Seer : le signal d'une cohorte de marques suivie dans le temps
Seer a publié des données longitudinales couvrant 53 marques et des millions de requêtes. Le résultat n'est pas une baisse de CTR uniforme et définitive : l'étude relève un écart fort au début, puis une récupération partielle. Elle indique aussi des performances différentes pour les marques citées et non citées.
La distinction entre cité et non cité demande elle aussi de la retenue. C'est une différence observée dans ce jeu de données longitudinal, pas la preuve qu'obtenir une citation produira le même résultat de CTR ailleurs. Une citation peut être une exposition importante sans devenir une visite. L'observation de Pew, selon laquelle les citations du résumé ont reçu des clics dans 1 % des visites avec résumé, rappelle utilement que l'acquisition de citations et l'acquisition de clics sont deux mesures distinctes.
Dans un reporting, il faut conserver la dimension temporelle de Seer. Une courbe qui montre un écart initial puis une récupération partielle ne doit pas être résumée en un taux intemporel. Si la question porte sur l'évolution de pages après plusieurs mises en ligne ou changements d'interface, une série documentée et des cohortes stables sont plus utiles qu'un benchmark unique.
Pew : des comportements observés, pas un CTR par position
Pew Research Center a observé un panel américain lors de visites Google recréées. Les utilisateurs ont cliqué sur un résultat de recherche traditionnel dans 8 % des visites comportant un résumé IA, contre 15 % des visites sans résumé. Ils ont cliqué sur un lien du résumé dans 1 % des visites.
Ici, l'unité est la visite, et non les impressions de résultats au rang 1 ou un modèle de CTR organique normalisé par position. Cette étude évite un raccourci séduisant mais fragile : une citation ne crée pas automatiquement un chemin de clic équivalent. Le 1 % est une observation de clics sur les liens de résumé dans ce panel, pas une prévision pour toutes les citations, toutes les requêtes ou tous les éditeurs.
Les 8 % et 15 % ne peuvent pas non plus être transformés en perte de CTR au rang 1. La présence du résumé ne résume pas tout le contexte de visite. Position, formulation de la requête, besoin de l'internaute, appareil et interface comptent également. Un pourcentage dont on a oublié l'unité paraît facilement réutilisable ; il ne l'est généralement pas.
Un cadre de décision pour employer les bonnes preuves
Choisissez l'étude à partir de la décision, puis indiquez ce qu'elle laisse inconnu.
| Décision à éclairer | Preuve la plus pertinente | Informations à conserver | Ce qu'il ne faut pas affirmer |
|---|---|---|---|
| Évaluer si l'opportunité au rang 1 peut changer avec un AI Overview | Ahrefs | Bande de position, cohorte modélisée, taux de 1,6 % et 3,7 %, échantillon de 300 000 mots-clés | Une perte causale pour tous les classements |
| Suivre l'évolution d'une cohorte de marque | Seer | Fenêtre d'observation, statut de citation, définition stable des requêtes, mises en ligne et changements de SERP | Que la citation seule a causé la reprise ou la baisse |
| Comprendre l'effet possible d'un résumé sur les clics observés | Pew | Panel américain, unité visite, chiffres 8 %, 15 % et 1 % | Une prévision de CTR propre au site ou à une position |
| Décider de modifier une page | Cohorte appariée interne | Page, requête, rang, appareil, pays, exposition, date, clics et impressions | Qu'une moyenne externe prouve l'action |
La première action n'est pas une réécriture en série. C'est la création d'un état de référence. Avant toute modification, capturez une période comparable et définissez les pages et classes de requêtes qui seront comparées ensuite. Modifier le contenu avant ce point laisse une histoire séduisante, mais aucun test.
Construire une cohorte appariée au lieu d'importer une décote universelle
Constituez des cohortes suffisamment stables pour résister à une revue mensuelle. Chaque ligne devrait préciser l'URL canonique, la requête principale ou sa classe, la bande de position, le pays, l'appareil, la période et l'exposition observée à un AI Overview. Quand cette exposition n'est pas connue, notez « inconnu » au lieu de la déduire d'une baisse de trafic.
Présentez ensuite les taux et les volumes. Le CTR se calcule ainsi :
CTR = clics / impressions × 100
Exemple interne fictif : une cohorte appariée obtient 4 000 impressions et 120 clics pendant une période, soit 3 % de CTR. Sur une période de même définition, elle obtient 5 000 impressions et 125 clics. Le CTR passe à 2,5 %, tandis que les clics absolus augmentent de cinq. Aucune de ces observations ne suffit à qualifier le résultat de négatif. La demande, la distribution des positions, le mix de requêtes, le pays, l'appareil et l'exposition à l'interface ont pu bouger. Le bon relevé rassemble ces éléments et les changements connus.
Pour chaque comparaison, gardez un registre de preuve concis :
- L'URL source, la date de vérification, la fenêtre observée, l'échantillon et l'unité de chaque étude externe.
- Les URL canoniques et une définition durable de la classe de requêtes pour la cohorte interne.
- Une séparation au minimum par bande de position, pays et appareil avant d'interpréter un total.
- Impressions, clics, CTR et clics absolus dans le même relevé.
- Les mises en ligne, redirections, changements de tracking et évolutions majeures du mix de requêtes.
- Le statut de citation séparé des données de clic. Une citation ne vaut pas automatiquement une visite.
Cette démarche ne promet pas une attribution que les données ne donnent pas. Elle permet de décider de façon répétable si une modification éditoriale mérite un test, malgré l'incertitude restante.
Tester l'explication avant de publier une conclusion
Cherchez d'abord à invalider le résultat. Si une cohorte exposée aux AI Overviews affiche un CTR plus faible, vérifiez sa position moyenne. Vérifiez ensuite l'évolution du poids des requêtes informationnelles, de la part mobile, de la répartition par pays et de la longueur ou de la saisonnalité des périodes. Un seul de ces écarts peut créer un effet apparent sur le CTR.
Comparez ensuite une cohorte témoin présentant des caractéristiques proches de position, d'intention, de pays et d'appareil, mais sans exposition AI Overview observée. Cela reste observationnel, pas un essai randomisé. Sa valeur est diagnostique : si les deux cohortes évoluent de façon similaire, l'explication par l'AI Overview devient moins solide. Si seule la cohorte exposée bouge, l'observation est plus spécifique, mais les autres contrôles restent nécessaires.
N'effacez pas les inconnues, les observations incomplètes ou les changements de méthode pour rendre une conclusion plus nette. La bonne décision peut être « surveiller » plutôt que « réécrire ». C'est une conclusion exploitable quand les données ne séparent pas encore demande, position et effet d'interface.
Le rôle de SEOryon
SEOryon peut faire passer l'évidence sur les études de CTR des AI Overviews du suivi à une décision éditoriale contrôlée. Son rôle est opérationnel : recherche, décision canonique, action de contenu contrôlée, publication et mesure ultérieure. Il doit identifier le propriétaire existant, éviter une collision, ne publier que ce qui a été approuvé et conserver la trace de mesure. Il ne transforme pas une étude observationnelle incertaine en certitude.
Évaluez SEOryon sur votre propre site avec un groupe thématique contrôlé avant d'étendre l'automatisation. Le test approprié est un workflow circonscrit avec un état de référence documenté, pas la promesse qu'une étude externe de CTR prédira votre résultat.
Questions fréquentes
Peut-on faire la moyenne des pourcentages d'Ahrefs, Seer et Pew ?
Non. Les unités et les méthodes diffèrent : modèle observationnel au rang 1, cohortes longitudinales de marques clientes et visites observées dans un panel américain. Une moyenne arithmétique ne décrirait ni une population ni un CTR attendu défendable.
Une citation dans un AI Overview garantit-elle un clic ?
Non. Seer observe une différence entre marques citées et non citées dans son jeu de données, tandis que Pew observe des clics sur les citations du résumé dans 1 % des visites avec résumé. Ces données justifient de mesurer le statut de citation, pas de promettre une visite ou un effet de classement, d'autant que seule une minorité des citations des AI Overviews apparaît dans le top 10 des résultats Google.
Que doit mesurer un éditeur en premier ?
Commencez par une cohorte appariée et datée : URL canoniques, classe de requêtes, bande de position, pays, appareil, impressions, clics, CTR et exposition AI Overview observée. Ajoutez au même registre les mises en ligne et les changements de mesure afin de pouvoir interpréter un mouvement ultérieur.
Sources et notes sur les preuves
- Ahrefs : citations des AI Overviews et recouvrement avec le top 10 Google
- Seer Interactive : impact des AIO sur le CTR Google, mise à jour 2026
- Pew Research Center : comportements de navigation autour des résumés IA
Les preuves citées sont observationnelles et s'appuient sur des échantillons, des unités et des périodes différents. Chaque pourcentage doit être lu comme un résultat circonscrit, non comme un effet causal universel.