Le trafic “referral LLM” existe-t-il vraiment ? Méthodes d’attribution et limites

Le trafic “referral LLM” : Méthodes d’attribution et limites

Depuis plusieurs mois, certains éditeurs observent une nouvelle catégorie dans leurs rapports d’audience : des sessions en provenance de ChatGPT, Perplexity ou Gemini. Cela soulève la question de l’émergence d’un nouveau canal d’acquisition, le “referral LLM” , ou d’une possible illusion d’attribution liée aux outils d’analytics.

L’apparition de liens cliquables dans les réponses générées par ChatGPT ou Perplexity a créé un premier flux visible. Dans certains cas, ChatGPT est identifié comme 3ᵉ source de trafic referral après LinkedIn et Twitter. Ces observations suggèrent l’émergence potentielle d’un nouveau canal.

Cependant, 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 contentant de la réponse textuelle. Une partie des sessions attribuées à ChatGPT peut provenir de tests internes ou de partages indirects .

L’identification d’un trafic “referral LLM” rencontre plusieurs limites techniques :

UTM partiels : seule une attribution claire est possible si les éditeurs intègrent volontairement des paramètres de suivi. Absence de referrer : souvent, le trafic est classé en “direct” en raison de l’absence d’information transmise. Cloisonnement des interfaces : les données de referral ne sont pas toujours transmises dans les apps mobiles.

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, réduisant 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 sans clic associé. Les pertes de trafic SEO : l’utilisateur trouve sa réponse dans l’IA et n’ouvre pas de site.

Pour analyser ce canal émergent, plusieurs pistes sont explorées :

Segmentation dans GA4 : création d’une catégorie “referral LLM”. Surveillance des citations : utilisation d’outils de monitoring pour suivre les citations de marque. Études qualitatives : enquêtes pour comprendre l’utilisation des liens suggérés par les IA.

Court terme : le volume de trafic referral LLM reste faible comparé au SEO et aux réseaux sociaux. Moyen terme : la mesure de la visibilité inclura la présence dans les réponses IA comme indicateur d’autorité. Long terme : la transition vers les “answer engines” pourrait redéfinir le modèle d’acquisition.

Méthode Principe Avantages Limites Usage recommandé

UTM intégrés par les LLM Les modèles insèrent un lien avec paramètres de tracking Attribution claire, visible dans GA4 Limité aux IA affichant des liens cliquables Suivi court terme des clics générés par les réponses IA

Segmentation GA4 / Analytics Création d’un canal “referral LLM” Centralisation des données, comparaison avec SEO et social Nombreux cas “non attribués” Bon pour reporting mensuel et suivi tendanciel

Monitoring de citations Outils pour savoir si une marque est citée Mesure de la visibilité même sans clic Ne reflète pas le trafic réel À combiner avec analytics pour la notoriété

Analyse qualitative Étudier l’usage des IA par les utilisateurs Insights comportementaux Échantillon limité Utile pour valider les données quantitatives

Surveillance indirecte Identifier les reprises de contenus Détection d’effets secondaires Attribution floue Pour capter la “valeur dérivée”

Les 3 KPI GEO à suivre dès aujourd’hui

Trafic referral LLM

Mesurer le volume de visites en provenance des LLM. Identifier les flux générés par ChatGPT, Perplexity ou Gemini.

Taux de citation dans les réponses IA

Pourcentage de questions clés où la marque est citée. Indicateur d’autorité informationnelle.

Indice d’autorité GEO

Score combinant la présence dans les corpus de référence. Mesure de long terme pour suivre la visibilité “au-delà du SEO”.

D’après FrenchWeb.