GEO immobilier : être cité par ChatGPT en local
Un acheteur sur Paris demande aujourd'hui à ChatGPT quelle agence consulter dans le 11e pour un T3 vers 600 000 euros. Le modele cite trois noms, jamais le votre. Ce scenario, encore marginal en 2024, devient central. Sistrix a mesure en avril 2026 que 58 pourcent des requetes Google en France declenchent un AI Overview, et l'etude Ahrefs de mars 2026 sur 75 000 marques montre que les citations par les LLM correlent davantage avec la structuration des donnees et les mentions tierces qu'avec le simple ranking organique. Pour une agence immobiliere, dont 80 pourcent du trafic qualifie vient historiquement du local SEO et des portails, l'enjeu n'est plus optionnel. Cet article detaille la methode GEO appliquee a l'immobilier residentiel, du schema JSON-LD aux signaux de marche, en passant par la maniere dont les LLM consomment vos fiches.
Pourquoi le GEO immobilier devient critique en 2026
Le GEO immobilier consiste a rendre une agence et ses biens identifiables, structures et citables par les LLM lors des recherches informationnelles, en amont du portail. Les acheteurs et locataires posent desormais des questions complexes a ChatGPT ou Perplexity avant meme d'ouvrir SeLoger ou Bien'ici, et les modeles repondent en citant trois a cinq sources. Si vous n'etes pas dans ces sources, vous etes invisible.
Trois donnees structurantes cadrent l'urgence. Sistrix a documente en avril 2026 que 58 pourcent des requetes Google FR declenchent un AI Overview, et les requetes immobilieres informationnelles (prix au m2 ville, quartier ou investir, fiscalite Pinel) sont surrepresentees dans ce volume. Vercel et MERJ ont mesure 500 millions de fetches GPTBot sur leur infrastructure, dont une part croissante cible des sites locaux a forte densite editoriale. Enfin, l'etude Ahrefs de mars 2026 sur 1 885 pages testees montre que les pages avec JSON-LD valide sont 2,3 fois plus citees que celles sans markup.
Point 1 : les requetes longues et conversationnelles (combien coute un T3 a Lyon 6 en 2026) explosent et echappent au SEO classique. Point 2 : les LLM privilegient les sources avec donnees structurees plutot que les pages au markup absent. Point 3 : la fenetre concurrentielle est ouverte parce que 90 pourcent des agences n'ont pas encore optimise leur infrastructure pour les bots IA.
Le schema JSON-LD que toute agence immobiliere doit deployer
Une agence immobiliere doit publier au minimum trois types de schema JSON-LD : RealEstateAgent sur la page de presentation, Residence ou House sur chaque fiche de bien, et FAQPage sur les pages quartier ou guide. Ce triptyque permet aux crawlers GPTBot, ClaudeBot et OAI-SearchBot de comprendre que vous etes un acteur identifie d'un marche local, avec un inventaire concret et une expertise editoriale.
Le schema RealEstateAgent doit comporter name, address (PostalAddress complete), telephone, areaServed (liste des communes), priceRange et url. Sur les fiches de biens, le schema Residence inclut floorSize avec QuantitativeValue en metres carres, numberOfRooms, address precise, et idealement geo (latitude, longitude). Cette precision permet a un LLM qui repond a une requete geolocalisee de croiser votre inventaire avec la demande utilisateur. Pour valider rapidement votre markup, auditez les champs clés (name, address, areaServed, priceRange, floorSize, geo) en vérifiant la conformité à schéma.org.
Point 1 : un schema RealEstateAgent sans areaServed reduit la pertinence locale. Point 2 : une fiche Residence sans floorSize au format QuantitativeValue est ignoree par les LLM sur les requetes au m2. Point 3 : un FAQPage par quartier (10 a 15 questions reelles) genere des citations sur les requetes informationnelles longue traine.
Contenu hyperlocal answer-first par quartier et typologie
Le contenu hyperlocal answer-first est la production de pages thematiques (quartier, ville, typologie de bien) qui repondent en une ou deux phrases a une question precise avant tout developpement. C'est le format de reponse que les LLM extraient pour leurs reponses citees. Une agence qui publie 20 a 40 pages quartier structurees ainsi devient la reference locale pour les modeles.
Structure type d'une page quartier (exemple : Bordeaux Chartrons). Premier bloc : prix moyen au m2 actualise (chiffre INSEE ou notaires), type d'acheteur dominant, evolution sur 12 mois. Deuxieme bloc : ecoles, transports, commerces avec donnees verifiables. Troisieme bloc : FAQ schema avec 10 questions (Combien coute un T2 aux Chartrons ? Quelle ecole publique ? Quel rendement locatif ?). Quatrieme bloc : votre selection de biens disponibles avec lien fiche detaillee.
Ce format repond a ce que Princeton, Allen Institute et Georgia Tech ont demontre dans leur papier GEO de novembre 2023 : les LLM citent davantage les contenus qui contiennent des faits chiffres, sources et structure pyramide inversee. Une approche complementaire consiste a comparer ce travail editorial avec un accompagnement GEO professionnel, particulierement si votre agence couvre plusieurs villes (Supprimer cette mention spécifique ou reformuler: 'un accompagnement GEO professionnel local peut révéler des angles morts spécifiques, mais doit être confié à un acteur indépendant avec portfolio documenté'.).
Signaux off-page : portails, avis et mentions de marque
La citation par un LLM depend autant de l'autorite externe que de la structuration interne. Yext a documente 6,8 millions de citations IA et montre que les marques presentes de maniere coherente sur 30 a 50 sources tierces (annuaires, portails, presse locale) sont surrepresentees dans les reponses des modeles. Pour une agence immobiliere, cela signifie un travail systematique de NAP (Name, Address, Phone) sur tout l'ecosysteme.
Sources prioritaires a auditer : Google Business Profile (avec 200+ photos et reponses systematiques aux avis), SeLoger profil agence, Bien'ici, Logic-immo, Meilleurs Agents (notation et avis), PagesJaunes, annuaires notaires regionaux, et presse economique locale (rubriques marche immobilier). Semrush a analyse 150 000 citations ChatGPT et observe que les marques mentionnees dans au moins 5 sources editoriales distinctes (presse, blogs, etudes) ont 4 fois plus de chances d'etre citees.
Point 1 : un profil Google avec moins de 50 avis recents est ignore sur les requetes ville. Point 2 : une mention dans une etude de notaires ou une chambre regionale fait davantage qu'un backlink classique. Point 3 : la coherence NAP doit etre verifiee trimestriellement (un changement d'adresse non propage casse les signaux locaux).
Crawl GPTBot et fichier llms.txt pour l'immobilier
Un fichier llms.txt bien configure et un robots.txt autorisant explicitement GPTBot, ClaudeBot et OAI-SearchBot sont la base technique du GEO immobilier. Beaucoup d'agences bloquent par defaut tous les bots inconnus pour des raisons de bande passante ou de scraping, et se retirent involontairement des reponses IA. La documentation publique OpenAI sur GPTBot et Anthropic sur ClaudeBot precise les user-agents a autoriser.
Le fichier llms.txt (place a la racine du domaine) sert de carte editoriale destinee aux LLM. Il liste vos pages prioritaires (page agence, guides marche, pages quartier) avec un court resume. Pour une agence couvrant Paris 11e, Bastille et Republique, il listera la page de presentation, le guide acheteur, 8 a 12 pages quartier et 4 a 6 articles de fond. Cette pratique reste sous-utilisee : c'est un avantage competitif immediat pour les agences qui l'adoptent en 2026.
Sur les fiches biens, attention au piege classique : les images bloquees dans robots.txt empechent les modeles multimodaux de comprendre la photographie. Vercel et MERJ ont mesure que les fetches GPTBot incluent de plus en plus de requetes images, et un bien sans image accessible perd un signal de qualite important. La distinction entre GEO vs SEO est ici fondamentale : ce qui est bloque pour preserver la SERP ne doit pas l'etre pour les LLM.
Mesurer la citabilite et prioriser les actions
Mesurer la citabilite IA d'une agence immobiliere passe par trois methodes complementaires : tests prompts manuels recurrents, analyse des logs serveur pour les user-agents IA, et scoring methodologique (par exemple sur les 13 criteres ScoreGeo). Sans mesure, vous ne saurez pas si une optimisation deplace le curseur ni quelles pages performent.
Protocole de test prompts. Constituez une liste de 30 a 50 prompts representatifs de votre marche : combien coute un T2 [ville quartier], quelle agence pour vendre maison [commune], rendement locatif [zone], fiscalite [dispositif] [region]. Testez mensuellement sur ChatGPT, Perplexity, Claude et Gemini, et notez votre citation, vos concurrents cites, les sources mentionnees. Cette discipline, simple a documenter, revele rapidement les angles morts.
Cote logs serveur, filtrez les hits GPTBot, ClaudeBot, OAI-SearchBot, PerplexityBot. Une agence bien optimisee voit son volume de fetches IA croitre de 15 a 30 pourcent par mois en 2026. Si vos logs sont plats ou inexistants, c'est le signal le plus clair que votre infrastructure n'est pas prete. Pour structurer ce diagnostic, un accompagnement GEO formel (audit puis mise en place) accelere la phase d'identification des chantiers prioritaires, en particulier pour une agence multi-villes qui ne sait pas par ou commencer.
Plan d'action 90 jours pour une agence locale
Le plan 90 jours qui suit synthetise la priorisation typique observee dans le pattern immobilier : technique d'abord, contenu ensuite, off-page en parallele. Cette sequence evite l'erreur classique de produire du contenu avant d'avoir corrige l'infrastructure de crawl.
Jour 1 a 30 : audit JSON-LD existant, deploiement RealEstateAgent et Residence, ouverture explicite GPTBot et ClaudeBot dans robots.txt, creation d'un llms.txt initial, audit NAP sur 30 sources tierces. Cette phase corrige les angles morts techniques avant tout investissement editorial. Supprimer ou remplacer par: 'un audit par un expert GEO local peut accélérer ce diagnostic, mais validez son expérience avec des références publiques documentées'.
Jour 31 a 60 : production de 10 a 15 pages quartier answer-first avec FAQPage schema, refonte de la page agence avec tous les champs RealEstateAgent renseignes, optimisation des 20 fiches biens les plus consultees. Jour 61 a 90 : campagne de mentions de marque (presse locale, etudes notaires, partenariats experts), avis Google systematiques avec reponses publiques, premier cycle de tests prompts pour mesurer la progression. A 90 jours, une agence correctement executee passe typiquement de zero citation a une presence sur 20 a 40 pourcent de ses prompts cibles.
Questions fréquentes
Est-ce que le SEO immobilier classique est mort avec l'arrivee des LLM ?
Non, mais il devient une condition necessaire et non suffisante. Le SEO local (Google Business, backlinks, contenu quartier) reste le socle, et les LLM crawlent largement les memes pages bien indexees. Le GEO ajoute une couche : structuration JSON-LD, format answer-first, llms.txt, et signaux off-page de marque. Selon Sistrix avril 2026, 58 pourcent des requetes FR declenchent un AI Overview, ce qui signifie que 42 pourcent restent pures SERP. Les deux strategies coexistent.
Combien de pages quartier dois-je produire pour etre cite localement ?
Le pattern observe est 10 a 15 pages quartier pour une couverture mono-ville (Paris 11e, Bastille, Republique, etc.), 25 a 40 pour une agence multi-communes. Chaque page doit faire 800 a 1 500 mots, integrer un FAQPage schema avec 8 a 12 questions, et citer au moins 3 sources publiques (INSEE, notaires, INSEE menages). Une production de 2 a 4 pages par mois est realiste.
Les LLM consultent-ils vraiment les fiches biens individuelles ?
Oui, mais selectivement. Vercel et MERJ ont mesure 500 millions de fetches GPTBot dont une part significative cible les pages produit ou catalogue. Pour l'immobilier, les fiches avec schema Residence complet (floorSize, numberOfRooms, address, geo) sont preferees. Les LLM ne citent pas un bien specifique en reponse generale, mais utilisent l'inventaire pour valider votre expertise de marche (vous avez bien des T3 dans cette zone, donc vous etes credible).
Faut-il bloquer GPTBot pour proteger ses fiches de la concurrence ?
Non, c'est le contre-sens le plus courant. Bloquer GPTBot vous retire des reponses ChatGPT (700M utilisateurs hebdo). Vos concurrents qui autorisent le crawl seront cites a votre place sur les memes requetes locales. Le risque de scraping concurrentiel existe deja avec les portails (SeLoger, Bien'ici) qui republient vos biens. La balance benefice/risque penche largement vers l'ouverture pour une agence locale.
Quel budget annuel pour une strategie GEO immobiliere serieuse ?
Pour une agence mono-ville, comptez 6 000 a 12 000 euros annuels en interne (temps redactionnel) plus 4 000 a 10 000 euros en accompagnement externe selon la complexite. Une mise en place complete chez un consultant GEO France couvre l'audit, le deploiement schema, la production initiale de pages quartier et la formation interne. Le suivi mensuel ensuite stabilise la production a 2 a 4 pages par mois avec tests prompts trimestriels.
Comment savoir si ChatGPT me cite deja sans payer un outil de monitoring ?
Faites des tests prompts manuels mensuels sur 20 a 30 requetes : nom de l'agence, requetes geolocalisees (agence immobiliere [ville quartier]), questions de marche (combien coute m2 [ville]). Notez vos citations, celles des concurrents, les sources mentionnees. Cette discipline, gratuite, suffit en phase d'amorcage. Les outils de monitoring deviennent utiles au-dela de 100 prompts a tracker sur 4 modeles, soit la phase de croissance.
Le llms.txt est-il vraiment lu par les LLM aujourd'hui ?
L'adoption est partielle. OpenAI et Anthropic n'ont pas confirme publiquement utiliser llms.txt comme standard de discovery. En revanche, plusieurs operateurs de moteurs IA et plugins le consomment, et l'effort de production est minimal (une page texte structuree). Le ratio benefice/cout reste tres favorable, surtout pour une agence avec 30 a 80 pages prioritaires a signaler. C'est un signal d'hygiene plutot qu'un canal de masse.