Au programme de cette édition Réacteur de septembre 2026 :

On remercie chaleureusement nos 5 auteurs pour leur réactivité et surtout la qualité des articles publiés !

En bonus : comme d'habitude, cette nouvelle édition accueille également notre veille de septembre 2026 et une présentation des outils qui ont retenu notre attention ces dernières semaine !

👉 Accéder à l’édition complète 🔒

Et, si ce n’est pas encore le cas, abonnez-vous !


Comment déployer un agent de données dans Data Studio ? [Partie 2]

Par Chloé Nieuwjaer, Consultante SEO/GEO & Data Senior

À découvrir dans cette seconde partie :

  • Les conditions requises avant même de commencer : pourquoi un compte Gmail personnel ne fonctionnera jamais, et comment profiter du tier gratuit de Google Cloud Platform.
  • La structure à trois niveaux de BigQuery (projet, ensemble de données, table), expliquée avec une analogie simple pour s'y retrouver rapidement.
  • Le tutoriel complet, étape par étape et captures à l'appui, pour importer ses données puis créer et publier son premier agent.
  • Les trois couches de rôles IAM à gérer, et le diagnostic express pour identifier lequel manque selon le symptôme observé (agent muet vs "Aucun agent" dans l'interface).
  • Une démonstration concrète des limites de l'agent, avec un raisonnement complet montré en direct sur une question piège autour de la métropole lilloise.

💜 Ce qu'on a aimé :
Un tutoriel qui ne se contente pas de lister des étapes, mais anticipe précisément où ça va coincer : les trois couches de permissions IAM, souvent la vraie source de blocage, sont détaillées avec leur symptôme respectif pour un diagnostic rapide. La démonstration sur la métropole lilloise est particulièrement parlante : elle montre, raisonnement de l'agent à l'appui, pourquoi une question a priori simple peut donner un résultat faux dès lors que l'information nécessaire n'existe pas dans les sources de connaissances fournies. Une manière concrète de comprendre les limites réelles de l'outil avant de le déployer en production.

Lire l’article : Comment déployer un agent de données dans Data Studio ? [Partie 2]


Longue traîne et IA : pourquoi l'équation économique du SEO vient de s'inverser

Par Antoine Blaise, CEO Oscar ai

À découvrir dans cet article :

  • Pourquoi la longue traîne, depuis sa formalisation par Chris Anderson en 2004, a toujours été un problème de seuil de rentabilité par contenu, et non un problème de volume de recherche.
  • Le mécanisme du query fan-out, qui déplace l'unité de compétition SEO : on ne concourt plus pour une position sur une requête, mais pour être cité sur un passage précis d'un sujet.
  • Une relecture critique et nuancée de l'étude de référence de Rand Fishkin sur la structure de la demande, avec trois angles morts qui changent la conclusion qu'on peut en tirer.
  • Le vrai changement apporté par l'IA : elle fait chuter le coût de production, mais ne remplace jamais la matière première, cette expertise et ces données propriétaires que le contenu doit avoir à dire.
  • Le recalcul complet de l'équation économique, avec un coût par lead qui passe de 350€ à 17€, et ce que ça ouvre concrètement pour les TPE et PME jusqu'ici exclues de la stratégie par leur modèle économique.

💜 Ce qu'on a aimé :
Un article qui prend le temps de revenir aux sources théoriques du sujet avant d'aborder l'actualité du SEO, ce qui donne une certaine assise à la démonstration. Antoine Blaise ne cherche pas à écarter l'étude de Fishkin d'un revers de main mais en détaille les angles morts avec rigueur, notamment la question de l'unité d'analyse (mot-clé vs intention). La transparence sur la méthode et les chiffres, y compris les limites assumées ("le temps n'a pas changé, seul le coût a changé"), rend le propos crédible. Une bonne synthèse pour quiconque doit justifier ou réévaluer une stratégie de contenu longue traîne en 2026.

Lire l’article : Longue traîne et IA : pourquoi l'équation économique du SEO vient de s'inverser


AI Overviews en santé : ce que l’analyse de 758 000 citations révèle de la nouvelle mécanique de visibilité

Par Antoine Kalawski, Directeur Marketing & Communication Vitamine K

À découvrir dans cet article :

  • Pourquoi la corrélation entre autorité de domaine et volume de citations tombe à 0,27, illustrée par un cas frappant : une pharmacie de quartier marseillaise citée quatre fois plus que le NHS britannique.
  • Le taux de réutilisation des pages, une métrique simple mais peu exploitée, qui révèle deux régimes radicalement différents : les institutions comme Ameli que le moteur revient citer sans cesse, et les plateformes sociales où chaque contenu n'est presque jamais réutilisé.
  • La répartition réelle du volume de citations par type d'acteur, avec un cas qui devrait alerter tout professionnel du secteur : Doctolib, leader du marché, dépassé onze fois par un concurrent plus petit mais bien plus prolifique en contenu.
  • Deux enseignements transposables à d'autres secteurs, sur la retenue des industries régulées et sur une traîne de citations bien plus épaisse qu'en référencement classique.
  • Un plan de mise en œuvre concret en 90 jours, ainsi que trois pièges coûteux à éviter dès maintenant.

💜 Ce qu'on a aimé :
Une analyse qui s'appuie sur un corpus de données réel et conséquent plutôt que sur des intuitions, avec une méthodologie transparente et des réserves statistiques clairement posées. Antoine Kalawski ne se contente pas de décrire le phénomène : il en tire des enseignements transposables au-delà du secteur santé (canonicité vs couverture exhaustive, netlinking vs partenariat d'autorité) et propose une feuille de route actionnable, jour par jour. La conclusion, qui pointe une tension entre opportunité pour les annonceurs et recul de la neutralité de l'information, a le mérite de ne pas éluder les implications les plus inconfortables du sujet.

Lire l’article : AI Overviews en santé : ce que l’analyse de 758 000 citations révèle de la nouvelle mécanique de visibilité


SEO sur Naver : comprendre le marché coréen et les fondamentaux algorithmiques [Partie 1]

Par Killian Le Moal, Lead GEO & SEO Strategist chez Peak Ace

À découvrir dans cette première partie :

  • Pourquoi les chiffres de parts de marché coréens varient du simple au double selon la source interrogée, et ce que cette divergence méthodologique révèle sur qui utilise vraiment Naver et pour quoi.
  • La bascule mentale la plus importante pour un SEO habitué à Google : Naver n'est pas un moteur de recherche, c'est un portail qui intègre commerce, communautés, paiement et messagerie dans un seul écosystème.
  • Les quatre algorithmes propres à Naver (C-Rank, P-Rank, DIA, Anti-Trust Rank), et pourquoi l'autorité s'y attache au créateur plutôt qu'au domaine, à l'inverse total de la logique Google.
  • Les divergences techniques concrètes à connaître avant de lancer un chantier SEO coréen : JavaScript peu supporté, hreflang absent, exigences précises sur les balises title et description.
  • Pourquoi une stratégie de contenu traduite littéralement du français ou de l'anglais échoue systématiquement, et les outils spécifiques (DataLab, Naver Ads Keyword Tool) à maîtriser pour la recherche de mots-clés locale.

💜 Ce qu'on a aimé :
Un article qui démonte méthodiquement les réflexes acquis sur Google plutôt que de les appliquer par automatisme à un marché qui fonctionne selon une toute autre logique. Killian Le Moal étaye chaque affirmation de données précises et sourcées, avec des cas concrets particulièrement parlants comme ce point structurel sur Google Maps partiellement bloqué en Corée pour des raisons de sécurité nationale. La mise en perspective des deux sources de mesure de parts de marché (StatCounter vs InternetTrend) est un exercice de rigueur méthodologique qu'on voit rarement dans ce type de contenu. Un cadrage solide qui donne toutes les clés de lecture avant d'aborder, dans la partie 2, l'exécution concrète sur l'écosystème Naver.

Lire l’article : SEO sur Naver : comprendre le marché coréen et les fondamentaux algorithmiques [Partie 1]


Du SEO au GEO, comment les AI Overviews rebattent les cartes pour les e-commerçants

Par Mathieu Chapon, Fondateur et Directeur Data & Innovation Peak Ace

À découvrir dans cet article :

  • Pourquoi les AI Overviews ne remettent pas en cause le classement Google, mais ajoutent une couche qui peut capter la valeur d'une page sans jamais générer de clic, chiffres à l'appui (jusqu'à -47% de CTR quand une synthèse s'affiche).
  • Pourquoi les requêtes transactionnelles restent relativement épargnées, alors que les guides d'achat, comparatifs et contenus d'aide au choix, cœur de l'expertise éditoriale des e-commerçants, sont eux directement dans la ligne de mire.
  • Le changement de logique fondamental entre un moteur de recherche qui classe des pages et un LLM qui construit une réponse unique à partir de sources jugées crédibles.
  • Les nouveaux signaux sur lesquels repose le GEO : données structurées, cohérence des informations entre canaux, preuves sociales et autorité de marque.
  • Quatre chantiers concrets à engager dès maintenant, illustrés par des cas réels comme Carrefour et sa boutique ouverte dans ChatGPT, ou Fnac, Boulanger et Truffaut, enseignes candidates naturelles à devenir des sources citées par les IA.

💜 Ce qu'on a aimé :
Un article qui évite l'écueil du discours alarmiste sur "la mort du SEO" pour proposer une lecture nuancée et actionnable : les fondamentaux restent valables, mais la fonction même du contenu éditorial change de nature. Mathieu Chapon illustre son propos avec des cas concrets et récents (les attributs conversationnels de Merchant Center, l'ouverture de Carrefour dans ChatGPT), ce qui ancre la réflexion dans le réel plutôt que dans la théorie. La grille de lecture en quatre priorités est directement opérationnelle pour toute équipe e-commerce qui se demande par où commencer.

Lire l’article : Du SEO au GEO, comment les AI Overviews rebattent les cartes pour les e-commerçants


Comme tous les mois, cette nouvelle édition de Reacteur s’accompagne d’une rubrique dédiée aux derniers outils à tester et les articles qui ont retenus notre attention sur le web !