Benu Aggarwal dévoile les trois leviers des marques dans l’IA

Benu Aggarwal propose un modèle en trois couches pour aider les marques à être trouvées, comprises, recommandées puis utilisées par l’IA. La fondatrice et présidente de Milestone Inc. détaille cette approche dans un article publié le 26 août 2026 par MarTech. Le parcours ne se limite plus au classement d’une page. Il suit désormais l’intention, la recherche, la récupération, la synthèse, la recommandation et l’action. Aggarwal oppose ce cheminement à la recherche traditionnelle, qui va de la requête au classement, puis au clic, au site et à la décision. Cette différence déplace la mesure de la visibilité vers l’ensemble du parcours.

Cloudflare mesure une progression importante de l’activité automatisée. En juin 2026, les robots représentaient 57,5 % des requêtes HTML observées sur son réseau. Ils ont ainsi dépassé les humains pour la première fois selon l’article. Les moteurs de recherche, les systèmes d’entraînement et les agents d’IA visitent les sites avec des objectifs différents. Google AI Mode utilise aussi le « query fan-out », qui décompose une question en recherches portant sur les comparaisons, les avis, les lieux, les caractéristiques et les alternatives. Une demande peut donc décrire une situation précise. L’exemple cité concerne un hôtel avec bureau, salle de sport et commerces accessibles à pied.

Les marques structurent leur éligibilité avec les robots.txt et les plans XML

La première couche concerne l’éligibilité. L’IA doit pouvoir accéder aux contenus, les explorer, les restituer et les inclure dans son index. Aggarwal cite les fichiers robots.txt, les plans de site XML, les données structurées, l’architecture des entités et la lisibilité machine. L’objectif consiste à construire une couche de données et d’entités décrivant clairement la marque, ses produits, ses services, ses lieux et leurs relations. Le schéma constitue la base de cette organisation. Les données peuvent ensuite évoluer vers des cartes d’entités connectées, des graphes de connaissances et des graphes de mémoire contextuelle. Le résultat attendu de cette couche est d’être éligible.

La deuxième couche porte sur la recommandation. Une présence accessible ne garantit pas qu’un moteur choisira une marque. Les systèmes combinent le contenu du site avec les avis, les éditeurs, les communautés, les bases de données et d’autres sources. Six signaux influencent les citations : extraction facilitée, clarté des entités, récence, exhaustivité, corroboration et apport informationnel. Ces signaux se retrouvent dans le taux de citation, le taux de mention, la proéminence, la part de voix, le taux de recommandation, la victoire concurrentielle et l’exactitude de représentation. L’écart entre mentions et citations indique qu’une IA connaît une marque sans considérer son contenu comme une référence solide.

Les agents préparent l’action transactionnelle avec MCP et WebMCP

La troisième couche concerne l’action d’un agent. La progression décrite va du contenu lisible par machine au contenu compréhensible, puis exécutable par machine. L’article cite MCP, WebMCP, la communication agent à agent, ACP, UCP, AP2, x402, l’authentification et les paiements délégués parmi les standards et protocoles émergents. Benu Aggarwal recommande de ne pas optimiser pour un protocole unique. Elle place plutôt les données structurées, les entités, le contenu, les interfaces de programmation, l’authentification, les interfaces d’agents et les capacités transactionnelles au centre de l’architecture. La marque doit ainsi préparer une base capable d’accueillir plusieurs mécanismes d’action.

La mesure change avec ce modèle. Les classements indiquent la position d’une page, mais ne disent pas si un moteur a trouvé, compris, jugé fiable, recommandé ou utilisé une marque. L’écart de mesure porte donc sur la chaîne complète entre découverte et action. Les équipes peuvent suivre les citations, les mentions, la proéminence, la part de voix, les recommandations, les victoires concurrentielles et l’exactitude de représentation. Elles doivent aussi vérifier la cohérence des informations entre le site, les données structurées, les flux, les fiches et les autres sources fiables. Des prix ou faits contradictoires réduisent la confiance accordée à une source.

La cohérence soutient la recommandation grâce à six signaux

Les prochaines étapes reposent sur une architecture stable et lisible. Les informations doivent rester cohérentes lorsque leurs formats évoluent, depuis les données structurées jusqu’aux graphes d’entités. Le contenu doit répondre aux différentes questions cachées dans une seule demande, plutôt que viser uniquement quelques mots-clés. Les pages riches en informations et rapidement compréhensibles sont privilégiées par l’approche présentée. Les sites doivent également limiter les obstacles liés aux couches complexes de JavaScript et de HTML. Pour examiner les outils de référencement cités dans l’article, Semrush propose une plateforme présentée comme destinée aux grandes organisations. La recommandation reste fondée sur la qualité des informations et leur cohérence entre sources.