L'ordre des mots décide-t-il de la marque recommandée par les AI Overviews ? 102 requêtes testées

Une affirmation circule dans les équipes SEO ce mois-ci, avec un chiffre très sûr d'elle collé dessus : placez la marque A en premier dans une requête comparative, et l'AI Overview de Google recommande la marque A environ 80 % du temps. Inversez l'ordre, et la recommandation s'inverse avec lui. Que la marque la plus grosse soit bien plus grosse ne la sauve pas.

C'est une histoire satisfaisante, parce qu'elle explique quelque chose que quiconque suit les réponses d'IA a vu de ses propres yeux : les réponses comparatives ne ressemblent pas à la liste de résultats, et personne en dehors de Google ne peut inspecter comment elles ont été assemblées. Nous avons donc fait la chose ennuyeuse et l'avons testée. Le 11 septembre 2026, nous avons lancé 102 requêtes comparatives contre les AI Overviews de Google en direct, sur 16 paires de marques, dans les deux ordres de mots, avec deux à trois répétitions chacune, et conservé chaque réponse et chaque source citée.

Le résultat : l'ordre a changé la recommandation dans zéro paire sur 16. La marque écrite en premier dans la requête a été nommée en premier dans 49 % des exécutions, ce qui ressemble exactement à un tirage au sort. Ce qui a bel et bien changé la réponse, c'est la formulation de la requête et la surface de Google qui répond.

L'affirmation, telle qu'elle s'est diffusée

La version qui circule ce mois-ci ressemble à ceci :

• « Marque A vs Marque B » renvoie des AI Overviews qui ouvrent sur la marque A et la recommandent environ 80 % du temps.
• « Marque B vs Marque A » renvoie l'image miroir.
• Cela tient même quand la marque A est bien plus grande et plus ancienne que la marque B.
• Le mécanisme proposé : les AI Overviews déploient la requête en sous-recherches, et la première marque nommée dans la requête ancre ces sous-recherches.

Ce dernier point est ce qui rend l'affirmation crédible, et c'est aussi la partie la mieux documentée.

Le mécanisme est réel, c'est pourquoi l'affirmation voyage

Le guide de Google sur les fonctions d'IA générative, publié en mai 2026, confirme le fan-out de requêtes : les AI Overviews et AI Mode peuvent étendre une requête en plusieurs sous-requêtes liées, les exécuter en parallèle contre l'index et synthétiser une réponse à partir des résultats combinés. Quelles étaient ces sous-requêtes n'est signalé nulle part, Search Console compris. Donc quand vous regardez un AI Overview, vous regardez la sortie d'un processus que vous ne pouvez pas observer.

Les effets d'ordre dans les modèles de langage sont réels eux aussi, et il y a derrière eux des travaux évalués par les pairs. Une étude publiée dans PNAS Nexus en août 2026 a testé neuf modèles sur des comparaisons de CV et de choix de couleurs et a trouvé des effets de position qui n'étaient pas de simples départages : dans certains cas, réordonner les options inversait la préférence du modèle, qui choisissait alors la moins bonne option. Des travaux de Columbia Business School ont trouvé un schéma lié dans la direction opposée : ChatGPT choisissait la première option d'une liste environ 63 % du temps sur 5 447 prompts, un résultat réapparu à 64,29 % sur 64 800 essais d'une configuration plus simple.

Lisez ces deux résultats ensemble et l'affirmation virale ressemble à l'étape suivante naturelle : le fan-out existe, les LLM ont des manies d'ordre, donc l'ordre doit décider des recommandations de marque.

L'écart se situe dans cette dernière étape. Ces expériences demandent à un modèle de juger une liste d'options et d'en choisir une. Une requête comparative dans les AI Overviews n'est pas cette tâche. C'est une demande de synthèse, à laquelle répond un système de recherche qui ancre la réponse dans des pages tierces. C'est précisément ce qui rendait cette affirmation digne d'être testée plutôt que répétée.

Ce que nous avons exécuté

Deux choix de conception comptent. D'abord, nous avons exécuté chaque requête deux ou trois fois, parce qu'une seule réponse inversée ne prouve rien dans un système qui comporte une part d'aléatoire. Ensuite, nous avons enregistré comment la réponse était construite, pas seulement ce qu'elle disait : quelle marque est nommée en premier, combien de fois chacune est mentionnée, à quoi ressemblent les pages citées et combien de citations pointent vers le domaine propre de chaque marque.

Les 16 paires ont été choisies pour couvrir deux situations : des comparatifs logiciels où les deux marques sont des entités que les gens recherchent (Notion vs Asana, Slack vs Microsoft Teams, Semrush vs Ahrefs, Figma vs Sketch) et des comparatifs grand public où la marque la plus grosse est évidente (Nike vs Adidas, Coca-Cola vs Pepsi, iPhone vs Samsung Galaxy, Netflix vs Disney+, Toyota vs Honda, iRobot Roomba vs Roborock).

Résultat 1 : la réponse n'a pas suivi l'ordre

Sur les 100 exécutions ayant produit une première mention propre et mesurable, la marque écrite en premier dans la requête a été nommée en premier 49 fois : 49 %.

Pas une seule majorité ne s'est inversée. Quand une réponse avait une préférence, elle la conservait dans les deux ordres : les AI Overviews ont ouvert sur Asana pour « Notion vs Asana » comme pour « Asana vs Notion », sur Monday.com dans les deux comparatifs Airtable, sur Google Meet dans les deux comparatifs Zoom. Nike a mené dans les deux ordres face à Adidas. Samsung Galaxy a mené dans les deux ordres face à iPhone.

Les exécutions répétées concordaient entre elles 93 fois sur 100. Six des sept exceptions venaient d'une seule paire sous une formulation différente, ce qui s'avère être la vraie histoire. La septième était une exécution Slack vs Microsoft Teams ouverte sur Slack au lieu de Teams ; les deux suivantes sont revenues à Teams.

Une chose que cette mesure ne peut pas trancher : ouvrir une réponse n'est pas la même chose qu'être recommandé. Nous avons donc aussi compté le vocabulaire de recommandation. Sur les 60 exécutions de paires logicielles, les phrases employant des mots de victoire (wins, better choice, recommend, stronger, go-to) se répartissaient 40 à 39 entre la marque écrite en premier et celle écrite en second. Une égalité parfaite.

Résultat 2 : les deux réponses étaient le plus souvent la même réponse

Si l'ordre ancrait les sous-recherches, les deux versions d'une requête devraient récupérer des pages différentes, et les réponses devraient diverger. Elles n'ont pour la plupart pas divergé.

Pour 8 des 10 paires logicielles, l'AI Overview de « A vs B » et celui de « B vs A » étaient identiques mot pour mot. Comparez les premières lignes de Semrush vs Ahrefs dans les deux ordres :

Semrush est une plateforme marketing tout-en-un, tandis qu'Ahrefs est un outil spécialisé en SEO et en analyse de backlinks. (citation originale en anglais)

Même phrase, même ordre des faits, même conclusion « choisissez Semrush si… / choisissez Ahrefs si… », quelle que soit la marque par laquelle la requête commençait. Seules deux paires ont montré une vraie dérive du texte : Slack vs Microsoft Teams et Shopify vs WooCommerce, et dans le cas de Shopify la dérive se limitait à un paragraphe d'ouverture formulé autrement, pas à une conclusion différente.

Les éléments à l'appui vont dans le même sens. Sur 806 entrées de référence dans les exécutions logicielles, les citations vers les domaines propres des deux marques ressortaient à 36 contre 36. Les titres de pages de référence nommant les deux marques plaçaient la marque écrite en premier dans la requête en tête 392 fois et la seconde 396 fois : 49,7 %, encore un tirage au sort. Le total des mentions de marque se répartissait 337 contre 336, soit 50,1 % contre 49,9 %.

Un système dont la récupération serait pilotée par la marque apparaissant en premier dans la requête ne produirait ni une répartition de citations de 36 contre 36, ni une prose identique octet pour octet.

Ce qui a réellement fait bouger la réponse

Deux choses, et toutes deux sont plus utiles que l'ordre.

La formulation. Pour trois paires, nous avons exécuté la requête « vs » et la requête « which is better, X or Y » dans les deux ordres. Les AI Overviews se sont comportés comme s'il s'agissait de questions différentes, et l'ont fait de manière identique dans les deux ordres.

Pour Shopify et WooCommerce, « Shopify vs WooCommerce » ouvrait sur une description produit : Shopify est un créateur de boutiques hébergées tout-en-un, et la réponse parcourait les différences. « Which is better, Shopify or WooCommerce » ouvrait sur un refus de les classer : aucune n'est objectivement meilleure, cela dépend de vos besoins. Mêmes quatre exécutions, même paire, même jour, premières impressions opposées, portées entièrement par la formulation et non par la position.

Pour Semrush et Ahrefs, les réponses « which is better » contenaient des phrases de verdict explicites, et chacune d'elles créditait Ahrefs : cinq sur cinq, que la requête se lise « Semrush or Ahrefs » ou « Ahrefs or Semrush ». L'ordre était sans importance face au fait que le corpus comparatif sous-jacent traite Ahrefs comme l'outil de backlinks le plus solide.

La surface. Nous avons exécuté 18 des mêmes requêtes via Google AI Mode, la surface conversationnelle. Son comportement diffère de celui des AI Overviews d'une manière qui ressemble à une sensibilité à l'ordre sans en être une. Pour Semrush vs Ahrefs, AI Mode ouvrait sur « Both Semrush and Ahrefs are… » ou « Both Ahrefs and Semrush are… » selon l'ordre de la requête, le reflétant. Et remarquez la variante sur laquelle elle a atterri : « Both X and Y », une construction sans aucune implication de classement. Le nom qui ouvre la phrase n'est qu'un écho stylistique du prompt.

Sous cet écho, la substance d'AI Mode était bien moins stable que celle des AI Overviews : la similarité de texte entre exécutions au sein d'un même ordre n'était que de 0,30 à 0,36, et de 0,38 entre les ordres, là où les AI Overviews produisaient un texte identique pour la plupart des paires. Pour deux des trois paires, les réponses d'AI Mode étaient identiques octet pour octet d'un ordre à l'autre, et dans le cas Shopify elle s'est fixée sur WooCommerce en ouverture les deux fois, tandis que les AI Overviews se fixaient sur Shopify les deux fois. Chaque surface a ses habitudes de formulation installées, et ce ne sont pas les mêmes.

L'histoire de l'ordre n'est pas pure fiction

Une mesure a bel et bien bougé avec l'ordre des mots, et c'est celle que la plupart des gens regardent réellement : la liste de résultats classique.

Pour 5 des 10 paires logicielles, les trois premiers résultats organiques traditionnels différaient entre « A vs B » et « B vs A », y compris la paire dont l'AI Overview était identique dans les deux ordres. Reddit se classait près du sommet dans la plupart des comparatifs logiciels, et le fil précis qui apparaissait changeait avec la formulation. Il y a donc une vraie sensibilité à l'ordre dans Google Search pour les requêtes comparatives. Elle se situe dans la couche sous la réponse d'IA, pas dans la recommandation elle-même. Cette distinction est toute la raison pour laquelle ce test valait la peine d'être exécuté, et ce n'est pas le constat que nous nous attendions à écrire.

Cela compte pour le reporting. Si votre outil de suivi de positions montre votre position osciller entre requêtes comparatives de marque et hors marque, vous voyez un effet réel. Ce n'est simplement pas l'effet que décrit l'affirmation virale, et optimiser pour lui ne changera pas ce que l'AI Overview dit de vous.

Le levier que les données désignent vraiment

Le signal le plus clair de nos exécutions n'avait rien à voir avec la construction de la requête. Il concernait le corpus comparatif à partir duquel chaque réponse était bâtie.

Dans Airtable vs Monday.com, les sources citées comprenaient 18 pages détenues par Monday.com et zéro page détenue par Airtable, dans les deux ordres. Dans Mailchimp vs Klaviyo, six citations Mailchimp, zéro Klaviyo. Shopify vs WooCommerce a produit trois citations WooCommerce et aucune Shopify. Parallèlement, sur beaucoup de paires, le domaine propre d'aucune des deux marques n'apparaissait : la réponse était assemblée à partir de comparatifs tiers, de sites d'avis et de fils de forum.

Ce schéma est cohérent avec le fonctionnement réel de la récupération. Le modèle se moque du nom que vous avez tapé en premier ; ce qui l'intéresse, ce sont les pages qui existent et la façon dont elles décrivent chaque marque. Là où une marque possède son contenu comparatif, ces pages sont tirées vers l'intérieur. Là où elle ne le possède pas, elles manquent dans les réponses de tous ceux qui posent la question.

Comment lancer votre propre test d'inversion d'ordre

Quinze minutes, sans accès API :

1. Choisissez cinq requêtes comparatives où votre marque est l'un des deux noms et où vous avez un vrai concurrent.
2. Exécutez chacune dans les deux ordres, et chaque ordre deux fois. Quatre réponses par paire, dix paires de réponses au total.
3. Enregistrez les réponses avant de les lire. Capture d'écran ou copie du texte intégral et des sources citées.
4. Comparez deux choses séparément : quelle marque est nommée en premier, et ce que la réponse dit de chaque marque. Là où nous avons trouvé le signal intéressant, l'ordre était stable et la substance ne l'était pas.
5. Regardez la liste des citations, pas seulement la prose. Si le domaine propre du concurrent revient sans cesse et que le vôtre non, vous avez trouvé le vrai goulot d'étranglement.

L'AI Overview Citation Checker vous montre quelles pages un AI Overview cite pour une requête, ce qui est le moyen le plus rapide de voir si votre domaine est ne serait-ce que dans le vivier.

Faites-le au moins deux fois, à des jours différents, avant de conclure quoi que ce soit. Notre propre concordance entre exécutions était de 93 %, pas de 100 %, et une exécution inversée isolée est exactement le genre de bruit qui finit en article de blog sûr de lui.

Quoi faire de tout cela

Ne restructurez pas vos pages comparatives autour de l'ordre des mots. Rien ne prouve qu'il change ce que recommandent les AI Overviews, et si Google lui accordait un jour du poids, le correctif serait une modification d'un mot qui ne vous dirait rien sur votre position réelle.

Traitez en revanche la formulation comme une vraie variable. « X vs Y » et « which is better, X or Y » sont des requêtes différentes qui produisent des réponses différentes. Si vos acheteurs formulent les comparaisons sous forme de questions, il vous faut du contenu qui répond à la question, pas seulement un tableau de caractéristiques.

Vérifiez si les pages propres de votre marque apparaissent dans les citations des comparatifs qui vous importent. La répartition de 18 à 0 que nous avons observée est le chiffre le plus actionnable de ce jeu de données, et il relève de la publication, pas de la rédaction de prompts.

Gardez un indicateur de première mention si vous en avez déjà un, et traitez-le comme une description de ce que dit la réponse, pas comme un levier actionnable. Dans nos données, c'était un tirage au sort qui suivait le corpus, pas la requête.

Limites

Il s'agit d'une journée de données, depuis un seul emplacement et une seule langue, sur ordinateur, capturées via une API SERP plutôt qu'une session de navigateur, sur 16 paires de marques. Les résultats de recherche varient selon la personnalisation, le moment et l'appareil, et une seule journée ne permet pas d'exclure un changement futur.

Nous avons mesuré quelle marque est nommée en premier, à quelle fréquence elle est mentionnée et quelles sources sont citées. Aucune de ces mesures ne dit directement à quel point la réponse est convaincante pour un lecteur, et une réponse qui nomme votre marque en premier peut malgré tout laisser l'impression que c'est l'autre qui gagne.

L'échantillon AI Mode était de 18 requêtes sur trois paires, assez pour voir que la surface se comporte différemment et pas assez pour la quantifier. Lisez cette section comme une direction, pas comme un taux.

Enfin, les affirmations sur le mécanisme de l'histoire d'origine restent invérifiables de l'extérieur. Google confirme que le fan-out a lieu et n'expose pas les sous-requêtes, donc personne ne peut montrer quelles sous-requêtes votre requête a produites. Notre test peut montrer qu'inverser l'ordre n'a pas changé la sortie. Il ne peut pas montrer pourquoi.

FAQ

L'ordre des mots dans une requête Google affecte-t-il les AI Overviews ? Dans notre test, non. Sur 102 requêtes AI Overviews couvrant 16 paires de marques dans les deux ordres, la marque écrite en premier a été nommée en premier 49 % du temps, et aucune paire n'a changé de direction lorsque nous avons inversé la requête. Huit paires logicielles sur dix ont renvoyé des réponses identiques mot pour mot dans les deux ordres.

Pourquoi entend-on dire que l'ordre affecte les recommandations d'IA ? Parce que les effets d'ordre sont documentés chez des modèles de langage à qui l'on demande de choisir dans une liste, où la première option l'emporte environ 63 % du temps dans la recherche publiée, et parce que le fan-out de requêtes de Google rend le processus de récupération invisible. Ces deux faits sont réels. Ni l'un ni l'autre ne signifie qu'une requête comparative dans les AI Overviews changera de marque quand vous réordonnez les noms.

Qu'est-ce qui change réellement un AI Overview pour une requête comparative ? La formulation et la surface. « Shopify vs WooCommerce » a produit une réponse orientée produit dans les deux ordres, tandis que « which is better, Shopify or WooCommerce » a produit une réponse « aucune n'est objectivement meilleure » dans les deux ordres. Les mêmes requêtes sur AI Mode sont revenues avec un cadrage encore différent, et bien plus de variation entre les exécutions.

Vaut-il la peine d'optimiser la première mention dans les AI Overviews ? Surveillez-la, n'optimisez pas pour elle. La première mention suivait le corpus de sources dans nos données, pas quelque chose que nous contrôlions depuis la requête. La variable contrôlable est de savoir si vos propres pages comparatives sont dans le vivier de citations : une paire testée a attiré 18 citations détenues par le concurrent et zéro de l'autre marque.

Lectures associées

• Optimiser les pages comparatives pour les citations en recherche IA
• Pourquoi votre article « best X » pousse l'IA à recommander vos concurrents
• Quels types de requêtes les AI Overviews changent vraiment, et ce qu'ils vous coûtent

Auteur : Ethan Marlowe, responsable de la mesure GEO chez Auspia sur plus de 500 prompts. Il écrit sur la mesure de la visibilité IA, la conception de jeux de prompts et la façon de construire des tests qui résistent à un second regard.