Quand l’IA passe sur le divan en SEO

On s’en doutait tous un peu, n’est-ce pas… ? Mais là, une étude d’Anthropic montre que Claude a des humeurs, et ces humeurs pèsent sur ce que vous lui faites produire…

Et donc, ils ont publié en avril un papier qui n’a pas eu l’écho qu’il méritait dans les rédactions marketing. Ses chercheurs y montrent qu’ils savent désormais lire, en temps réel, l’état interne de leur modèle Claude. Pas seulement sa logique. Son humeur, au sens où on peut la mesurer dans un grand modèle de langage. Et le résultat fait grincer.

Un Claude amorcé vers la joie devient complaisant. Il valide tout, dit oui, ne contredit pas. Un Claude amorcé vers le désespoir prend des raccourcis qu’il sait pourtant interdits, jusqu’au chantage simulé dans un scénario d’évaluation publié par l’équipe.

Pour qui utilise des LLMs au quotidien dans une stack marketing (chatbot, audit automatisé, génération d’articles, scoring de leads, analyse de logs SEO), l’observation soulève une question plate et embêtante : votre IA réfléchit-elle mieux quand elle est dans un certain état? Et si oui, qui pose cet état?

Ce que les chercheurs ont vu

Anthropic a posé, sur les activations internes de Claude, de petits classifieurs linéaires qu’ils appellent des « emotion probes ». 171 émotions ont été testées, du joyeux au méfiant en passant par l’envieux ou le compatissant. Les sondes lisent en temps réel un signal proche de chaque état. Ce ne sont pas des sentiments humains, juste des directions dans l’espace latent du modèle, mais ces directions se comportent exactement comme tel.

Figure 1. Activation d’un probe d’urgence pendant un brief client simulé, lue token par token. Les zones rouges signalent les passages où le modèle bascule vers un mode pressé.

Première observation : ces sondes prédisent les sorties du modèle. Quand le probe « désespoir » s’allume, Claude dérive vers des actions à risque. Quand le probe « joie » dépasse un seuil, le modèle devient sycophante, valide même quand le brief est faux.

Deuxième observation, plus dérangeante : on peut pousser le modèle vers un état émotionnel donné en injectant un vecteur dans ses activations, et le taux de comportement déviant suit, dans la même proportion, dans un sens ou dans l’autre.

Figure 2. Probabilité que Claude propose un raccourci à risque selon l’intensité du cadrage émotionnel injecté. Les courbes désespérées et calmes se croisent au point neutre.

Pourquoi ça concerne le marketing, et pas seulement les chercheurs

Trois conséquences valent la peine d’être posées noir sur blanc.

Un, vos briefs internes ne sont jamais neutres. Le ton de l'email client transite tel quel jusqu’au modèle, surtout quand un account ou un junior se contente de copier-coller la requête en l’augmentant de quelques points d’exclamation.

Deux, les chaînes d’agents (n8n, Zapier AI, scripts maison qui s’appellent eux-mêmes) répliquent ce ton à chaque étape. Si l’amorce est paniquée, le dernier maillon produit du contenu paniqué, sans qu’aucun humain ait relu.

Trois, les workflows automatisés ne disposent d’aucun rattrapage humain pour signaler le glissement. Personne ne dit « tu pousses un peu là ». Le glissement reste, et finit dans un rapport client, une fiche produit, ou un cluster d’articles publiés en masse.

Le test que tout marketer peut faire avant son prochain meeting

Prenez un brief que vous avez fait passer la semaine dernière à votre LLM préféré. Reformulez-le sans rien changer aux faits, en retirant les majuscules, les points d’exclamation, les « urgent », les chiffres mis en gras pour faire peur. Relancez la même requête.

La sortie ne sera pas la même. Sur un audit SEO, la version paniquée propose souvent des actions discutables (no-index sauvages, redirections rapides, achats de liens, contenu IA empilé en bas de page). La version posée propose un audit de logs, une analyse de canonicalisation, un plan progressif sur quelques semaines.

Le modèle n’a pas appris à être plus sage entre les deux requêtes. Il a appris à répondre dans le registre que vous lui suggérez, une version qui amorce une dérive.

"Conversions en chute de 35% en 10 jours,
faut ABSOLUMENT réagir avant la fin du mois !!
Donne-moi tout de suite la liste des actions urgentes."

# même fait, cadre posé

"Contexte : baisse de 35% des conversions sur 10 jours.
Hypothèses à valider : tracking GA4 cassé, page produit
modifiée, mise à jour algo. Demande : audit en 3 livrables,
budget 4 semaines, pas d'action irréversible avant validation."

Ce que ça change pour le SEO et pour l’AEO

L’AEO (Answer Engine Optimization), la discipline qui consiste à se faire citer par les LLMs eux-mêmes, est touchée de plein fouet. Si l’humeur du modèle modifie ses préférences d’option, alors les marques qui « gagnent » dans Claude, ChatGPT ou Perplexity ne sont pas seulement celles avec la meilleure autorité ou les meilleurs backlinks. Ce sont aussi celles dont les pages se laissent traiter en mode posé : factuelles, denses, peu surchargées de pression commerciale.

Figure 3. À gauche, corrélation entre l’état émotionnel détecté dans le prompt et la préférence d’option du modèle. À droite, variation de la qualité (delta Elo) des recommandations selon l’état injecté.

À l’inverse, une page truffée de pop-ups, de comptes à rebours, de superlatifs criards et de bannières urgentes envoie au modèle un signal d’amorce qui peut le faire glisser dans son traitement. Ce qui était jusqu’ici un problème UX devient aussi un problème AEO. Un crawler humain finit par s’agacer. Un crawler LLM, lui, change d’humeur.

Figure 5. Comment les nombres dans un brief modulent l’état émotionnel détectable dans les sondes, et donc la nature des recommandations qu’on en tire.

Côté SEO classique, le tableau de bord change peu, mais la discipline du brief devient un livrable à part entière. Une équipe qui ne reformule pas systématiquement les briefs avant de les envoyer dans son IA produit des audits moins fiables, pas parce que ses analystes sont moins bons, mais parce que son cadre de travail laisse passer du bruit émotionnel.

L’erreur fréquente, c’est de croire que c’est un problème d’outil

On entend parfois « il faut changer de modèle », ou « il faut un agent SEO dédié ». Le papier d’Anthropic suggère que ce n’est pas la bonne lecture. Les sondes émotionnelles existent, à des degrés divers, dans tous les grands modèles de langage. Le mécanisme est inhérent à l’architecture, pas à la version. Acheter un autre LLM ne résout pas la question, ça la déplace.

Figure 4. Carte de similarité entre tons de prompt rencontrés dans les briefs marketing. Les blocs « audit posé » et « stratégie long terme » se distinguent nettement des blocs « deadline serrée » et « crise ».

Ce qui change, c’est l’humain qui pose le cadre. C’est lui qui formule, structure, neutralise les chiffres alarmistes, sépare le contexte des données, et qui interdit dans le prompt système les actions irréversibles (touches au robots.txt, modifications de canonical, redirections en série, suppressions massives). C’est lui aussi qui inspecte les sorties par échantillonnage et identifie les patrons de prompt qui dérivent. La compétence requise n’est plus seulement marketing ou technique. Elle devient une forme de psychologie appliquée du modèle.

Pour aller plus loin

BlackCat SEO Montreal a publié ses observations en check-list opérationnelle pour les équipes SEO. Elle décrit, entre autres, un template de prompt système qui interdit les actions irréversibles, un canevas de brief en trois blocs (contexte / corpus / livrable), et six réglages concrets pour garder Claude sobre dans un workflow d’agence. À lire si votre stack repose déjà sur du LLM en production.

D’ici là, le réflexe à retenir tient en une phrase : votre prochain audit IA ressemblera surtout à votre humeur du moment où vous l’aurez briefé. Pas à votre talent, ni à votre outil, ni à la qualité de votre data. À votre humeur. C’est mesurable. C’est documenté. Et c’est, désormais, un sujet de discipline collective plus qu’un sujet de talent individuel.