Est-il possible d’influencer les réponses des Intelligences artificielles ?

Bien que les LLM soient probabilistes et difficiles à influencer, plusieurs études montrent qu’il est possible d’augmenter fortement la visibilité d’un contenu via des stratégies stylistiques et structurelles. Cependant, cela crée un risque de “course à l’optimisation” et soulève des questions d’éthique et de qualité pour l’utilisateur final. Nous avons connu Panda et Penguin dans d’autres temps avec le srésultats Google × Google
Google est le moteur de recherche le plus utilisé et le plus connu au monde. Il a été développé par Google Inc., une société technologique américaine, et est devenu un élément essentiel(...)
. A quoi devons-nous nous préparer aujourd’hui pour le SEO ? le GEO ?

Face à la surabondance de contenus, voici un résumé ultra-condensé de l’état des savoirs et de ce qu’il est possible de faire.

Optimisation de la visibilité dans les résultats IA × IA
Une intelligence artificielle (IA) est un système informatique capable de simuler certaines capacités cognitives humaines, telles que la perception, le raisonnement, l'apprentissage et la prise(...)

1. Les LLM sont probabilistes et leurs réponses varient, ce qui rend leur contrôle difficile.
2. Une étude récente (E-GEO) montre qu’on peut néanmoins augmenter fortement la visibilité d’un produit en réécrivant ses descriptions avec un style long et persuasif.
3. D’autres recherches confirment que des ajustements stylistiques, des séquences de texte optimisées ou des instructions explicites influencent significativement les recommandations des LLM.
4. Cette manipulabilité crée un risque de “course à l’optimisation” où les contenus artificiellement amplifiés pourraient dégrader l’expérience utilisateur.
5. Les auteurs appellent les développeurs de LLM à trouver des moyens de limiter ces tactiques tout en maintenant la qualité des réponses.

 

Difficile de prédire et d’influencer les réponses des LLM

1. * Les LLM (comme ChatGPT) sont probabilistes, pas déterministes, donc leurs réponses varient pour une même requête.
2. Les réponses ne sont pas toujours cohérentes : une même marque n’apparaît que 20 % du temps sur plusieurs essais.
3. Les modèles ont un biais de pré-entraînement qui limite l’influence externe.
4. Les modèles évoluent rapidement, ce qui rend certaines tactiques obsolètes.
5. Chaque modèle peut pondérer différemment ses sources et permettre plus ou moins de personnalisation.
6. Les prompts longs réduisent le nombre de réponses possibles, ce qui peut rendre l’influence plus difficile.

Mais la visibilité LLM peut être manipulée

Une étude récente de Columbia (E-GEO) montre qu’on peut améliorer fortement la visibilité d’un produit dans les réponses d’un LLM.

Méthodologie de l’analyse:

1. Création d’un avec 7 000 requêtes et 50 000 produits Amazon.
2. Comparaison des descriptions originales vs réécrites par un “Optimizer” (IA qui adapte le texte pour maximiser la visibilité).
3. Évaluation par un “Judge” simulant un utilisateur.

Résultats :

Une stratégie universelle : descriptions longues, ton persuasif, reformulation flatteuse des détails existants.

Gain de visibilité ~90 % contre les descriptions originales.

Pas besoin d’expertise spécifique : la stratégie fonctionne dans plusieurs catégories de produits.

Autres recherches confirment la manipulabilité

1. GEO (Aggarwal 2023) : ajout de statistiques ou citations → +40 × 40
   Un Trust Flow élevé ou supérieur à 40 fait référence à une valeur élevée de la métrique Trust Flow utilisée par Majestic dans l'analyse des liens entrants d'un site web. Cela indique que(...)
   % visibilité.
2. Manipulation de LLM (Kumar 2024) : insertion de séquences de texte optimisées → meilleure visibilité.
3. Ranking Manipulation (Pfrommer 2024) : instructions textuelles simples pour influencer les recommandations.

Constat général : la visibilité LLM est fragile et dépend de nombreux détails contextuels et stylistiques.

Vers une course aux optimisations GEO

1. Les LLM sont très sensibles à la présentation de l’information : de petites modifications stylistiques peuvent changer radicalement le classement des résultats.
2. Risque à grande échelle : si tout le monde optimise les contenus, cela pourrait polluer les marketplaces et réduire l’expérience utilisateur, comme Google l’a expérimenté avec Panda et Penguin.

Les auteurs espèrent que cette recherche alertera les développeurs de LLM pour limiter les manipulations.