Le trafic “referral LLM” existe-t-il vraiment ? Méthodes d’attribution et limites
📩 Pour nous contacter: redaction@frenchweb.fr
Depuis plusieurs mois, certains éditeurs observent une nouvelle catégorie dans leurs rapports d’audience : des sessions en provenance de ChatGPT, Perplexity ou Gemini. Faut-il y voir l’émergence d’un nouveau canal d’acquisition, le “referral LLM”, ou une illusion d’attribution liée aux outils d’analytics ?
Un phénomène encore marginal mais mesurable
L’apparition de liens cliquables dans les réponses générées par ChatGPT (via des UTM intégrés) ou Perplexity a créé un premier flux visible. Dans certains cas, ChatGPT apparaît dans les outils de Web Analytics comme 3ᵉ source de trafic referral, derrière LinkedIn et Twitter comme nous pouvons le constater sur FRENCHWEB.FR. Ces signaux nourrissent l’idée qu’un nouveau canal est en train d’émerger.
Mais ces chiffres doivent être nuancés :
- Tous les LLM ne proposent pas de liens sortants (Claude, Gemini, Mistral ne le font pas systématiquement).
- Le clic n’est pas le mode d’usage dominant : la plupart des utilisateurs se contentent de la réponse textuelle.
- Une partie des sessions attribuées à ChatGPT peut en réalité être issue de tests internes ou de partages indirects (copier-coller d’une réponse, clic sur un lien relayé ailleurs).
Les biais d’attribution
L’identification d’un trafic “referral LLM” se heurte à plusieurs limites techniques :
- UTM partiels : seuls les éditeurs qui intègrent volontairement des paramètres de suivi dans leurs réponses (comme ChatGPT en bêta) permettent une attribution claire.
- Absence de referrer : dans de nombreux cas, le trafic arrive classé en “direct” faute d’information transmise par le navigateur.
- Cloisonnement des interfaces : lorsqu’une réponse est générée dans une app mobile, les données de referral ne sont pas toujours transmises.
Résultat : l’importance du canal est souvent sous-estimée, mais sa réalité reste difficile à prouver de manière exhaustive.
Une redistribution de valeur invisible
Même sans clic, les LLM modifient la chaîne de valeur du trafic. Chaque réponse générée décroche une intention de recherche qui ne transite plus par Google, et réduit la probabilité d’un clic vers les sites sources. Le referral visible n’est que la partie émergée de l’iceberg :
- Les gains de notoriété (la marque est citée dans la réponse sans clic associé).
- Les pertes de trafic SEO (l’utilisateur trouve sa réponse directement dans l’IA et n’ouvre pas de site).
Vers un nouveau modèle de mesure
Pour analyser ce canal émergent, plusieurs pistes sont explorées :
- Segmentation dans GA4 : créer une catégorie spécifique “referral LLM” regroupant ChatGPT, Perplexity, etc.
- Surveillance des citations : utiliser des outils de monitoring pour savoir quand et comment une marque est citée dans les réponses générées, même sans clic.
- Études qualitatives : enquêtes utilisateurs pour comprendre combien utilisent réellement les liens suggérés par les IA.
Quelles implications pour les marques ?
- Court terme : le volume de trafic referral LLM reste faible comparé au SEO et aux réseaux sociaux.
- Moyen terme : la mesure de la visibilité ne pourra plus se limiter aux sessions et aux clics ; il faudra intégrer la présence dans les réponses IA comme indicateur d’autorité.
- Long terme : la bascule vers les “answer engines” pourrait redéfinir le modèle d’acquisition : moins de trafic direct, mais plus de valeur associée à la mention de marque dans les corpus utilisés par les IA.
Comment mesurer le trafic “referral LLM”
| Méthode | Principe | Avantages | Limites | Usage recommandé |
|---|---|---|---|---|
| UTM intégrés par les LLM (ex. ChatGPT, Perplexity) | Les modèles insèrent automatiquement un lien avec paramètres de tracking (utm_source, utm_medium) | Attribution claire, visible dans GA4 comme “referral” | Limité aux IA qui affichent des liens cliquables ; pas standardisé entre modèles | Suivi court terme des clics réellement générés par les réponses IA |
| Segmentation GA4 / Analytics | Création d’un canal personnalisé “referral LLM” regroupant ChatGPT, Perplexity, Gemini (si identifiable) | Centralisation des données, permet comparaison avec SEO et social | Nombreux cas “non attribués” (trafic classé en direct), dépend du paramétrage | Bon pour reporting mensuel et suivi tendanciel |
| Monitoring de citations (brand tracking LLM) | Outils qui interrogent régulièrement les modèles pour savoir si une marque ou un lien est cité | Mesure de la visibilité même sans clic, donne un score d’autorité | Ne reflète pas le trafic réel, dépend de l’outil et de ses prompts | À combiner avec analytics pour piloter la notoriété “hors trafic” |
| Analyse qualitative (enquêtes, user tests) | Étudier l’usage des IA par les utilisateurs et leur propension à cliquer sur les liens | Donne des insights comportementaux (ex. 20 % des utilisateurs cliquent sur un lien proposé) | Échantillon limité, pas de tracking automatisé | Utile pour valider les données quantitatives et comprendre le parcours utilisateur |
| Surveillance indirecte (mentions sociales, backlinks) | Identifier les reprises de contenus copiés depuis des réponses IA vers d’autres plateformes | Détection d’effets secondaires (citations sur LinkedIn, forums, blogs) | Attribution floue, ne distingue pas l’origine IA | Pour capter la “valeur dérivée” du GEO au-delà du trafic direct |
Les 3 KPI GEO à suivre dès aujourd’hui
-
Trafic referral LLM
- Mesurer le volume de visites en provenance directe des LLM (via UTM ou GA4).
- Permet d’identifier les flux réels générés par ChatGPT, Perplexity ou Gemini.
-
Taux de citation dans les réponses IA
- Pourcentage de questions clés du secteur où la marque, le site ou ses contenus sont cités.
- Indicateur d’autorité informationnelle, même sans clic associé.
-
Indice d’autorité GEO
- Score combinant la présence dans les corpus de référence (Wikipedia, médias spécialisés, rapports techniques) et la régularité des citations.
- Mesure de long terme pour suivre la progression de la visibilité “au-delà du SEO”.
- Quand l’IA s’invite chez le vétérinaire: LUPA lève 17 millions d’euros - 06/10/2025
- Prioriser plutôt que tout bloquer : FILIGRAN lève 50 millions d’euros pour accélérer la cybersécurité décisionnelle - 06/10/2025
- Le trafic “referral LLM” existe-t-il vraiment ? Méthodes d’attribution et limites - 06/10/2025
