Une étude publiée par First Page Sage montre que certains secteurs sont beaucoup plus exposés que d’autres à ces nouveaux comportements, avec des écarts importants entre l’éducation, l’alimentation, le voyage, la santé, le retail ou encore les services financiers.

Une étude sur l’usage de l’IA dans les décisions d’achat

First Page Sage a mené une enquête auprès de 3 161 participants afin de mesurer la place de l’IA générative dans les décisions d’achat. Les répondants devaient indiquer s’ils avaient utilisé un outil d’IA générative au cours des douze derniers mois pour s’informer, comparer ou prendre une décision.

L’étude répartit ensuite les réponses par secteur. Elle distingue les domaines dans lesquels l’IA intervient surtout en phase de découverte, de comparaison, de résolution de problème ou de validation.

Cette approche est intéressante, car elle ne mesure pas seulement l’adoption d’un outil. Elle montre à quel moment l’IA entre dans le parcours client et dans quels secteurs elle peut peser sur la décision finale.

L’éducation en tête des secteurs étudiés

L’éducation arrive en première position du classement. Selon First Page Sage, 60,5 % des clients interrogés utilisent l’IA générative dans leur parcours de décision.

Le chiffre s’explique assez facilement. Choisir une formation, une école ou un programme suppose souvent de comparer de nombreux critères. Le contenu du cursus, les horaires, le budget, les débouchés, la localisation et les contraintes personnelles peuvent entrer en compte. Un assistant IA peut alors aider à trier les options, à clarifier les différences et à réduire le nombre de choix possibles.

Alimentation, bien-être et voyage restent très exposés

L’alimentation et les boissons arrivent en deuxième position, avec 59,4 % de clients qui utilisent l’IA générative dans leur parcours d’achat. Les usages portent surtout sur les recettes, les recommandations de produits et les tendances de consommation.

Le secteur lifestyle, santé et bien-être atteint 53,8 %. Les consommateurs y cherchent des conseils, des pistes d’amélioration ou des produits adaptés à leur situation. Le sujet touche souvent à des besoins personnels, parfois flous au départ, que l’IA aide à formuler plus clairement.

Le voyage et l’hôtellerie suivent avec 53,1 %. Les assistants IA sont particulièrement adaptés à ce type de recherche, car un voyage dépend de nombreux paramètres. Destination, budget, dates, durée, transport, hébergement, activités et préférences personnelles peuvent être combinés dans une même demande.

Ces secteurs partagent une même logique. Les consommateurs ne cherchent pas seulement une information brute. Ils cherchent une recommandation contextualisée, capable de tenir compte de plusieurs critères en même temps.

Le retail et l’automobile confirment le rôle de l’IA dans la comparaison

Le retail et les produits de grande consommation affichent un taux de 49,4 %. Les clients utilisent l’IA pour comparer des marques, obtenir des recommandations ou identifier le produit le plus adapté à un besoin précis.

L’automobile atteint 45,7 %. L’IA sert surtout à comparer rapidement des modèles, à filtrer les options et à réduire une liste de véhicules possibles. Dans ce secteur, l’achat reste engageant, mais la phase de préselection peut être fortement influencée par les réponses générées par l’IA.

La santé atteint 44,2 %. L’étude mentionne des usages grand public, comme la recherche d’informations sur les symptômes ou les traitements, mais aussi des usages liés aux organisations de santé, qui s’informent sur les technologies disponibles pour moderniser leurs services.

Dans ces trois secteurs, l’IA agit comme un outil de tri. Elle ne remplace pas nécessairement le vendeur, le conseiller ou le professionnel, mais elle peut orienter les premières options vues par l’utilisateur.

Les services et le B2B ne sont pas à l’écart

L’étude montre aussi que les usages ne se limitent pas aux achats grand public. Les services à domicile, le SaaS B2B, la publicité, le marketing, les services financiers, la fintech, l’assurance, les services IT et l’immobilier figurent aussi dans le classement.

Dans le SaaS B2B, 40,8 %  des clients utilisent l’IA générative dans leur parcours. Les décideurs peuvent demander des recommandations de plateformes, comparer des fonctionnalités ou chercher des solutions adaptées à un secteur précis.

La publicité et le marketing atteignent 40,4 %. Les professionnels y utilisent l’IA pour réfléchir à leurs outils, à leurs intégrations ou à la composition de leur stack marketing.

Les services financiers affichent 40,1 %, tandis que l’assurance atteint 37,3 %. Ces secteurs reposent sur la comparaison, la confiance et la compréhension des offres. L’IA peut donc être utilisée pour clarifier les différences entre plusieurs solutions avant de passer à une étape plus commerciale.

Un tableau pour comparer usage et impact financier

Voici le tableau récapitulatif des secteurs étudiés par First Page Sage.

L’impact financier ne suit pas toujours le classement des usages

Le classement par usage ne correspond pas exactement au classement par impact financier estimé. L’éducation arrive en tête pour l’usage, mais le voyage et l’hôtellerie dominent largement en impact financier potentiel, avec 1 480 milliards de dollars selon First Page Sage.

La santé suit avec 1 110 milliards de dollars. L’alimentation et les boissons atteignent 936 milliards de dollars, tandis que le retail et les produits de grande consommation arrivent à 891 milliards de dollars.

Ce que cela change pour les marques

Les consommateurs peuvent passer par Google, des comparateurs, des réseaux sociaux, des avis clients, mais aussi par des assistants IA qui synthétisent les informations et suggèrent des options. Cela ne rend pas le SEO inutile. Au contraire, cette évolution donne plus de poids à la qualité des contenus, à la clarté des offres, à la cohérence de la marque et à la capacité d’un site à répondre précisément aux questions des utilisateurs.

Les contenus trop génériques, mal structurés ou pauvres en informations utiles risquent d’être peu exploitables dans ces environnements. À l’inverse, les contenus qui expliquent les critères de choix, les différences entre les offres et les usages réels ont plus de chances d’alimenter les réponses des systèmes génératifs.

The post IA générative et achat en ligne, les secteurs où les usages sont les plus forts appeared first on .

Un avantage très net sur la position 1

Semrush a analysé 20 000 mots-clés et les 10 premiers résultats associés, soit 42 000 articles de blog extraits de 200 000 URL. Les contenus ont ensuite été classés avec GPTZero en trois catégories :

• contenus humains,
• contenus mixtes,
• contenus générés par IA.

Le principal enseignement concerne la première position. Les contenus classés comme humains y apparaissent dans 80 % des cas, contre 9 % pour les contenus classés comme entièrement générés par IA.

L’étude montre aussi que les contenus humains restent devant sur l’ensemble du top 10, même si l’écart devient moins marqué à partir de la cinquième position.

Semrush précise que cette classification repose sur GPTZero, un outil de détection dont la fiabilité reste discutée. Les résultats doivent donc être lus comme une tendance générale, et non comme une mesure absolue.

L’IA est largement intégrée, mais surtout en appui

L’étude confirme que l’IA est désormais bien installée dans les pratiques des équipes SEO et contenu.

Parmi les professionnels interrogés :

• 87 % indiquent que leurs contenus sont soit entièrement rédigés par des humains, soit fortement pilotés par eux,
• 64 % utilisent un modèle où l’humain reste aux commandes, avec l’IA comme assistant,
• 23 % déclarent produire leurs contenus sans IA.

L’usage de l’IA se concentre surtout sur les tâches textuelles, notamment :

• la recherche,
• l’édition,
• l’optimisation on-page.

À l’inverse, son usage recule sur les tâches plus spécialisées ou plus subjectives, comme :

• le contenu visuel,
• la traduction,
• la production audio ou vidéo.

La vitesse reste le principal bénéfice

Le principal avantage attribué à l’IA reste le gain de temps. Selon l’étude :

• 70 % des équipes citent la rapidité de production comme premier bénéfice,
• 62 % mentionnent l’aide à l’idéation,
• 19 % seulement estiment que l’IA améliore réellement la qualité du contenu.

Ce point rejoint le fonctionnement décrit par plusieurs équipes : l’IA aide à avancer plus vite dans la recherche, l’angle, le plan ou le premier jet, mais l’intervention humaine reste forte dans la révision et les arbitrages éditoriaux.

La perception des SEO ne recoupe pas totalement les données

L’étude fait aussi apparaître un écart entre le ressenti des professionnels et les données de classement. Parmi les SEO interrogés :

• 72 % estiment que le contenu IA performe aussi bien ou mieux que le contenu humain,
• 13 % pensent qu’il performe moins bien,
• 15 % disent ne pas avoir assez de recul ou ne pas avoir comparé.

Dans le même temps, l’analyse des positions Google montre un avantage clair des contenus humains tout en haut des résultats. Ce qu’on sait aussi, c’est qu’un site qui mise uniquement sur des contenus IA finit souvent par perdre en visibilité.

Un contenu généré sans expertise ni valeur ajoutée n’apporte rien par rapport à… l’IA elle-même. Si une machine peut produire la même réponse partout, Google a peu de raisons de le mettre en avant.

The post Le contenu humain a 8 fois plus de chances d’atteindre la position 1 sur Google appeared first on .

Un travail basé sur plus de 11 000 requêtes

L’étude s’appuie sur 11 128 requêtes adressées à ChatGPT, Gemini, Perplexity et Claude, sur une période allant de fin 2023 à début 2026.

Elle vise à identifier les signaux qui influencent les réponses lorsque les modèles doivent proposer des produits ou des services.

Le cadre reste spécifique : il s’agit d’une analyse produite par un acteur du secteur, avec ses propres catégories et sa propre méthodologie.

Des facteurs récurrents dans les réponses

Malgré des différences d’approche, plusieurs types de signaux apparaissent de manière régulière dans les recommandations.

On retrouve notamment :

• des classements et comparatifs publiés sur des sites visibles,
• des avis issus de plateformes reconnues,
• des éléments d’autorité comme des distinctions ou affiliations,
• des données liées à l’usage ou aux clients,
• des signaux de perception (médias, forums et réseaux).

Ces éléments servent de base aux réponses, avec des poids variables selon les modèles.

Le poids des contenus déjà structurés

Dans les résultats observés, un point revient de manière constante. Les modèles s’appuient largement sur des contenus existants, souvent présentés sous forme de listes.

Ces contenus peuvent provenir de :

• médias spécialisés,
• sites éditoriaux,
• comparateurs ou guides.

Les systèmes croisent ces sources et retiennent les éléments qui apparaissent de façon répétée.

Lorsque les listes divergent, d’autres signaux prennent le relais pour organiser la réponse.

Des approches différentes selon les modèles

Si les bases sont proches, la manière de les exploiter varie.

ChatGPT construit ses réponses à partir de plusieurs sources, en combinant listes et avis. Certaines sources bien positionnées peuvent avoir un poids important dans la synthèse.

Gemini s’inscrit dans une logique comparable, mais intègre davantage de signaux liés à l’écosystème Google, notamment pour évaluer l’autorité des sites et la qualité des avis.

Perplexity adopte un fonctionnement plus direct, en s’appuyant fortement sur des listes bien positionnées, avec un tri largement guidé par les avis.

Claude se distingue par un recours plus limité au web ouvert, en mobilisant davantage des bases de données et des répertoires structurés.

Des critères qui évoluent selon le contexte

L’étude distingue plusieurs cas de figure dans l’utilisation des signaux.

• pour les requêtes générales, les listes dominent,
• pour les recherches locales, les avis prennent davantage de poids,
• certains critères servent surtout à départager des options proches.

Dans ces situations, les éléments d’autorité ou les données d’usage peuvent jouer un rôle plus important.

Une grille de lecture à replacer dans son cadre

Les résultats proposés reposent sur une catégorisation propre à First Page Sage. Ils permettent d’observer des tendances, mais ne décrivent pas un fonctionnement figé des modèles. Les réponses peuvent varier selon :

• la formulation de la requête,
• le contexte d’utilisation,
• les données accessibles au moment de la réponse.

Cette étude met en évidence des logiques communes dans la construction des recommandations, avec des variations selon les modèles et les contextes. Elle confirme que la visibilité dans les interfaces IA dépend autant des sources mobilisées que de la manière dont les contenus y sont intégrés.

The post GEO : une étude détaille les critères utilisés par les IA pour recommander appeared first on .