Requêtes de Recherche IA que Votre LLM Tire en Pleine Réponse

Le nouveau keyword research vit dans le modèle

Le keyword research classique commence par ce que les humains tapent dans une boîte de recherche. La recherche IA a produit une nouvelle couche au-dessus : quand un utilisateur pose une question en langage naturel à ChatGPT, Claude ou Gemini, le modèle tire souvent ses propres recherches web en pleine réponse pour grounder sa réponse. Ces requêtes internes ne sont pas visibles dans Google Search Console. Elles n'arrivent jamais dans votre analytics classique. Mais c'est le signal d'intention d'achat de la plus haute qualité aujourd'hui disponible, parce qu'il a été généré par un modèle qui a déjà compris l'intention de l'utilisateur et l'a traduit dans la requête la plus susceptible de remonter une réponse utile.

L'utilisateur a dit "est-ce que Profound vaut le coup pour un petit SaaS". ChatGPT l'a traduit en "Profound vs Lumos vs Peec AI" et est parti chercher du grounding. La requête traduite est celle où il faut être trouvable. Optimiser pour celle de l'utilisateur est optimiser la vieille surface SEO. Optimiser pour la traduite est optimiser la nouvelle.

Ce que vous voyez dans Lumos

L'aperçu ci-dessus est un snapshot des requêtes que ChatGPT et Claude ont tirées en pleine réponse sur Lumos et GEO cette semaine. À l'inscription, la même capture tourne sur votre bibliothèque de prompts.

• Prompt utilisateur → requête traduite. Chaque ligne paire la question naturelle originale avec la requête web tirée par l'IA pour grounder. Les deux côtés comptent — il faut savoir ce que disent les utilisateurs et ce que l'IA traduit.
• Fréquence et score d'intention. Les requêtes répétées sur plusieurs prompts ont plus de signal. Une requête tirée une fois est du bruit ; tirée sur 14 prompts est un actif fixe de la catégorie.
• Pages sources retournées. Lumos capture les URLs réelles retournées par chaque requête pour que vous voyiez quelles pages l'IA ground.
• Découpage par moteur. ChatGPT et Claude tirent des requêtes différentes pour le même prompt parce que leurs prompts de tool-use et stratégies de grounding diffèrent.

Comment Lumos capture les requêtes

La requête mid-answer est l'artefact du tool use du modèle. Lumos lance votre bibliothèque sur chaque moteur avec tool-use activé et capture :

1. Le prompt naturel de l'utilisateur.
2. Les requêtes web mid-answer tirées par le modèle (parfois une, souvent 3-5).
3. Les URLs retournées par chaque requête.
4. Comment la réponse finale a cité ou paraphrasé ces URLs.
5. Version du modèle et du moteur, pour comparer semaine après semaine.

Le log brut est stocké à côté des données normales. Vous pouvez filtrer, chercher, exporter. La couche d'agrégation déduplique et classe par fréquence × score d'intention.

Comment utiliser les requêtes capturées

Construisez du contenu qui matche la forme traduite. L'IA cherche des titres exact-match comme "Profound vs Lumos vs Peec AI". Si votre contenu s'intitule "Pourquoi nous avons construit Lumos", l'IA ne le surfacera pas pour cette requête. Lumos paire chaque requête capturée avec une suggestion de citabilité — un titre et set de headings qui matcherait.

Lancez les requêtes dans Google. Google classe encore beaucoup les pages que les moteurs IA grounderont. Ouvrez les top 5 dans un onglet incognito et lisez ce qui est retourné. Ces pages sont votre vraie concurrence pour la visibilité IA — souvent très différentes des pages classées pour la version user-facing.

Utilisez les requêtes comme radar concurrentiel. Quand l'IA tire "X vs Y" et que vous n'êtes pas dans la liste, vous êtes invisible à ce moment de décision. La bonne réponse est de publier une page "X vs Lumos" ou "Y vs Lumos" que l'IA récupérera.

Surveillez les nouvelles requêtes. Quand ChatGPT commence à tirer une requête qu'il ne tirait pas le mois dernier, quelque chose a changé dans la catégorie — produit lancé, nouveau vendor, question de pricing émergente. Posez une alerte Lumos.

Erreurs courantes en lisant les requêtes mid-answer

Les confondre avec des suggestions d'autocomplete. L'autocomplete Google, c'est ce que les humains pourraient taper. Les requêtes mid-answer, c'est ce que l'IA tire réellement. Superficiellement similaires mais signaux très différents — l'autocomplete est large, mid-answer est tranchant.

Optimiser uniquement pour les plus fréquentes. Le top 3 reçoit l'attention. La longue traîne — requêtes tirées seulement quelques fois mais cumulées — représente souvent des use cases spécifiques méritant leur propre contenu.

Lire les requêtes d'un seul moteur. ChatGPT, Claude et Gemini tirent des requêtes différentes pour la même intention. Une requête forte dans ChatGPT et silencieuse dans Gemini vaut encore d'être construite mais pondérée par le moteur qu'utilisent vos acheteurs.

Traiter le log comme un brief sans édition. Les requêtes capturées sont du output brut. Certaines sont en or, d'autres du bruit. Utilisez comme inspiration pour le backlog, pas comme brief fini.

Prochaines étapes

• Lancez le tracker sur votre marque : inscrivez-vous, importez votre bibliothèque, capturez en quelques minutes.
• Pairez avec l'analyse de citation : AI Citation Source Tracker.
• Lisez la stratégie : How to appear in ChatGPT.