L’entonnoir noir de l’IA — quand la décision d’achat du client se joue hors de notre champ de vision

Cet article est le chapitre 3/20 de la série Livre blanc GEO de Growth — Ch.2, La refonte du parcours client. La table des matières complète et le PDF intégral sont disponibles sur la page du livre blanc.

51 % des acheteurs B2B commencent désormais leurs recherches produit sur l’IA, et 69 % choisissent un fournisseur différent de celui initialement prévu sur recommandation de l’IA. « L’entonnoir noir de l’IA » — où le client termine la comparaison, l’évaluation et la présélection entièrement à l’intérieur de l’IA — est en train de neutraliser en profondeur les entonnoirs marketing des entreprises.

Du Messy Middle à l’AI Compressed Middle

Si l’on retrace l’histoire de l’entonnoir marketing, son évolution est en réalité celle des tentatives de comprendre le comportement du client. Le modèle traditionnel AIDA (Attention → Intérêt → Désir → Action) était linéaire et prévisible. Le client voit une publicité, s’intéresse, développe un désir, puis achète. Net, mais assez éloigné de la réalité.

En 2020, une équipe de recherche de Google a reconnu les limites de ce modèle linéaire et introduit le concept de « Messy Middle ». Entre la prise de conscience et l’achat, expliquaient-ils, le client tourne dans une boucle chaotique entre Exploration et Évaluation. Il cherche, lit des avis, visite des sites comparateurs, demande conseil à ses pairs, puis recherche à nouveau. Ce processus complexe était précisément le champ de bataille où les marketeurs exerçaient leur influence via le content marketing, le SEO et le retargeting publicitaire.

Mais aujourd’hui, l’IA a comprimé ce Messy Middle. Ce que l’on peut appeler l’« AI Compressed Middle » est le phénomène par lequel les clients délèguent à l’IA, en une ou deux requêtes, un processus de comparaison et d’évaluation qui prenait autrefois plusieurs jours à plusieurs semaines de visites directes sur de multiples sites. « Compare-moi juste trois outils de gestion de projet adaptés à une entreprise de notre taille (50 personnes). Concentre-toi sur le prix, les fonctionnalités et le support en coréen. » Cette seule phrase remplace ce qui prenait autrefois deux semaines de recherche.

C’est dans ce contexte que McKinsey qualifie la recherche par IA de « nouvelle porte d’entrée » d’Internet. Avant même qu’un client n’atteigne votre site web, l’IA a déjà réduit le champ à trois ou cinq candidats, comparé leurs avantages et inconvénients, et même formulé une conclusion du type « vu votre situation, nous recommanderions A ». Lorsqu’un client visite finalement votre site, il a souvent déjà obtenu suffisamment d’informations via l’IA et ne vient que pour une dernière vérification. Une part importante de l’influence que les marketeurs exerçaient autrefois dans le Messy Middle s’est ainsi déplacée vers l’IA.

Définir l’entonnoir noir de l’IA — la partie qui se joue hors de notre champ de vision

Le terme « entonnoir noir » (dark funnel) était à l’origine utilisé en marketing B2B pour désigner les points de contact impossibles à suivre : un message Slack d’un collègue, une conversation lors d’une conférence, une recommandation entendue dans un podcast — autant de points de contact « noirs », sans paramètre UTM, introuvables par le moindre outil de marketing automation.

L’entonnoir noir de l’ère de l’IA étend ce concept d’un cran. L’« entonnoir noir de l’IA » désigne le territoire décisionnel qu’une entreprise ne peut ni observer ni influencer, qui se forme pendant que l’IA gère à la place du client la recherche d’information, la comparaison, l’évaluation et la présélection. Cette définition est un concept que le Livre blanc GEO de Growth a systématisé pour le contexte du marché coréen.

L’entonnoir noir de l’IA fonctionne en trois étapes. La première est l’étape de comparaison déléguée à l’IA. Lorsqu’un client demande à l’IA de « comparer A, B et C », l’IA analyse des dizaines de sources pour générer un tableau comparatif. Ni le client ni l’entreprise ne peuvent savoir quelles sources l’IA a consultées, ni selon quels critères elle a effectué la comparaison. Si votre marque est exclue de cette comparaison, le client passe à l’étape suivante sans même savoir que votre entreprise existe.

La deuxième est l’étape de vérification de réputation par l’IA. Par des questions de suivi comme « Quels sont les inconvénients de la solution A ? » ou « Résume-moi les avis sur le service B », le client délègue à l’IA la vérification de la réputation. L’IA collecte et résume des informations issues de Reddit, de forums communautaires, de sites d’avis et de blogs. Le problème est que la réputation de votre marque finit par dépendre des avis que l’IA choisit de citer. Si les avis négatifs sont plus précis et détaillés, l’IA peut les juger « plus utiles » et les citer en priorité.

La troisième est l’étape de compression des candidats par l’IA. À la question décisive — « recommande-m’en un seul, réponse finale » — l’IA synthétise toute la comparaison et l’évaluation précédentes pour formuler une ou deux recommandations finales. Si la prévision de Gartner, présentée lors de son symposium IT 2025, se confirme — 90 % des achats B2B traités via des agents IA d’ici 2028 — cette étape de compression deviendra la véritable porte finale de la décision d’achat. Plus de 15 000 milliards de dollars de dépenses B2B passeront alors par cette seule porte.

Ce que ces trois étapes ont en commun, c’est qu’aucune ne laisse de trace dans le GA4 de l’entreprise. Ni pages vues, ni sessions, ni événements ne sont enregistrés. Lorsque le client visite enfin votre site, il y arrive déjà dans un état de « forte intention d’achat ». C’est exactement pour cela que, dans les données d’Ahrefs, le taux de conversion du trafic en provenance de l’IA est 23 fois supérieur à celui de la recherche classique : ce sont des visiteurs qui ont déjà traversé l’entonnoir noir de l’IA. Comparaison, évaluation, décision — tout est déjà fait. De façon paradoxale, l’activité marketing la plus importante se déroule précisément dans la zone la moins mesurable.

Un scénario B2B : le nouveau parcours d’achat d’un directeur des achats

Pour rendre ce basculement concret, imaginons un scénario précis. Faisons la connaissance de M. Kim, directeur des achats d’une entreprise manufacturière de taille moyenne à Séoul.

En 2024, lorsque M. Kim envisageait de changer d’ERP, il cherchait « recommandation ERP entreprise de taille moyenne » sur Naver et Google, cliquait sur les dix premiers résultats, demandait une démo à trois fournisseurs, passait deux semaines en réunions d’évaluation avec l’équipe IT, et retenait finalement deux candidats. À chacune de ces étapes, les marketeurs pouvaient exercer une influence via la publicité de recherche, le contenu SEO, les landing pages de demande de démo et les séquences de nurturing par e-mail.

La version 2026 de M. Kim est différente. Il tape dans ChatGPT : « Recommande-moi trois ERP cloud adaptés à notre entreprise (industrie manufacturière, chiffre d’affaires de 50 milliards de wons, 200 salariés). J’ai entendu dire que SAP était cher, inclus aussi des alternatives. » Trente secondes plus tard, l’IA fournit une analyse comparative détaillée. M. Kim enchaîne avec des questions de suivi : « Lequel a le meilleur support en coréen ? », « Montre-moi des cas d’usage réels dans l’industrie manufacturière », « Y a-t-il des coûts cachés ? » Cette conversation se termine en dix minutes, et à la fin, M. Kim a déjà en tête son « candidat numéro un ».

Le point essentiel ici est que ces dix minutes de conversation ne sont enregistrées nulle part dans le CRM de l’entreprise. Quand M. Kim finit par visiter le site d’un fournisseur pour demander une démo, la source de trafic est enregistrée comme « Accès direct » ou « Autre ». L’équipe marketing n’a absolument aucun moyen de savoir d’où vient ce lead, comment l’IA a décrit son entreprise, ni comment elle l’a comparée à ses concurrents. L’étude de G2 selon laquelle 69 % des acheteurs B2B choisissent un fournisseur différent de celui initialement prévu sur recommandation de l’IA signifie que ces dix minutes invisibles peuvent décider du sort d’un contrat de plusieurs centaines de millions de wons.

L’étude de Forrester sur le parcours acheteur, qui montre que 89 % des acheteurs B2B utilisent déjà la GenAI à un moment de leur processus d’achat, indique que ce scénario est en train de devenir la norme plutôt que l’exception. Et si la prévision de Gartner se confirme — 90 % des achats B2B traités via des agents IA d’ici 2028 — alors le fait même que M. Kim tape ses propres requêtes pourrait n’être qu’une forme transitoire. À terme, on pourrait voir émerger une ère où l’agent d’achat IA d’une entreprise négocie automatiquement avec l’agent commercial IA d’un fournisseur — auquel cas la cible du marketing ne serait plus « les personnes », mais « l’IA ».

Un scénario B2C : le parcours d’achat compressé du consommateur

Le basculement en B2C obéit à la même logique de fond, mais se manifeste différemment. Prenons l’exemple de Mme Lee, une salariée d’une trentaine d’années.

Autrefois, pour acheter un purificateur d’air, Mme Lee passait plusieurs jours à chercher sur Naver Shopping, à lire cinq ou six avis de blog, à regarder une vidéo comparative sur YouTube, à comparer les prix sur Danawa, et à croiser le nombre d’avis et les notes sur Coupang et Naver. À chaque point de contact de ce parcours, une marque pouvait influencer son choix par le SEO, le marketing d’influence, la gestion des avis et la compétitivité tarifaire.

La version 2026 de Mme Lee demande à l’IA : « J’ai un appartement de 66 m² et un animal de compagnie. Recommande-moi un purificateur d’air à moins de 300 000 wons. Je préfère un modèle silencieux. » L’IA lui recommande instantanément trois ou quatre produits, en résumant pour chacun les avantages, les inconvénients et de vrais avis d’utilisateurs. Mme Lee ajoute : « Lequel a le coût de remplacement de filtre le plus bas ? » — puis achète directement via le lien de recommandation. Ce qui prenait autrefois plusieurs jours de recherche s’est compressé en cinq minutes.

Une étude Pew Research montre qu’un adulte américain sur cinq (20 %) ayant déjà vu des résumés générés par l’IA les juge « très utiles », et que 62 % des moins de 30 ans déclarent y être souvent exposés — un signe que ce parcours d’achat compressé se généralise déjà. Les données de Bain montrent que 80 % des consommateurs terminent désormais plus de 40 % de leurs recherches directement sur l’écran de résultats, sans un seul clic — ce qui signifie que l’IA n’est plus un outil d’appoint, mais un canal de décision à part entière.

Un point particulièrement à noter en B2C est « l’invisibilité des marques que l’IA ne choisit pas ». Tout comme l’assistant d’achat IA d’Amazon comprime des dizaines de résultats de recherche en une poignée de recommandations, l’IA ne propose généralement que trois à cinq recommandations pour une question donnée. Les dizaines de marques restantes se retrouvent totalement en dehors du champ de conscience du consommateur. L’étude de G2 montrant qu’un acheteur sur trois (33 %) a acheté « une marque qu’il ne connaissait pas auparavant » sur recommandation de l’IA signifie aussi que les recommandations de l’IA peuvent totalement bouleverser les hiérarchies de notoriété de marque existantes. C’est à la fois une menace et une opportunité pour les petites marques : ne pas être choisi par l’IA, c’est disparaître ; être choisi par l’IA, c’est pouvoir jouer dans la même cour que les grandes entreprises.

Un modèle d’évolution : de l’entonnoir traditionnel au Messy Middle, puis à l’AI Compressed Middle

L’évolution du parcours client peut se résumer en trois étapes.

Étape 1 : l’entonnoir traditionnel (AIDA, jusqu’à ~2015)

Un modèle linéaire : attention → intérêt → désir → action. Le marketeur pouvait intervenir à chaque étape, et les indicateurs étaient clairs (impressions → taux de clic → conversion). Sa limite : le comportement réel du client n’est pas réellement linéaire.

Étape 2 : le Messy Middle (Google, 2020-2024)

Une boucle répétée d’exploration et d’évaluation existe entre la prise de conscience et l’achat. Le client visitait directement plusieurs sites pour rassembler de l’information, et le marketeur pouvait intervenir dans cette boucle via le SEO, le contenu et le retargeting. La mesure était complexe, mais restait possible (attribution multi-touch).

Étape 3 : l’AI Compressed Middle (2025-aujourd’hui)

La boucle exploration-évaluation est déléguée à l’IA et se compresse entre 30 secondes et 10 minutes. L’IA prend en charge d’un seul coup la comparaison, l’évaluation et la recommandation, et l’entreprise ne peut pas observer ce processus (= l’entonnoir noir de l’IA). Le client atteint le point de contact de l’entreprise « déjà décidé », et le fait d’être cité par l’IA devient une condition préalable à l’entrée même dans l’entonnoir.

L’implication essentielle de cette évolution est que la fenêtre où les marketeurs peuvent exercer une influence ne cesse de se rétrécir. À l’étape 1, ils pouvaient contrôler l’entonnoir dans son ensemble. À l’étape 2, ils pouvaient contrôler le Messy Middle. À l’étape 3, il ne reste essentiellement que deux points où un marketeur peut encore exercer une influence. Le premier consiste à « optimiser en amont le contenu que l’IA apprend et cite » — c’est-à-dire le GEO (optimisation pour les moteurs génératifs). Le second est « l’expérience du site qui convertit les clients arrivant via l’IA ». La stratégie GEO traitée dans les parties QUOI et COMMENT de cette série de livres blancs est précisément la méthodologie pour maximiser ce premier point d’influence.

Le paradoxe de la mesure auquel les entreprises sont confrontées

Le défi le plus fondamental que l’entonnoir noir de l’IA pose au marketing est, paradoxalement, que « l’activité la plus importante est aussi la plus difficile à mesurer ». La force du marketing digital a toujours résidé dans sa mesurabilité : chaque clic, chaque page vue, chaque conversion pouvait être suivi. Mais dans l’entonnoir noir de l’IA, au moment précis où le client se forge l’impression la plus déterminante de votre marque, aucun de vos outils d’analyse ne fonctionne.

Le cas d’Ahrefs illustre nettement ce paradoxe. Les visiteurs venus via l’IA ne représentaient que 0,5 % du trafic total, mais ces visiteurs généraient à eux seuls 12,1 % de toutes les nouvelles inscriptions. La raison pour laquelle le taux de conversion est 23 fois supérieur est simple : ces visiteurs ont déjà traversé l’entonnoir noir de l’IA. Comparaison terminée, évaluation terminée — ils arrivent sur le site déjà convaincus qu’« Ahrefs est l’outil qui leur convient ». Un marketeur qui ne regarde que GA4 pourrait conclure : « le trafic IA ne représente que 0,5 %, on peut l’ignorer ». Mais en réalité, ces mêmes 0,5 % généraient 12 % des nouvelles inscriptions.

Ce paradoxe de la mesure devient encore plus sérieux si l’on croise l’étude de Forrester montrant que « 89 % des acheteurs B2B ont adopté la GenAI » et celle de G2 révélant que « 51 % commencent leurs recherches sur un chatbot IA ». Même si le trafic classé « en provenance de l’IA » dans votre tableau de bord GA4 représente moins de 1 %, le nombre de clients réellement influencés par l’IA pourrait être bien plus élevé. En effet, un client qui découvre d’abord votre marque via l’IA, puis recherche ensuite directement le nom de votre marque sur Google, est enregistré comme « recherche de marque » (branded search) ou comme « accès direct ».

Si l’on tient compte de l’analyse de 1,96 million de sessions LLM réalisée par Previsible, qui montre que les sessions issues de ChatGPT ont été multipliées par 4,29 en un an seulement, cette influence invisible croît de façon exponentielle. L’avertissement de McKinsey selon lequel les marques mal préparées à la recherche par IA pourraient voir leur trafic de recherche traditionnel chuter de 20 à 50 % est une estimation qui intègre non seulement la perte de trafic visible, mais aussi les opportunités perdues dans cette zone invisible. Le travail concret de quantification de cette influence invisible — séparer les référencements IA dans GA4, concevoir des enquêtes « Comment avez-vous entendu parler de nous ? » (HDYHAU), etc. — est traité séparément dans le guide de mesure GEO.

À retenir

L’entonnoir noir de l’IA est en train de réécrire en profondeur les règles du marketing. Le moment le plus déterminant de la décision d’achat d’un client s’est déplacé hors du champ de vision de l’entreprise, et la façon dont votre marque est représentée à l’intérieur de cette boîte noire — où l’IA gère à votre place la comparaison, l’évaluation et la recommandation — détermine désormais directement votre chiffre d’affaires réel. Répondre à cette nouvelle réalité exige une stratégie qui conçoit méthodiquement l’IA pour qu’elle reconnaisse et cite votre marque comme une « source fiable » — c’est-à-dire le GEO. Le prochain chapitre, le framework GEO, explore en profondeur ce qu’est exactement le GEO et ce qu’il faut pour qu’une marque soit choisie par l’IA.

Si vous êtes curieux de savoir comment votre marque apparaît actuellement dans les réponses de l’IA, contactez-nous pour un diagnostic de part de voix dans les réponses IA. Vous pouvez également demander le PDF intégral du livre blanc GEO.

Questions fréquentes

Qu’est-ce que l’entonnoir noir de l’IA ?

C’est le territoire décisionnel qu’une entreprise ne peut ni observer ni influencer, qui se forme pendant que l’IA gère à la place du client la recherche d’information, la comparaison, l’évaluation et la présélection. Ce processus ne laisse ni page vue ni session dans des outils d’analyse comme GA4.

En quoi cela diffère-t-il de « l’entonnoir noir » du marketing B2B traditionnel ?

Là où l’entonnoir noir traditionnel désignait des points de contact impossibles à suivre — recommandations entre pairs, communautés, podcasts —, l’entonnoir noir de l’IA se distingue par le fait que les étapes centrales mêmes de la décision d’achat — comparaison, vérification de réputation, présélection — se déroulent désormais à l’intérieur d’une conversation avec l’IA. Son périmètre d’influence est bien plus large et bien plus déterminant.

Comment évaluer l’impact de l’entonnoir noir de l’IA ?

Un suivi direct est impossible, mais on peut l’estimer via des signaux indirects : l’évolution du volume de recherche de marque en direct et du trafic direct, le taux de conversion du trafic de référencement IA, ou encore les réponses à des enquêtes « Comment avez-vous entendu parler de nous ? » en sont les principaux. Un dispositif de mesure concret est présenté dans le guide de mesure GEO.

Cela s’applique-t-il aussi aux marques B2C ?

Oui. À mesure que davantage de consommateurs délèguent à l’IA les recommandations d’achat, la comparaison de produits et la synthèse d’avis, la même dynamique se met en place en B2C. Une marque qui ne figure pas parmi les trois ou quatre recommandations proposées par l’IA se retrouve totalement en dehors de la conscience du consommateur.

À l’ère de l’entonnoir noir de l’IA, où une entreprise peut-elle encore intervenir ?

À deux endroits. D’abord, le GEO — optimiser en amont le contenu et la réputation que l’IA apprend et cite. Ensuite, l’expérience sur site qui permet de ne pas perdre les visiteurs arrivant « déjà décidés » via l’IA.

Série Livre blanc GEO : ← Chapitre précédent · Table des matières complète · Chapitre suivant →