Le débat relevance engineering contre GEO est passé d’une querelle SEO de niche à une vraie discussion budgétaire pour les équipes revenu B2B. Un acteur a rendu ce pivot explicite : une agence SEO établie de longue date, dont la page d’accueil la présente désormais comme l’un des pionniers de la relevance engineering appliquée à l’AI search, avec une pratique construite autour du query fan-out, du passage retrieval, des embeddings et de la synthèse sur ChatGPT, Google AI Overviews et l’AI Mode.
Il s’agit d’un vrai virage technique, pas d’un simple rebranding. Mais il ne répond pas à la question qui intéresse réellement les CRO : quand un système d’IA mentionne votre marque, est-ce que cela produit du pipeline ?
C’est sur cette question que les comparaisons entre relevance engineering et GEO s’effondrent pour la plupart des équipes B2B, et que les investissements les plus coûteux en recherche IA calent sans bruit.
Ce que fait réellement la relevance engineering
La relevance engineering opère sur la couche du signal : le contenu structuré, les entités et les schémas sémantiques que les modèles de langage extraient lorsqu’ils construisent leurs réponses. Elle se distingue nettement de la generative engine optimization au sens large, qui tend à se concentrer sur la stratégie de contenu et le volume de citations plutôt que sur l’architecture technique du signal.
Le query fan-out consiste à produire du contenu qui couvre les dizaines de formulations qu’un acheteur peut employer au cours d’une session de recherche IA. Le passage retrieval consiste à structurer le texte pour qu’il puisse être repris tel quel dans une réponse synthétisée.
L’alignement des embeddings consiste à faire en sorte que votre empreinte sémantique recoupe les concepts qu’un modèle associe à votre catégorie. C’est un travail technique que la plupart des équipes contenu ne peuvent pas mener sans un spécialiste.
Les praticiens qui le font bien construisent une compétence durable, et la distinction entre relevance engineering et GEO compte parce qu’elle montre que le domaine dépasse le stade du « on écrit des choses et on espère que l’IA nous cite ». Le problème n’est pas la sophistication technique.
Le problème, c’est ce qui se passe en aval de la mention par l’IA.
Là où le débat relevance engineering contre GEO s’arrête
Les entreprises qui investissent le plus agressivement dans la visibilité IA parient sur une chaîne causale précise : l’optimisation technique produit des mentions IA, les mentions IA produisent une notoriété qualifiée auprès de l’ICP, et cette notoriété produit du pipeline. Chaque maillon est plausible, mais aucun n’est garanti.
Un signal de marché fort est arrivé lorsqu’une plateforme de visibilité IA a levé 96 millions de dollars sur une valorisation d’un milliard, auprès de plusieurs fonds de capital-risque de premier plan. Cela traduit une réelle conviction des investisseurs dans la catégorie de la visibilité IA, pas une preuve que les mentions IA se convertissent en pipeline pour une entreprise B2B donnée.
La défaillance du mécanisme est subtile. Un acheteur demande à Perplexity quels fournisseurs évaluer, votre marque apparaît, il visite votre site et ferme l’onglet.
Trois semaines plus tard, il se présente à un discovery call et cite votre nom, votre CRM enregistre une visite directe, et votre commercial n’a aucun contexte sur ce qui a amorcé cette conversation. Ce n’est pas un problème de technologie : c’est un problème RevOps, et aucune quantité de passage retrieval ne le résoudra.
La couche opérationnelle qu’oublie le modèle de recherche IA
Le revenu suit un arc précis : qualification ICP, capture du signal d’intention, entrée en séquence, enregistrement dans le CRM, passage de relais au commercial, et boucle de feedback vers le marketing. Quand cet arc fonctionne, les gains de visibilité se cumulent.
Quand il ne fonctionne pas, ils produisent davantage de points de contact non suivis qui ne se concluent pas. Le débat relevance engineering contre GEO est, au fond, une question d’allocation d’investissement : à quel endroit de cet arc dépensez-vous ?
L’optimisation technique pour la recherche IA se situe tout en haut du funnel, avant que la moindre mécanique de revenu n’entre en jeu. Si les systèmes en aval, le modèle d’attribution du CRM, le scoring ICP, les playbooks des commerciaux, ne fonctionnent pas, vous optimisez l’entrée d’un funnel qui ne mène nulle part.
Nous voyons régulièrement ce schéma quand nous nous intégrons à des équipes B2B : une entreprise investit dans le GEO ou la relevance engineering parce que le pipeline est faible, pas parce que sa couche opérationnelle est saine et qu’elle veut la scaler. Résultat : une meilleure visibilité sur un système cassé.
Davantage de mentions IA pour une marque dont le CRM ne sait pas distinguer un contact influencé par l’IA d’un contact outbound à froid, et dont les séquences ne se différencient pas selon le stade d’achat, ne produisent pas de revenu. Elles produisent des données flatteuses dans un rapport de visibilité IA, et absentes de la revue de pipeline.
Ce qu’exige réellement le lien entre visibilité IA et revenu
Les équipes qui tirent un vrai pipeline du GEO ont répondu à une question opérationnelle avant de lancer le programme technique : quand un système d’IA nous mentionne, comment cet acheteur entre-t-il dans notre système, et en combien de temps ? Quarante-huit heures est un benchmark raisonnable pour les contacts qualifiés ICP issus de sources influencées par l’IA.
Si un contact arrivé via une recommandation IA n’est pas dans une séquence différenciée dans ce délai, vous gaspillez l’opportunité de conversion que la visibilité IA a créée. La plupart des équipes B2B que nous rencontrons mesurent le volume de mentions IA, pas le pipeline issu de l’IA par cohorte.
C’est ce manque de mesure qui fait du débat relevance engineering contre GEO un débat sur les intrants plutôt que sur les résultats. La couche technique et la couche revenu sont deux systèmes distincts, avec deux responsables distincts.
Un spécialiste de la recherche IA peut porter la première. Votre fonction RevOps doit porter la seconde : l’architecture du CRM, le modèle d’attribution, le passage de l’ICP à la séquence, et la boucle de feedback qui vous indique quelles cohortes issues de l’IA se concluent, et à quel taux.
Sans cette infrastructure de mesure, la relevance engineering produit des impressions de marque, pas du revenu. Avec elle, même une amélioration modeste des taux de citation IA produit une contribution au pipeline que vous pouvez présenter à un CRO en toute confiance.
La question à trancher avant l’investissement technique
Avant de recruter un spécialiste de la recherche IA, construisez d’abord le workflow d’attribution pour les contacts influencés par l’IA. Faites-le tourner pendant un trimestre et mesurez le taux de conversion et la contribution au pipeline des points de contact issus de l’IA.
Servez-vous ensuite de ce chiffre pour décider du niveau d’investissement justifié dans la couche technique de pertinence. Le débat relevance engineering contre GEO ne devrait pas se trancher sur l’approche technique la plus sophistiquée.
Il devrait se trancher sur l’investissement qui produit du pipeline compte tenu de votre maturité opérationnelle actuelle. Si vous ne savez pas calculer la valeur en dollars d’une nouvelle mention IA pour votre ICP, votre couche opérationnelle n’est pas prête pour le programme technique, et les insights RevOps et visibilité IA que nous publions ici sont un meilleur point de départ.