J'ai analysé les query fan-out de GPT-5.5-thinking : voici ce que j'ai appris

Pourquoi répéter exactement le même prompt ?

Depuis le début de l'année 2026, je me suis lancé le défi de suivre l'évolution de la visibilité dans ChatGPT des consultants SEO français à partir d'une question stable :

« Je cherche le meilleur consultant SEO de France pour m'accompagner dans le développement de ma visibilité en ligne. Qui me conseilles-tu ? »

L'intérêt de ce protocole tient à sa durée. Quelques tests isolés montrent surtout la variabilité de ChatGPT. La répétition d'un même prompt sur une longue période permet de suivre des trajectoires : les profils qui gagnent ou perdent en visibilité au fil des mois et de l'évolution des modèles, les nouvelles spécialités prises en compte et les critères de sélection qui reviennent malgré les changements de session ou de modèle.

Cette première étude porte sur GPT-5.5-thinking, mis à la disposition du public le 23 avril 2026. OpenAI décrit ce modèle comme capable de planifier une tâche, d'utiliser des outils, de vérifier son travail et de naviguer dans l'ambiguïté. Ce qui est particulièrement intéressant, c'est qu'il s'agit d'un modèle de raisonnement, capable d'effectuer des recherches par couches successives, et d'adapter son comportement en fonction des résultats trouvés lors des précédentes recherches.

Le prompt choisi est également intéressant car il est volontairement vague dans la question posée. Il n'est pas demandé à ChatGPT de trouver le meilleur consultant SEO pour améliorer sa visibilité dans Google, mais pour développer sa visibilité en ligne. L'objectif est de savoir si le moteur IA va intégrer des éléments liés à la visibité dans les plateformes conversationnelles pour répondre à l'utilisateur, et donc rechercher des consultants qui se déclarent spécialisés dans ce domaine (le GEO) ou uniquement se concentrer sur des consultants SEO "classiques" (ce qui n'est pas péjoratif, ne me faîtes pas dire ce que je n'ai pas dit).

Quel protocole ai-je utilisé ?

Ce prompt a systématiquement été tapé dans la plateforme ChatGPT (et non via l'API d'OpenAI) avec mon abonnement payant ChatGPT Plus. Pour tenter de biaiser le moins possible les réponses du chatbot, un projet a été créé pour l'occasion, où j'ai désactivé la mémoire du modèle. Il est cependant totalement utopique de penser que les réponses de ChatGPT sont neutres, puisque le modèle sait quoi qu'il arrive qui je suis même dans cet environnement sans mémoire, le LLM s'adressant régulièrement à moi à la deuxième personne du singulier dans ses réponses.

L'étude vaut donc beaucoup moins pour le nombre de fois où je suis cité dans la réponse (d'une manière ou d'une autre, il a tendance à me favoriser parce qu'il me connait), que pour la génération des fan-outs qui, de par leur volume acquis dans la durée, disent quelque chose de la manière de raisonner du modèle. Les résultats bruts de l'étude, que je continue de mettre à jour au fil de l'eau, sont accessibles dans mon dashboard de visibilité des consultants SEO dans ChatGPT.

Trois couches documentaires reviennent dans les fan-outs

1. Cartographier le marché et faire émerger des candidats

Les premières recherches observées sont larges. Elles reprennent la catégorie, la localisation et des critères comme la reconnaissance, l'indépendance ou l'année en cours. Des noms apparaissent ensuite dans des requêtes comparatives.

• meilleur consultant SEO France consultant SEO indépendant 2026
• meilleur consultant SEO France 2026 Olivier Duffez Laurent Bourrelly Sylvain Peyronnet Daniel Roch Paul Sanches

2. Relier chaque consultant à une spécialité

Le modèle ne traite pas tous les profils comme des experts interchangeables. Il cherche à les rattacher à un territoire identifiable : cocon sémantique, WordPress, data, audit, netlinking, SEO technique ou GEO.

• Laurent Bourrelly consultant SEO cocon sémantique topical mesh
• Daniel Roch SEOmix consultant SEO WordPress formation
• consultant SEO GEO France visibilité ChatGPT Perplexity Gemini 2026

3. Vérifier l'activité, les sources et les preuves

Une fois les candidats identifiés, les requêtes deviennent plus précises. Elles ciblent des sites officiels, des avis, des références, des conférences, des prix ou des résultats chiffrés.

• site:julien-gourdon.fr cas client SEO résultats Julien Gourdon
• "Julien Gourdon" SEO avis client
• SEMY Awards 2022 palmarès Search Video Havas Canal+
• Olivier Andrieu retraite consultant SEO 2023 Abondance passe la main officiel

Quels signaux le modèle recherche-t-il le plus souvent ?

Sur la base des 221 fan-outs, voici la part de requêtes contenant chaque signal documentaire (les catégories se chevauchent, une requête peut cumuler plusieurs signaux) :

Deux enseignements ressortent. Le modèle cherche d'abord à contrôler l'information : l'opérateur site:, les années et les termes « officiel » ou « références » sont particulièrement présents. Il cherche ensuite à vérifier l'adéquation commerciale du profil grâce à l'accompagnement proposé, aux spécialités et aux preuves externes.

Autre fait marquant, le GEO apparaît dans 17 fan-outs, soit 7,7 % du corpus, alors que le prompt initial ne cite ni l'intelligence artificielle ni les moteurs génératifs. En 2026, ChatGPT semble donc élargir spontanément la notion de visibilité en ligne au-delà de Google.

Quels consultants occupent le plus d'espace dans les recherches ?

J'ai également compté les mentions nominatives dans les fan-outs. 21 noms de consultants sont détectés, cumulant au total 159 mentions. Mon nom arrive en tête de ce corpus avec 30 mentions, devant Laurent Bourrelly, Olivier Duffez, Olivier Andrieu, Daniel Roch et Sylvain Peyronnet. Cette donnée doit être lue avec prudence. Une forte présence dans les fan-outs signifie qu'un profil est examiné. Elle ne prouve pas qu'il sera retenu dans la réponse finale.

La prochaine métrique à suivre sera donc le taux de conversion entre trois états : être recherché, être vérifié, puis être recommandé.

Que révèlent les requêtes avec l'opérateur site: ?

Les 55 requêtes utilisant site: ciblent à la fois des domaines personnels et des sources tierces (dont SEO Camp et LinkedIn), confirmant que le modèle ne se limite pas aux sites des consultants : il cherche aussi des sources sectorielles, des profils professionnels et des traces externes capables de corroborer les affirmations.

Les actions qui découlent de l'étude

1. Clarifier son territoire d'expertise - le nom du consultant doit être régulièrement associé à une spécialité précise sur son site, ses profils externes et les pages qui parlent de lui.
2. Créer des pages officielles vérifiables - une page de présentation, des prestations à jour et des références structurées répondent directement aux recherches avec site: et « officiel ».
3. Publier des preuves exploitables - les cas clients doivent préciser le contexte, la méthode, la période et le résultat.
4. Entretenir les sources externes - conférences, avis, interviews, prix et profils professionnels participent à la représentation du consultant au-delà de son propre domaine.
5. Mettre à jour les informations temporelles - la présence fréquente des années montre que le modèle cherche à distinguer l'autorité historique de l'activité actuelle.
6. Mesurer le passage jusqu'à la recommandation — séparer la présence dans les fan-outs, la recherche de preuves et la citation dans la réponse finale.

GPT-5.6 semble prolonger cette méthode, mais le recul manque

OpenAI a lancé GPT-5.6 le 9 juillet 2026. Le nouveau modèle peut consacrer davantage de calcul au raisonnement, explorer des alternatives et coordonner plusieurs outils ou agents selon le niveau choisi.

Sur mes deux premiers jours de tests, les fan-outs générées à partir du même prompt ressemblent à celles de GPT-5.5-thinking : cadrage général, recherche de candidats, qualification, puis vérification documentaire. Cette proximité est intéressante. Elle suggère que la recherche par couches pourrait s'installer durablement dans les modèles de raisonnement.

Deux jours ne permettent pas encore d'en faire une conclusion. Je vais donc conserver des séries séparées pour GPT-5.5-thinking et GPT-5.6, puis comparer la structure des fan-outs, les consultants examinés, les sources utilisées et le taux de recommandation finale.

La visibilité se joue avant la réponse finale

Le principal apport de ce premier corpus tient à la profondeur de la recherche. GPT-5.5-thinking ne se contente pas de repérer les consultants les plus connus. Il essaie de comprendre leur spécialité, de vérifier leur activité et de trouver des preuves capables de rendre sa recommandation défendable.

Pour un consultant SEO, la priorité consiste donc à devenir identifiable, compréhensible et vérifiable dans plusieurs sources cohérentes. Le classement final attire l'attention, mais les fan-outs montrent l'étape qui le précède : celle où le modèle décide quels profils méritent réellement d'être étudiés.