Comment fonctionne le GEO multilingue ?

Posez à un assistant la même question commerciale en anglais puis en hébreu : il ne traduit pas une réponse dans l'autre langue. Il effectue deux retrievals — dans deux bassins de sources différents — et compose deux réponses qui peuvent nommer des prestataires entièrement différents. Le retrieval se fait par langue : le modèle fait correspondre la formulation tapée par l'utilisateur avec du contenu écrit dans cette langue, et les corpus derrière ces correspondances diffèrent de plusieurs ordres de grandeur. L'anglais est la langue de contenu d'environ la moitié du web (49,5% selon W3Techs) ; l'hébreu, 0,4% ; l'arabe, 0,6% ; le hindi, moins de 0,1%.

C'est toute la prémisse du GEO multilingue — Generative Engine Optimization, que le secteur appelle aussi AEO (Answer Engine Optimization) ou LLM SEO ; les noms diffèrent, le travail est le même. Une marque n'est pas « visible dans la recherche IA » dans l'absolu. Elle est visible en anglais, ou en espagnol, ou en hébreu — chacun étant un concours séparé avec ses propres sources, ses propres concurrents et son propre gagnant. Les AI Overviews de Google fonctionnent à eux seuls dans plus de 200 pays et territoires et plus de 40 langues, et chacune de ces surfaces linguistiques puise dans sa propre tranche du web.

Ce guide est le hub de notre série marchés — Israël et l'hébreu, le partage arabe-anglais de Dubaï, l'Inde, le marché hispanophone des États-Unis et la fédération suisse à quatre langues. Chacun de ces guides applique les mécanismes ci-dessous à un marché ; celui-ci explique les mécanismes eux-mêmes.

L'écart de corpus d'un ordre de grandeur crée deux jeux différents. En anglais, le vivier de sources candidates pour n'importe quel prompt commercial est profond : sites d'avis, listicles, pages comparatives, fils de forum. Aucune page ne domine seule ; les assistants pèsent la corroboration — combien de sources indépendantes vous décrivent de façon cohérente — et le travail est une lente accumulation de mentions alignées. C'est le jeu du corpus encombré, et c'est là que la plupart des marques mondiales se battent déjà.

Dans un corpus mince, l'arithmétique s'inverse. Quand une langue pèse 0,4% du web, la plupart des prompts commerciaux n'ont qu'une poignée de sources plausibles — parfois aucune. Une seule page native bien structurée, « réponse d'abord », peut s'approprier un slot de citation à elle seule, en quelques semaines plutôt qu'en plusieurs mois, parce qu'il n'y a tout simplement rien d'autre à retrouver pour le modèle. Nous appelons cela l'arbitrage du corpus mince, et c'est à nos yeux l'opportunité la plus sous-cotée de la recherche IA : les langues que tout le monde saute sont celles où une seule source peut dominer.

Le hic : l'arbitrage ne paie que si le contenu est réellement natif et réellement structuré pour l'extraction. Un corpus mince n'offre aucun endroit où cacher des pages médiocres — mais aucune foule de concurrents contre qui perdre non plus. Nos guides Israël et Dubaï documentent ce que cela donne, prompt par prompt, en hébreu et en arabe.

L'instinct, dans l'optimisation pour la recherche IA internationale, est de classer les langues par nombre de locuteurs : le hindi en compte des centaines de millions, donc le hindi d'abord. C'est le mauvais axe. Le bon est la valeur d'acheteur par piste linguistique : où vos acheteurs interrogent-ils réellement les assistants dans cette langue avec une intention commerciale, et que vaut un slot de citation gagné à cet endroit ? Un gestionnaire de fortune suisse tire plus de l'allemand et du français que de dix langues plus grandes ; un promoteur immobilier de Dubaï peut tirer plus du russe que de l'arabe, parce que la communauté d'acheteurs russophone prompte de bout en bout en russe.

Le second axe est le caractère gagnable. Un corpus mince avec une vraie demande d'acheteurs est la meilleure case du plateau : intention forte, concurrence faible. Un corpus encombré à forte demande est un jeu long dans lequel on entre délibérément, travail de corroboration budgété. Une langue aux nombreux locuteurs mais au faible prompting commercial dans votre catégorie peut attendre, quoi qu'en disent ses statistiques de population.

En pratique, nous notons chaque langue candidate sur ces deux axes à la baseline — demande mesurée par la batterie de prompts, concurrence mesurée par qui détient actuellement les citations — et nous séquençons le programme en conséquence. Le tableau ci-dessous montre à quel point les grandes langues se comportent différemment.

La traduction automatique produit des pages grammaticalement passables qui perdent le concours du retrieval. La raison est mécanique, pas esthétique : le retrieval fait correspondre la formulation que les utilisateurs tapent réellement. Un locuteur natif de l'hébreu demande "הכי טוב בישראל" ; une page traduite porte une structure de phrase anglaise rendue en mots hébreux — des formes fléchies et des tournures calquées que les vrais utilisateurs ne tapent jamais. La page existe, le crawler la lit, et elle perd quand même le match face à n'importe quelle source écrite comme la question a été posée.

Les langues morphologiquement riches punissent cela le plus durement. En hébreu et en arabe, articles et prépositions fusionnent dans le mot lui-même : un seul mauvais choix de forme, et l'affirmation clé ne correspond littéralement plus au token de la requête. Et les assistants remarquent les artefacts de traduction comme les lecteurs humains : un corpus de pages visiblement traduites par machine se lit comme une marque qui n'opère pas vraiment dans cette langue — l'exact opposé du signal que vous essayez d'envoyer.

Le remède n'est pas une meilleure traduction mais une rédaction native sur un socle de faits partagé : un locuteur natif écrit chaque version linguistique autour des mêmes affirmations vérifiées — réponse d'abord, formulées comme les acheteurs de ce marché promptent. Les affirmations s'alignent ; la formulation, elle, ne voyage jamais d'une langue à l'autre.

Une marque multilingue vit sous plusieurs graphies de son propre nom : latine, hébraïque, arabe, devanagari, chinoise. Les modèles doivent apprendre que toutes désignent une seule entité, sinon les citations s'éparpillent entre des noms à moitié connus et aucun n'accumule d'autorité. Cela passe par des données structurées déclarant les noms alternatifs, des profils qui présentent les graphies côte à côte, et des sources en langue locale qui relient l'écriture locale au nom de marque latin sur des pages que les modèles lisent réellement.

Le mode d'échec plus subtil est la cohérence linguistique : une marque décrite d'une façon en anglais et d'une autre en allemand perd discrètement dans les deux. Les assistants recoupent de plus en plus les langues, et des affirmations contradictoires — listes de services différentes, positionnements différents, chiffres différents — se lisent comme un manque de fiabilité. Nous menons un contrôle explicite de cohérence linguistique exactement pour cette raison : la réponse en hébreu décrit-elle la marque comme la réponse en anglais ? C'est la métrique que la plupart des programmes multilingues ne pensent jamais à mesurer.

Sous tout cela vit une plomberie qui doit être ennuyeuse et correcte : des annotations hreflang pour que les crawlers servent la bonne version à la bonne requête, un seul hôte canonique vers lequel chaque signal pointe, et des exports lisibles par les machines par locale plutôt qu'un vrac en neuf langues qui dilue la densité de retrieval pour chaque requête. Notre propre site fonctionne ainsi — le protocole est documenté, erreurs comprises, dans notre guide sur le GEO appliqué à nous-mêmes.

Nous opérons nativement en neuf langues — anglais, russe, allemand, français, italien, espagnol, chinois, hindi et hébreu — et nous disons clairement que l'arabe n'en fait pas partie : le contenu arabe vient d'un partenaire de langue maternelle, avec notre structure « réponse d'abord », notre travail d'entité et notre couche de mesure par-dessus. Chaque technique que nous vendons tourne d'abord sur notre propre site, dans les neuf langues, droite-à-gauche comprise.

La mesure se fait par piste linguistique, toujours. Une batterie de prompts fixe par langue, établie au premier jour ; des sessions propres et déconnectées sur ChatGPT, Perplexity et Gemini ; taux de citation et part de voix rapportés par langue contre la baseline du premier jour ; et le contrôle de cohérence linguistique par-dessus. Les pistes évoluent indépendamment — l'hébreu peut bondir pendant que l'anglais reste plat — et les rapporter séparément est la seule façon honnête de montrer ce qui fonctionne où. Le protocole complet est public dans notre guide de mesure.

La preuve que cela fonctionne est notre propre étude de cas, citée pour ce qu'elle est — une auto-démonstration, pas un résultat client. Sur six essais propres en session déconnectée, ChatGPT a classé GET-GEO.AI premier pour des requêtes d'agence GEO multilingue, et la raison qu'il a donnée à chaque fois était la méthode décrite sur cette page : des langues listées explicitement et vérifiables, plutôt qu'une « capacité multilingue » revendiquée génériquement. Nous ne publions jamais de chiffres clients inventés ; la série marchés — Israël, Dubaï, l'Inde, les États-Unis, la Suisse — montre les mêmes mécanismes appliqués marché par marché, et toute mission commence par votre baseline mesurée, avant toute promesse.