L’IA réduit les recherches de 29 % tout en déplaçant les besoins des utilisateurs

La baisse de 29 % n’est pas une histoire de disparition de la recherche en ligne, mais une histoire de réduction des recherches sur certains types de requêtes et de migration vers d’autres. Le signal le plus exploitable pour les marques n’est pas seulement la baisse : c’est le déplacement des besoins utilisateurs vers des demandes plus précises, plus actionnables et plus proches de la décision. Avec la généralisation des réponses générées, l’intelligence artificielle capture une partie des questions “explicatives” avant même l’affichage de dix liens bleus, et modifie mécaniquement l’efficacité recherche perçue par le public.

Cette évolution se lit secteur par secteur. Les catégories où une technologie IA peut donner une réponse complète (définitions, comparatifs conceptuels, explications de mécanismes) voient davantage de volumes se tasser. Les univers où l’utilisateur doit encore choisir un prix, un vendeur, un modèle, une assurance, un itinéraire ou un logiciel gardent des recherches actives, car la finalisation passe par des pages, des stocks, des formulaires et des conditions. L’enjeu, pour l’optimisation recherche, devient alors double : rester trouvable dans les moteurs classiques et devenir “citable” dans les interfaces conversationnelles, au cœur des transformations utilisateurs en cours.

Étude Fractl : comment la baisse de 29 % redessine la réduction des recherches

L’analyse publiée par Fractl et Search Engine Land, appuyée sur des données Semrush, s’appuie sur un corpus massif : 1 010 848 mots clés à fort volume, un plancher fixé à 10 000 recherches mensuelles par mot clé. Le périmètre agrège 35,4 milliards de recherches mensuelles et couvre 379 marques réparties dans 8 secteurs. La photographie se fait sur un an, avec une date d’arrêt à avril, ce qui permet de limiter les effets de saisonnalité tout en capturant les changements de comportement récents.

Le chiffre qui circule le plus est la baisse de 29 % : cela ne signifie pas que “la recherche recule de 29 %” au total. Cela signifie que 29 % des requêtes à fort volume du corpus mesurent un déclin net sur un an. Autrement dit, une fraction importante de sujets perd en traction, alors que d’autres montent. Le point central est une recomposition : quand une IA répond directement à “comment”, “pourquoi” ou “définition de”, l’utilisateur peut s’arrêter à l’interface conversationnelle, sans multiplier les requêtes de clarification.

Cette lecture rend le terme réduction des recherches plus concret : une partie des requêtes qui servaient de marches intermédiaires disparaît. Les recherches “préparatoires” servent moins souvent d’étape obligatoire. Les requêtes “finales” (acheter, comparer, réserver, télécharger, se connecter, demander un devis) restent, parce qu’elles supposent une action. Le déplacement n’est donc pas uniforme : il suit la capacité des systèmes à synthétiser et à rassurer, sans déclencher de clic.

Le corpus éclaire aussi une dynamique souvent masquée par les débats sur “Google contre chatbots”. Les réponses générées redistribuent la visibilité et compressent certains parcours, ce qui modifie l’impact IA sur les sites. Le résultat n’est pas seulement un enjeu SEO : c’est un enjeu de dépendance à une étape d’intermédiation qui change de forme, passant de la page de résultats à la réponse générée.

Une demande globale stable malgré la réduction des recherches sur certains sujets

L’un des résultats les plus structurants concerne l’équilibre net. Une part importante des mots clés recule fortement, et une autre progresse fortement. Le jeu de données indique que 40,7 % des mots clés suivis sont en déclin au-delà d’un seuil de 15 %, avec une baisse moyenne de 41 %. En parallèle, 20,1 % progressent au-delà du même seuil. Ils sont moins nombreux, mais portent davantage de volume unitaire, ce qui rapproche les plateaux : environ 10,29 milliards de recherches mensuelles côté déclin contre 10,31 milliards côté croissance, pour un solde de +16,8 millions de recherches par mois.

Ces ordres de grandeur déplacent l’analyse. Les sites peuvent perdre des visites sur des pages pédagogiques tout en observant, sur d’autres segments, une hausse de demandes plus transactionnelles. Ce mécanisme explique pourquoi certains acteurs ont l’impression d’un effondrement, alors que l’agrégat reste presque stable. L’optimisation recherche doit donc s’appuyer sur des diagnostics page par page et requête par requête, pas sur un ressenti global.

Le changement de surface compte aussi : une partie de l’attention glisse vers des interfaces où la réponse arrive déjà “résumée”. Dans ce contexte, des stratégies de contenu centrées uniquement sur le volume brut ratent la question décisive : quel type de contenu déclenche encore un clic, une inscription, un essai, une demande de devis, ou une prise de rendez-vous.

Le rôle de l’intensité informationnelle dans l’impact IA

Le contraste sectoriel est net. La FinTech affiche la plus forte baisse mesurée à -37,7 %, alors que le lifestyle se limite à -15,2 %. Entre les deux, des secteurs se situent sous ou autour d’un seuil de 25 % souvent utilisé comme point de repère. Les domaines où les requêtes sont très “explicatives” se prêtent à une réponse synthétique : définition d’un produit financier, mécanisme de frais, explication d’un ratio, compréhension d’une interaction. La réponse conversationnelle peut suffire à calmer l’incertitude initiale.

Dans les domaines plus proches de l’achat, l’utilisateur doit trancher entre des offres et vérifier des détails concrets : prix, disponibilité, compatibilités, délais, garanties, conditions. La recherche conserve une fonction de navigation vers des pages précises. Cela n’empêche pas la présence d’IA, mais cela limite la substitution complète. Ces écarts matérialisent un changement des besoins : moins de questions généralistes, plus de requêtes ancrées dans une décision.

Ce pattern se retrouve dans la structuration des contenus. Les FAQ très génériques et les articles “définition de…” deviennent exposés, car le modèle peut reformuler l’essentiel. Les pages avec calculateurs, comparateurs, simulateurs, tableaux de prix, règles contractuelles ou étapes opérables conservent un avantage, parce qu’elles font plus que du texte. L’efficacité recherche se mesure alors à la capacité d’une page à transformer une intention en action, pas seulement à apporter une explication.

Requêtes non brandées : pourquoi les besoins utilisateurs basculent vers la marque

Un autre enseignement concerne la composition du volume. Sur le corpus étudié, 90 % du volume suivi relève de requêtes non brandées, c’est-à-dire sans nom de marque. Ce sont précisément celles qui sont les plus “absorbables” par une interface conversationnelle : la question peut être résolue sans que l’internaute cherche à atteindre un site particulier. La conséquence est directe : la bataille du trafic sur les requêtes génériques devient plus coûteuse, parce qu’une partie de la demande n’atterrit plus sur une page.

La pression varie selon les secteurs. La HealthTech est indiquée comme extrêmement exposée, avec 99,6 % de requêtes non brandées dans le volume suivi. Le bien-être monte à 98,5 %. À l’inverse, l’assurance descend à 73,8 % et le SaaS à 82 %. La différence se comprend dans le “coup d’après” : quand une IA évoque un logiciel, un outil ou un service, une partie des utilisateurs finit par taper le nom du produit pour vérifier l’offre, le prix ou les avis. Sur des questions de définition pure, l’étape “aller sur un site” disparaît plus facilement.

Ce basculement pousse les équipes marketing à traiter la marque comme un objectif technique. Il ne s’agit pas d’ajouter un logo dans un contenu : il s’agit de structurer des actifs qui rendent la marque citable et vérifiable. Les guides de référence, pages de documentation, politiques publiques, fiches techniques, études de cas, et pages “pricing” deviennent des points d’ancrage. L’impact IA se mesure ici à la probabilité d’être mentionné, puis cliqué, dans un univers où le premier écran n’est plus toujours une liste de liens.

Du SEO au GEO/AEO : optimisation recherche orientée “mention”

Le terrain bouge vers des pratiques souvent regroupées sous les termes GEO (Generative Engine Optimization) ou AEO (Answer Engine Optimization). L’idée opérationnelle est simple : optimiser pour que les systèmes de réponse identifient une source fiable et une entité claire. Cela passe par des contenus signés, datés quand c’est utile, maintenus, avec des définitions stables, des pages d’aide et des références croisées cohérentes.

Des acteurs de l’écosystème marketing documentent déjà cette approche. Un exemple concret est l’attention portée à l’AEO dans les outils et méthodes de pilotage, comme détaillé dans ce focus sur l’AEO et l’IA côté HubSpot, qui illustre la montée d’une logique “réponse” au-delà du classement classique. Le sujet n’est pas d’abandonner le SEO, mais de relier contenu, produit et réputation pour que la marque soit interprétée correctement par les systèmes.

Dans les faits, l’optimisation recherche devient plus transversale. Les équipes contenu doivent travailler avec le support, le produit et parfois le juridique, afin que les informations critiques (conditions, sécurité, conformité, mises à jour) soient accessibles et consistantes. Cette discipline réduit les ambiguïtés qui font perdre des mentions ou déclenchent des réponses imprécises. L’efficacité recherche se joue alors sur la qualité de la donnée autant que sur la prose.

Liste de leviers concrets pour répondre au changement des besoins

Pour capter les besoins utilisateurs dans un contexte de réduction des recherches génériques, plusieurs leviers reviennent dans les audits qui fonctionnent sur des sites à fort volume. L’objectif est d’aligner le contenu avec des intentions qui déclenchent encore une action mesurable.

• Renforcer les pages de comparaison avec des critères vérifiables (prix, limites, compatibilités, délais) afin de répondre aux intentions de décision.
• Produire des pages “preuve” (documentation, fiches techniques, méthodologies, cas clients) pour ancrer la marque comme source citée.
• Structurer la donnée produit (noms exacts, versions, changelog, disponibilité) pour éviter les réponses floues dans les systèmes génératifs.
• Optimiser les parcours post-mention : une page d’atterrissage claire, rapide, avec un CTA unique, réduit l’abandon après une recommandation IA.
• Surveiller la cannibalisation entre pages pédagogiques et pages transactionnelles, afin de conserver un chemin de conversion lisible.

Cette liste n’a de valeur que si elle est appliquée avec des mesures simples : évolution du trafic non brandé, part de requêtes brandées, taux de conversion par type de page, et contribution des contenus au support. Les transformations utilisateurs ne se pilotent pas au ressenti, car le déplacement peut être brutal sur des thèmes précis et invisible sur d’autres.

AI Overviews, anti-spam et redistribution de l’attention : l’impact IA côté plateformes

La montée des résumés générés par IA change la hiérarchie des écrans. Sur une page de résultats classique, l’internaute scanne plusieurs liens et arbitre. Avec un bloc de réponse, une partie du parcours est pré-résolue, ce qui baisse la probabilité de visiter des pages qui, auparavant, captaient le clic “d’apprentissage”. Cette mécanique explique pourquoi la réduction des recherches se combine à une réduction des clics pour certaines familles de contenu, même quand le volume global reste stable.

Le second paramètre est la qualité des résultats et la lutte contre le spam. Les moteurs renforcent leurs filtres pour limiter les contenus créés uniquement pour se positionner, sans valeur propre. Cette pression est visible dans les mises à jour et signaux de qualité discutés par l’écosystème, avec des éléments de contexte comme ce point sur les algorithmes anti-spam de Google. La conséquence pratique est qu’un contenu “moyen” peut perdre deux fois : d’un côté, il est moins cliqué car l’IA répond ; de l’autre, il est moins bien classé car il ressemble à des pages de remplissage.

Dans ce cadre, les éditeurs ont intérêt à traiter les pages informationnelles comme des produits. Une page explicative doit être maintenue, sourcée, enrichie, et reliée à des outils ou des données. Sans cela, elle devient un candidat naturel à la substitution par une réponse générée. La technologie IA agit alors comme un filtre : elle valorise les contenus qui ont une profondeur, une originalité et une utilité immédiate, et pénalise les duplications.

Exemples d’usages : quand l’IA “termine” la recherche à la place de l’internaute

Les secteurs informationnels illustrent bien ce qui se passe. Un internaute qui cherchait auparavant “interaction entre deux médicaments”, “définition d’une franchise” ou “comment fonctionne un fonds indiciel” enchaînait souvent trois ou quatre requêtes, plus une visite sur un site explicatif. Une réponse conversationnelle peut désormais condenser ces étapes et réduire le nombre total de requêtes. La réduction des recherches n’est donc pas toujours une baisse d’intérêt, mais une simplification du chemin cognitif.

Le phénomène touche aussi les requêtes de dépannage ou de paramétrage. Quand une réponse propose directement une procédure claire, l’utilisateur ne consulte plus cinq forums. Dans un contexte de productivité, cette logique est même recherchée : moins de requêtes, plus d’exécution. Les listes d’outils et méthodes, comme celles évoquées dans une sélection d’outils IA orientés productivité, montrent que l’attente du public se déplace vers l’action, et pas seulement vers l’information.

Ce déplacement impose aux sites de choisir : rester sur des contenus “explication générale” très concurrencés par les synthèses, ou investir dans des pages qui ont une utilité opérationnelle (simulateurs, checklists, comparatifs à jour, documentation exhaustive, contenus experts). Ce choix oriente directement la performance, car il conditionne la capacité à capter une intention qui ne s’arrête pas à la réponse IA.

Du sondage à l’action : comment les transformations utilisateurs déplacent l’achat et la confiance

Le sondage complémentaire réalisé auprès de 1 004 consommateurs américains ajoute une couche comportementale. Il indique que 59 % des répondants se disent prêts à visiter le site d’une marque après qu’un chatbot l’a mentionnée ou recommandée. Le même sondage mentionne que 18 % ont déjà acheté un produit sur recommandation d’une IA, sans vérification via une recherche séparée. L’écart générationnel est marqué : ce réflexe est indiqué comme 2,5 fois plus fréquent chez la génération Z et les millennials que chez les baby-boomers (20 % contre 7 %).

Ces chiffres ne décrivent pas seulement l’achat impulsif. Ils décrivent un transfert de confiance : une partie de la crédibilité se déporte vers l’interface qui recommande. Cela reconfigure l’acquisition. Une mention dans une réponse devient un point d’entrée, comme pouvait l’être une première position SEO. Les équipes qui restent uniquement focalisées sur le “rank” risquent de manquer des opportunités de marque, car le premier écran devient parfois une synthèse, parfois une recommandation, parfois une comparaison.

Le sondage apporte aussi un garde-fou utile : 70 % des personnes interrogées déclarent utiliser davantage l’IA, mais 17 % seulement disent moins recourir à la recherche classique. La coexistence domine encore. Une projection à cinq ans rapportée par l’étude indique que 52 % pensent que Google restera leur outil principal, tandis que 20 % en doutent. L’issue la plus probable est donc une hybridation durable : l’IA absorbe des intentions, la recherche conserve des usages de navigation, de comparaison et de vérification.

Pour le marché français, un point de contexte compte : les fonctionnalités de type AI Overviews et certains modes avancés ne sont pas déployés partout de la même façon. Cela n’empêche pas les besoins utilisateurs de se déplacer, car les assistants sont déjà utilisés pour préparer, résumer et décider. La fenêtre d’adaptation existe, mais elle se referme vite dès que les usages s’installent et que les marques “citées” prennent de l’avance.