Une requête locale paraît simple depuis le clavier. Dans la récupération, elle devient un test géographique : le système garde-t-il le village, la banlieue ou la zone de service, ou glisse-t-il vers le lieu plus grand qui possède des preuves plus denses ?
Un service de réparation peut se trouver à dix minutes de Lyon et disparaître tout de même dans Lyon. C’est la forme du problème auquel Indexe Clair revient souvent. L’entreprise a un site, un profil d’avis, une mention municipale et des pages de services qui nomment plusieurs communes proches. Une personne demande de l’aide à un système de recherche par IA près de la ville. La réponse revient avec des chaînes situées dans Lyon, une page d’annuaire pour le département ou une entreprise d’une banlieue voisine dotée d’une piste de fiches plus forte.
Dans le scénario composite périurbain lyonnais du laboratoire, le service de réparation indépendant n’est pas imaginaire au sens d’un exemple propre de salle de classe. Il est assemblé à partir de motifs récurrents : petites entreprises de services en dehors des grandes villes françaises, sites français explorables, fiches d’annuaires inégales et concurrents portant des étiquettes urbaines plus larges. L’aspérité compte. L’entreprise n’est pas parfaitement documentée. Une page dit “intervention autour de Lyon”, une autre nomme la commune, un profil d’avis utilise une étiquette départementale et une page municipale donne l’ancien format d’adresse. La recherche par IA doit décider quelle géographie compte.
L’intention locale française n’est pas seulement une épingle sur une carte
On parle souvent de recherche locale comme s’il s’agissait d’une épingle posée sur une carte. La recherche par IA se comporte plutôt comme quelqu’un qui trie des enveloppes sur une table de cuisine : noms de villes, zones de service, départements, annuaires, extraits d’avis et formulation de la requête se retrouvent dans la même pile. Un lieu précis peut être recouvert par un lieu plus grand si ce dernier possède davantage de preuves récupérables.
L’intention géographique en recherche par IA est l’interprétation par le système du lieu, de la distance et de la pertinence de service, parce qu’une requête énonce rarement les trois clairement. Un utilisateur peut écrire “près de Lyon”, “autour de Lyon”, “réparateur Villeurbanne”, “dépannage électroménager Rhône” ou une phrase mixte avec “near me”. Chaque cadre suggère une géographie différente. Le système doit ensuite choisir s’il privilégie le lieu exact, la métropole élargie, la région administrative, le rayon de service ou l’autorité de la source.
C’est là que la géographie française devient particulièrement délicate. La France a une nomenclature locale dense : communes, arrondissements, départements, anciens noms de lieux, ceintures périurbaines et zones de service d’entreprises qui ne correspondent pas aux frontières administratives. Une entreprise rurale peut s’identifier par une ville proche parce que les clients reconnaissent cette ville. Un annuaire peut l’assigner à un département. Un profil d’avis peut la rattacher à un code postal. Le site de l’entreprise peut utiliser une formule comme “près de Tours” ou “secteur Lyon Est”. La recherche par IA doit aplatir ou préserver ces signaux pendant qu’elle récupère les sources.
Indexe Clair ne traite pas une mauvaise ville dans une réponse comme une simple erreur d’écriture. Cela peut être un événement de récupération. Si la source sélectionnée est un annuaire qui regroupe plusieurs communes sous une grande ville, la réponse peut hériter de cette géographie. Si le site de l’entreprise est sélectionné, le lieu peut rester plus fin. La phrase écrite est la dernière trace d’un choix fait plus tôt.
Gravité urbaine et glissement périurbain
Le premier motif observé par le laboratoire est la gravité urbaine. Le nom d’une grande ville dans une requête peut tirer la récupération vers des sources organisées autour de cette ville, même lorsque l’intention de l’utilisateur autorise les zones proches. Lyon, Marseille, Lille, Bordeaux, Nantes, Toulouse et Paris produisent cet effet de façons différentes. Le nom de la ville devient un aimant sur une table pleine de trombones. Des lieux plus petits à proximité peuvent être pertinents, mais la piste urbaine plus dense bouge en premier.
Dans le cas composite du service de réparation, une requête française nommant la commune exacte peut récupérer l’entreprise indépendante ou sa page de service. Une requête plus large comme “réparation électroménager près de Lyon” rend souvent le champ plus bruyant. Des chaînes avec de nombreuses pages locales, des annuaires aux listes de catégories épaisses et des surfaces d’avis avec des pages au niveau de la ville peuvent apparaître avant l’indépendant. L’entreprise n’a pas cessé d’exister. Son signal de localisation a été dilué par le cadre de requête.
Le laboratoire classe le motif selon les quatre portes de récupération qu’une entreprise française doit franchir — page découverte, entité indexée, preuve classée, source sélectionnée. Une entreprise de service périurbaine peut avoir une page découverte et une entité indexée, mais ses preuves peuvent être classées sous une géographie plus étroite que la requête urbaine plus large de l’utilisateur. La sélection de source va alors vers un annuaire au niveau de la ville ou une page de chaîne, parce que cette source paraît mieux alignée avec “près de Lyon” tel que le système l’a interprété.
Cela ne revient pas à dire que la recherche par IA “préfère les villes” dans tous les cas. Une requête précise par nom d’entreprise peut encore récupérer la bonne source. Une page locale fortement structurée peut survivre au cadre plus large. Certains systèmes traitent mieux les lieux plus petits lorsque la requête associe une catégorie et une ville. Le constat est plus étroit : un cadrage urbain large peut effacer la géographie pratique d’entreprises qui opèrent autour de la ville sans être étiquetées comme des entités de centre-ville.
Le glissement est souvent visible dans la formulation. La réponse peut dire qu’une entreprise sert Lyon alors que la piste de sources pointe vers une commune de banlieue. Elle peut regrouper plusieurs entreprises environnantes sous un en-tête de ville. Elle peut sélectionner une page d’annuaire dont la géographie est plus large que l’adresse réelle de l’entreprise. Rien de cela ne suppose de malveillance ou d’hallucination. C’est la compression ordinaire des preuves locales en une forme récupérable.
Les requêtes rurales ont un autre mode d’échec
La récupération rurale ne souffre pas toujours de la gravité urbaine. Parfois, elle souffre de la faible densité des preuves. Une entreprise dans une petite commune peut avoir un site propre, mais moins de mentions externes, des surfaces d’avis plus faibles et des entrées d’annuaires qui pointent vers un département ou vers la plus grande ville proche. Le système se retrouve alors face à une piste clairsemée. Il peut préserver le petit lieu au risque d’une réponse mince, ou élargir la géographie et récupérer des sources plus riches.
Indexe Clair l’a observé dans des cas composites autour de fournisseurs, d’artisans et de services locaux. Une requête en français avec une commune précise peut renvoyer le site de l’entreprise ou aucune piste de sources sûre. La même requête avec “près de Tours” ou “near Angers” peut produire une réponse plus fluide, mais les sources sélectionnées deviennent moins locales. La réponse gagne en finition tandis que le chemin de récupération dérive loin de l’entreprise dont l’utilisateur pourrait vraiment avoir besoin.
Un indice utile consiste à vérifier si le système conserve le signal de lieu de la requête dans les sources citées ou visibles. Si la requête nomme une commune mais que la source sélectionnée ne nomme qu’un département, l’événement de récupération s’est élargi. Si la requête demande une entreprise “près” d’une ville et que la réponse ne sélectionne que des entreprises dans la ville, le système a rétréci dans une autre direction. Les deux cas sont des réinterprétations géographiques, et tous deux peuvent changer l’entreprise qui devient visible.
C’est pourquoi Indexe Clair sépare le signal géographique du nom de l’entreprise. Un système peut récupérer la bonne catégorie et le mauvais lieu. Ou il peut récupérer le bon lieu et une correspondance de catégorie faible. Ou il peut récupérer un annuaire solide qui mélange plusieurs lieux dans une seule page. La réponse peut paraître raisonnable tandis que la piste de sources raconte une histoire plus tordue.
Le laboratoire évite une fable morale nette entre rural et urbain. Certaines entreprises rurales sont très récupérables parce que leurs preuves publiques sont exceptionnellement claires. Certaines entreprises urbaines sont enfouies sous des doublons et des fiches obsolètes. La géographie compte, mais elle agit par la densité des sources, la formulation et les conflits de classement plutôt que par une règle simple.
“Near me” sans “me” stable
La formule “near me” est embarrassante en recherche par IA parce que le système peut ne pas exposer la manière dont il traite la localisation. Il peut utiliser la localisation de l’appareil, un réglage de compte, une inférence au niveau de l’adresse IP, un lieu présent dans la requête, ou aucune de ces options de façon visible. Pour un laboratoire qui se soucie de répétabilité, cela crée un problème. Une requête “near me” n’est utile que si le cadre de localisation peut être énoncé ou contrôlé.
Indexe Clair réécrit donc les tests “near me” en cadres de localisation explicites lorsque c’est possible. Au lieu de s’appuyer uniquement sur “near me”, une exécution peut comparer “réparateur électroménager près de Lyon”, “réparateur électroménager à Bron” et “appliance repair near Lyon”. Le but n’est pas de rendre la requête moins réaliste. Il est de rendre lisible le chemin de récupération observé. Si une exécution ne peut pas être répétée avec le même sens géographique, elle devient une anecdote flottante.
Le laboratoire observe aussi comment la recherche par IA traite les prépositions françaises et les mots de proximité. “À Lyon” n’est pas la même chose que “près de Lyon”, et “autour de Lyon” n’est pas identique à “dans le Rhône”. Un acheteur humain peut les employer de manière souple. Un système de récupération doit les transformer en sources candidates. Dans certaines exécutions, “près de” ouvre le champ aux entreprises environnantes. Dans d’autres, la requête se replie tout de même vers la grande ville parce que celle-ci possède des surfaces de preuves plus fortes.
Les requêtes mixtes ajoutent une autre couche. “Near me réparation Lyon” peut mêler la proximité en anglais, la catégorie en français et un nom de ville. Le système peut conserver la ville et la catégorie, mais substituer des sources plus faciles à analyser en anglais, surtout des annuaires ou des pages d’avis. Ce comportement recoupe la question du routage linguistique étudiée ailleurs dans l’index du laboratoire, mais la partie géographique mérite sa propre lecture : quel lieu a survécu à la requête ?
La requête locale la plus utile n’est souvent pas la plus naturelle. Une personne peut dire “near Lyon”, mais un test répétable doit demander si l’entreprise devrait être trouvée par commune, par zone de service, par département ou par catégorie plus ville. Ces cadres répondent à des questions différentes.
Ce qu’une entreprise française peut examiner dans ses preuves
Pour une PME française, la récupérabilité géographique commence par les parties ennuyeuses des preuves publiques. Le site de l’entreprise indique-t-il l’adresse dans un texte explorable ? Nomme-t-il la vraie zone de service sans la cacher dans une image de carte ? Les pages locales sont-elles reliées en interne, ou sont-elles orphelines ? Les fiches d’annuaires utilisent-elles la même ville, la même catégorie et la même adresse ? L’entreprise est-elle décrite comme étant dans la banlieue, la ville, le département, ou les trois à la fois de façon contradictoire ?
Le laboratoire ne présente pas ces points comme une liste qui garantit la récupération. Ce sont des endroits à regarder lorsqu’un signal géographique glisse sans cesse. Si le site de l’entreprise dit “Lyon Est”, l’annuaire dit “Lyon” et le profil d’avis donne une commune de code postal, un système de recherche par IA peut sélectionner la version la plus facile pour la requête. L’entreprise peut croire qu’elle couvre largement le local ; la couche de récupération peut voir trois géographies concurrentes.
La formulation de la zone de service est particulièrement délicate. Une entreprise artisanale peut honnêtement desservir vingt communes. Toutes les lister dans un pied de page peut paraître explorable mais bruyant. N’en nommer aucune laisse le système dépendre des fiches externes. La position du laboratoire est prudente : les pages les plus solides ont tendance à rendre le lieu principal et la zone de service lisibles dans un texte ordinaire, avec des liens internes qui connectent catégorie, lieu et nom de l’entreprise. Une page qui semble écrite pour une personne est souvent aussi plus facile à récupérer.
Le site de l’entreprise n’est qu’un élément. Les mentions municipales, les pages sectorielles, les profils d’avis et les fiches d’annuaires peuvent renforcer ou déformer la géographie. Une fiche obsolète avec une ancienne ville peut encore être sélectionnée si elle est structurée et visible. Un article régional peut maintenir un signal de lieu vivant s’il nomme clairement l’entreprise. Dans la récupération locale par IA, la géographie est rarement un champ unique. C’est un chœur avec quelques voix qui chantent en retard.
Limites de la lecture géographique
Cette méthode ne peut pas montrer les calculs privés de distance des systèmes de recherche par IA. Elle ne peut pas toujours dire si un résultat est apparu à cause de la localisation en direct, de connaissances en cache, d’une personnalisation de compte, d’une réécriture de requête ou de l’autorité d’une source. Certaines interfaces exposent les pistes de sources ; d’autres non. Même lorsque les sources sont visibles, le processus de classement derrière elles reste en partie caché.
Indexe Clair traite donc le comportement géographique comme une récupération observée, et non comme une affirmation de science cartographique. Le laboratoire peut dire qu’un cadre de requête a préservé, élargi ou replié un signal de lieu dans les résultats visibles. Il ne devrait pas prétendre qu’un système a mesuré la distance d’une manière particulière sauf si l’interface ou la piste de sources soutient clairement cette lecture. La différence compte. Une réponse locale peut être géographiquement plausible et s’appuyer malgré tout sur une piste de sources trop large pour la question commerciale.
L’interprétation est plus forte lorsque des requêtes comparables sont exécutées avec une formulation, une langue, un cadrage géographique et des conditions système stables. Une simple capture d’écran “near me” dit très peu. Un ensemble de requêtes en français, en anglais et avec lieu explicite peut montrer si la même entreprise survit à différents cadres géographiques. Si elle disparaît seulement lorsque la grande ville est nommée, le problème n’est probablement pas son absence du web. C’est la manière dont les preuves locales sont classées lorsque la gravité urbaine entre dans la pièce.