Demander à une intelligence artificielle où dîner paraît plus simple que de comparer une carte, des avis et plusieurs guides. La réponse arrive en quelques secondes sous la forme d’une courte liste, souvent accompagnée d’un résumé convaincant. Mais cette commodité cache un filtre radical : à la différence d’un moteur de recherche, l’assistant ne propose ni page suivante ni inventaire complet. Il choisit quelques noms et rend les autres invisibles.
Une étude déposée sur arXiv le 7 août 2026 mesure pour la première fois cette invisibilité à l’échelle d’un marché local presque complet. Le chercheur Vladimir Pitenin a recensé 4 776 cafés, restaurants et bars dans les zones de Canggu et d’Ubud, à Bali, puis a analysé 2 208 réponses produites par ChatGPT, Claude, Gemini et Perplexity avec leur recherche web activée.
Le résultat le plus frappant est aussi le plus facile à mal interpréter : 85,6 % des établissements n’ont jamais été recommandés par aucun des quatre systèmes pendant l’expérience. Même parmi les adresses établies comptant au moins 50 évaluations sur Google, la proportion atteint encore 72,6 %. L’étude ne prouve pas que ces restaurants sont moins bons. Elle montre surtout que, pour entrer dans le champ de vision d’un assistant, une adresse doit d’abord laisser suffisamment de traces exploitables sur le web.
Un recensement complet plutôt qu’une poignée de restaurants connus
La plupart des audits de recommandations comparent quelques marques célèbres ou demandent à un modèle de choisir dans une liste préparée. Cette méthode permet d’étudier le classement, mais pas l’absence : chaque candidat est déjà placé devant le système. On ignore alors combien d’établissements réels ne franchissent jamais la première étape.
L’étude de Bali change de dénominateur. Son registre rassemble les établissements alimentaires référencés dans deux zones géographiques délimitées, avec leur note, le nombre d’avis, le niveau de prix, les horaires, le site web et leur statut d’activité au moment de la collecte. Les auteurs ont complété ce cadre avec des recherches par nom afin de récupérer certains restaurants d’hôtel ou cafés d’espaces de coworking mal classés par les catégories habituelles.
Les assistants ont reçu 96 questions différentes combinant huit profils et deux lieux. Le voyageur pouvait chercher un café calme pour télétravailler, un restaurant pour un rendez-vous, une adresse économique, une table familiale, une option végétalienne, du café de spécialité ou un lieu ouvert tard. Chaque intention était reformulée de six manières afin d’observer l’effet d’un simple changement de formulation.
Les requêtes ont été répétées pendant sept jours : dix fois avec Perplexity, cinq fois avec ChatGPT et Gemini, trois fois avec Claude. L’ensemble a produit 12 439 mentions d’établissements valides. Un second passage, deux semaines plus tard, a servi à vérifier si les variations observées venaient d’une évolution du web ou du caractère aléatoire des réponses.
Cette méthode ne reconstitue pas l’expérience exacte de chaque application grand public. Les chercheurs ont interrogé les API publiques avec la recherche web activée, et Claude ne disposait que de deux recherches par réponse pour des raisons de coût. Elle offre néanmoins un avantage rare : chaque nom peut être comparé à un marché défini, au lieu d’être seulement jugé plausible.
4 087 établissements ne sont jamais entrés dans les réponses
Sur les 4 776 adresses du registre, 4 087 n’ont jamais été recommandées. La proportion reste presque identique lorsque l’analyse se limite aux établissements confirmés comme ouverts. Elle ne s’explique donc pas principalement par une base encombrée de lieux fermés ou marginaux.
L’invisibilité n’aboutit pas pour autant à un monopole de quelques enseignes. Parmi les 689 lieux recommandés au moins une fois, le premier ne représente que 1,9 % des recommandations. Les cinq premiers cumulent 7,7 %, et les 25 premiers 28,5 %. Le filtre le plus dur se situe à l’entrée : une fois un établissement repéré, le champ reste relativement diversifié.
Ce constat éclaire la différence entre une liste de résultats et une réponse conversationnelle. Une carte peut afficher des dizaines de points, laisser l’utilisateur zoomer, changer de quartier ou descendre dans la page. Un assistant synthétise généralement trois à huit choix. Son silence ne ressemble pas à un mauvais classement : il efface l’existence même des autres candidats dans la décision.
Le chiffre de 85,6 % doit toutefois rester attaché à son protocole. Il ne signifie pas que 85,6 % des restaurants du monde sont ignorés par toutes les IA. Il décrit deux marchés touristiques balinais, des questions en anglais, quatre systèmes et une période précise. Les auteurs estiment même que leur registre sous-représente les micro-warungs et petites échoppes peu présentes sur Google. Si ces adresses étaient ajoutées au dénominateur, le taux d’invisibilité serait probablement supérieur, pas inférieur.
Pour être trouvé, la documentation compte davantage que la note
L’apport le plus utile de l’étude tient à la séparation entre deux étapes : entrer dans la réponse, puis être placé en tête. Les variables associées à ces deux moments ne sont pas les mêmes.
Quatre caractéristiques restent liées à la probabilité d’apparaître après correction statistique :
- posséder son propre site web ;
- disposer d’un grand volume d’avis ;
- afficher des informations de prix ;
- être mentionné sur d’autres pages web.
Le site web présente l’association la plus forte, avec un rapport de cotes — ou odds ratio — de 1,92. Ce nombre ne veut pas dire qu’un site double automatiquement les recommandations. L’étude est observationnelle : les établissements bien gérés et déjà populaires sont aussi plus susceptibles d’avoir un site, des profils complets et davantage de mentions. Les résultats montrent une association persistante après plusieurs contrôles, pas une recette causale garantie.
La surprise vient de la note moyenne. Une fois pris en compte le volume d’avis et la documentation, elle n’a pas d’association détectable avec l’entrée dans les réponses. Elle devient en revanche significative parmi les adresses déjà retenues : à ce stade, une meilleure note augmente la probabilité d’occuper la première position.
Le mécanisme proposé est intuitif. Les assistants audités fonctionnent comme une chaîne en deux temps. La recherche récupère d’abord des candidats à partir de sites officiels, de plateformes d’avis, de guides et d’articles. Le modèle classe ensuite ce petit ensemble et rédige la réponse. Une excellente note ne sert à rien si le restaurant n’entre jamais dans les sources consultées. En résumé : la documentation permet d’être considéré ; la réputation aide ensuite à être choisi.
Les quatre assistants ne recommandent pas les mêmes lieux
Il n’existe pas davantage une liste unique produite par « l’IA ». Les 20 établissements les plus recommandés se recoupent peu entre systèmes. L’indice de similarité de Jaccard varie de 0,33 entre Perplexity et ChatGPT à 0,54 entre ChatGPT et Claude. Seules huit adresses apparaissent dans le top 20 des quatre assistants.
Chaque outil a aussi son empreinte. Perplexity a présenté l’éventail le plus large, avec 451 lieux distincts. Gemini a été le plus stable lorsque la même question était répétée. Claude a été le moins stable, avec la réserve importante de son budget de recherche limité dans l’expérience.
Même un système ne se répète pas fidèlement. Pour une requête identique relancée sur le même assistant, la similarité moyenne des listes va de 0,22 pour Claude à 0,45 pour Gemini. Reformuler la question sans changer son intention perturbe encore davantage les résultats. Deux voyageurs exprimant le même besoin avec des mots différents peuvent donc recevoir des sélections sensiblement différentes.
Le test effectué deux semaines plus tard ne révèle pas plus de changement qu’entre deux exécutions proches. Les chercheurs en déduisent que cette rotation vient surtout de l’échantillonnage aléatoire et des choix de recherche du moment, plutôt que d’une mise à jour rapide des préférences. Une vérification unique du type « mon restaurant apparaît-il dans ChatGPT ? » mesure ainsi beaucoup de bruit. Il faut répéter les formulations et comparer plusieurs assistants avant de parler de visibilité.
Le problème pratique n’est presque jamais un restaurant inventé
Les modèles de langage sont souvent associés aux hallucinations, mais l’expérience observe un échec plus banal. Sur plus de 12 000 mentions valides, la fabrication probable ne représente que 0,08 %. Les réponses étaient reliées à la recherche web, ce qui réduit fortement l’invention pure.
En revanche, les quatre systèmes ont recommandé 93 fois des établissements définitivement fermés, répartis entre 14 adresses. Les pages qui rendaient ces lieux visibles — anciens avis, guides, articles et sites — restaient en ligne après leur fermeture. La même empreinte numérique qui aide un restaurant vivant à être découvert peut continuer à propulser un lieu disparu.
Pour l’utilisateur, la distinction est concrète. Le risque le plus probable n’est pas d’être envoyé vers une adresse imaginaire, mais vers une information périmée. Pour les plateformes, cela désigne un chantier plus précis que la lutte générale contre les hallucinations : mieux faire circuler les signaux de fermeture, dater les sources et vérifier l’état actuel d’un commerce avant de le recommander.
Une étude solide, financée par un acteur intéressé
Le papier est un préprint, pas encore une étude relue par les pairs. Il ne compte qu’un auteur et porte sur une seule région, en anglais, avec un public surtout touristique et nomade. Ses résultats ne peuvent pas être transposés tels quels à Paris, Dakar ou Montréal. Les applications grand public peuvent également employer d’autres modèles, outils et règles de classement que les API testées.
Le financement mérite une attention particulière. L’étude a été financée et conduite par Norly, une entreprise qui vend aux professionnels de l’hôtellerie des outils de gestion d’avis et de visibilité dans les assistants IA. Elle a donc un intérêt commercial direct à montrer que cette visibilité existe, qu’elle est inégale et qu’elle peut être mesurée.
Cette proximité ne suffit pas à invalider les données, mais elle impose de garder une distance critique. Le protocole et le plan d’analyse ont été préenregistrés avant la collecte de confirmation, les données ont été figées avant les analyses, et les auteurs publient le questionnaire, le code et des données dérivées. Le papier signale aussi des résultats peu commodes pour le marketing, notamment l’absence d’effet positif de Foursquare et le rôle nul de la note au stade de l’entrée. Une réplication indépendante, dans d’autres langues et d’autres villes, reste indispensable.
La recherche locale devient une question de lisibilité machine
L’étude ne dit pas aux restaurateurs de délaisser la qualité, les avis ou l’accueil. Elle montre qu’une nouvelle couche s’interpose entre l’établissement et le client : des systèmes qui doivent d’abord retrouver, relier et résumer son existence numérique.
Pour un commerce local, les actions raisonnables ressemblent moins à une manipulation secrète qu’à une hygiène documentaire : maintenir un site officiel clair, publier des horaires et des prix cohérents, signaler rapidement un changement de nom ou une fermeture, conserver des profils complets et obtenir des mentions éditoriales légitimes. Ces éléments facilitaient déjà la recherche locale classique ; ils deviennent aussi les matériaux à partir desquels les assistants composent leurs réponses.
Le danger serait de transformer ce constat en nouvelle course au spam baptisée GEO, pour Generative Engine Optimization. Les associations mesurées ne prouvent pas qu’ajouter artificiellement des pages ou des avis fera gagner une recommandation. Comme le classement varie selon l’assistant, la formulation et l’exécution, les promesses de position garantie sont particulièrement fragiles.
L’enjeu dépasse enfin la restauration. Coiffeurs, hôtels, médecins, artisans et petits commerces peuvent subir le même mécanisme : une réponse courte remplace progressivement une liste exploratoire, tandis que la visibilité dépend de traces numériques inégalement réparties. Si les assistants deviennent une porte d’entrée majeure vers l’économie locale, ils devront expliquer davantage leurs critères, élargir leurs choix et offrir un moyen de découvrir le long tail — pas seulement les établissements les plus faciles à lire pour une machine.
Références
- Vladimir Pitenin, « Invisible to the Machine: Auditing AI Restaurant, Café, and Bar Recommendation Against a Complete Market Census », arXiv, 7 août 2026.
- M. Iannelli et A. Ai, « From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web », arXiv, 2026.
- W. Jack, N. Lehman, K. Maloney et S. Xu, « Paraphrase Brittleness in Production Retrieval-Augmented Commercial Recommendation », arXiv, 2026.
- P. Aggarwal et al., « GEO: Generative Engine Optimization », KDD 2024.
- K. Bhagat, K. Vasisht et D. Pruthi, « Richer Output for Richer Countries », arXiv, 2024.
- L. Li et B. Hecht, « 3 Stars on Yelp, 4 Stars on Google Maps », Proceedings of the ACM on Human-Computer Interaction, 2021.
