Automobile : comment les IA aident à choisir une voiture

Un acheteur qui demande à ChatGPT « quelle voiture électrique choisir avec un budget de 35 000 € » reçoit une liste de deux ou trois modèles, pas un catalogue. Une étude française publiée en septembre 2026 montre que cette liste change radicalement selon le moteur d'IA interrogé. Pour un constructeur ou un réseau de concessionnaires, la question n'est plus seulement d'être bien classé sur Google, mais de savoir ce que chaque IA raconte de sa gamme, de sa fiabilité et de son prix, à des acheteurs qui ne visiteront peut-être jamais son site avant de se décider.

Cet article détaille comment les acheteurs utilisent déjà l'IA dans leur parcours, ce qu'une étude sur les voitures électriques révèle des différences entre ChatGPT et Gemini, quelles sources font autorité sur la fiabilité et les essais, et ce que les fiches techniques structurées peuvent (et ne peuvent pas) changer.

Les acheteurs utilisent-ils déjà l'IA pour choisir une voiture ?

Oui, mais l'ampleur dépend de ce qu'on mesure. Une étude Google-Kantar menée en Inde en mai 2026, auprès de 1 022 acheteurs ayant acquis un véhicule dans les six mois précédents, trouve que 93 % d'entre eux ont utilisé une forme d'IA dans leur recherche. Le chiffre inclut toutefois une définition large : assistants conversationnels comme Gemini, mais aussi les AI Overviews et le Mode IA de la recherche Google. Les acheteurs qui utilisent l'IA consultent aussi davantage de sources, en moyenne 7,8 points de contact contre 6,9 pour l'ensemble des acheteurs (Google-Kantar, mai 2026).

L'étude est commandée par Google, qui a un intérêt commercial direct à montrer l'essor de ses propres fonctionnalités IA ; elle porte en outre sur le marché indien, pas sur la France. Nous n'avons pas trouvé d'étude équivalente et indépendante qui isole l'usage d'un chatbot dédié (ChatGPT, par exemple) pour l'achat automobile en France. Ce que l'on peut affirmer avec certitude : les assistants conversationnels sont désormais une étape documentée du parcours d'achat automobile dans plusieurs marchés, et rien n'indique que la France y échappe.

Que recommandent ChatGPT et Gemini pour une voiture électrique ?

Pas la même chose. C'est la conclusion d'une étude publiée le 14 septembre 2026 par l'agence Bubbling, en partenariat média avec Autoactu.com. La méthode : 2 016 conversations simulées et 8 064 questions, posées aux deux moteurs entre le 20 et le 26 août 2026, à partir de 36 questions et de trois profils d'acheteurs (famille aisée, foyer modeste éligible au leasing social, jeune urbain) (journalauto.com, 14 septembre 2026).

Les résultats montrent des recommandations nettement différentes selon le moteur :

• ChatGPT cite Tesla dans près d'un quart des réponses où l'acheteur ne nomme aucune marque, et met en avant des marques chinoises comme MG et BYD bien plus souvent que Gemini.
• Gemini place Renault en tête, avec 26 % des citations, et favorise davantage les marques françaises.

Les auteurs sont explicites sur les limites de leur propre travail : l'exercice porte sur des parcours simulés, sans mesure de l'impact commercial réel, et sans garantie que les mêmes questions produisent les mêmes réponses à un autre moment (Autoactu.com, En voiture Carine). Bubbling conseille elle-même des entreprises sur leur visibilité dans les conversations IA, ce qui n'invalide pas la méthode mais justifie de lire le résultat comme une photographie à un instant donné, pas comme une loi durable. Pour une marque automobile, la conclusion opérationnelle tient en une phrase : il ne suffit pas de « être visible dans l'IA », il faut savoir dans quel moteur, sur quelles questions, et avec quel écart par rapport à ses concurrents — exactement ce que mesure un audit de visibilité IA qui interroge plusieurs moteurs plutôt qu'un seul.

Quelles sources les IA citent-elles sur une voiture ?

Très majoritairement des sites tiers, pas le site du constructeur. C'est la conclusion générale de l'étude de calibrage que nous avons menée sur les pages réellement citées par les IA (méthodologie) : entre 79 et 89 % des citations vont à des sources tierces, quel que soit le secteur. Pour l'automobile, ces sources tierces prennent des formes connues des acheteurs français : essais de la presse spécialisée, fiches comparatives, forums de propriétaires et comparateurs d'occasion.

Concrètement, un constructeur ou un réseau ne contrôle directement qu'une partie de ce que l'IA peut lire sur son véhicule : sa propre fiche produit, oui, mais aussi ce que disent de lui les essais indépendants, les avis d'acheteurs publiés sur des plateformes tierces et les comparatifs qui le confrontent à ses concurrents directs. Ignorer ces sources tierces, en misant uniquement sur son propre site, revient à laisser une grande partie de la conversation à d'autres. Nous détaillons ce mécanisme, qui vaut pour tous les secteurs très comparés, dans notre article sur comment ChatGPT choisit ses sources.

Les avis publiés sur des plateformes tierces jouent un rôle particulier dans ce mécanisme : ils sont à la fois nombreux, datés et souvent chiffrés, trois caractéristiques qui facilitent leur reprise par une IA. Nous expliquons comment les structurer et les rendre repérables dans notre guide sur avis clients et visibilité IA.

La fiabilité : quel classement les IA reprennent-elles ?

Les classements de fiabilité automobile ne mesurent pas tous la même chose, et une IA qui résume rapidement une réponse peut mélanger des méthodologies différentes sans le dire. L'enquête bisannuelle de Que Choisir (n° 654, février 2026), fondée sur plus de 53 000 témoignages d'automobilistes européens collectés entre mai et juillet 2025, place Lexus en tête de 36 marques évaluées, suivie de Toyota, Suzuki, Subaru, Honda, Tesla, Smart et Mazda. Les marques françaises y occupent des rangs nettement plus bas : Renault 26e, Peugeot 32e, Citroën 33e, DS Automobiles 34e (La Tribune Auto, reprenant l'enquête Que Choisir).

D'autres organismes, comme l'américain J.D. Power ou Consumer Reports, publient des classements construits sur d'autres panels et d'autres critères, et n'arrivent pas toujours aux mêmes résultats pour les mêmes marques. Pour une marque française positionnée en milieu de classement sur l'enquête européenne la plus citée, la réponse GEO n'est pas de contester le chiffre, mais de documenter ce qui a changé depuis : garanties étendues, taux de panne par génération de modèle, retours d'expérience des réseaux de réparateurs. Une page qui date ses propres chiffres et renvoie vers l'enquête complète a plus de chances d'être citée avec nuance qu'une page qui ignore le sujet.

Fiches techniques structurées : utiles, jamais décisives

Schema.org propose un type Car, avec des propriétés dédiées (puissance moteur, couple, capacité du réservoir, empattement, type de carburant) qui permettent de décrire une fiche technique de façon structurée. Google propose par ailleurs un format de données structurées spécifique aux annonces de véhicules, mais ce résultat enrichi est réservé aux concessionnaires vérifiés et n'est disponible qu'en anglais, aux États-Unis et dans ses territoires (documentation Google pour les développeurs) : un site français n'y a donc pas accès, quelle que soit la qualité de son balisage.

Cela ne rend pas le balisage Car inutile : une fiche technique bien structurée, avec des valeurs cohérentes et datées, reste plus facile à lire pour un robot qu'un tableau en image ou un PDF. Mais notre étude de calibrage est claire sur ce point, et il faut le répéter pour l'automobile comme pour tout autre secteur : les données structurées et les fichiers comme llms.txt aident un robot à comprendre une page, elles ne sont pas un facteur décisif de citation. Google lui-même ne les présente pas comme nécessaires pour ses propres résultats IA. Ce qui fait réellement citer une page, nous l'avons déjà détaillé pour les fiches produits en général, avec les mêmes principes (réponse courte en tête, preuves chiffrées, mise à jour visible) qui s'appliquent à une fiche véhicule : voir notre guide Schema.org pour le GEO et notre article sur ce que les IA cherchent dans une fiche produit.

L'électrique et le bonus : une information qui périme vite

Peu de secteurs changent aussi souvent leurs chiffres que l'achat d'un véhicule électrique en France. Le dispositif d'aide, rebaptisé « coup de pouce véhicules électriques », est désormais financé par les certificats d'économies d'énergie (CEE) et non plus directement par le budget de l'État : les montants, qui dépendent du revenu fiscal de référence du foyer, deviennent indicatifs et fluctuent avec le marché des CEE. En 2026, les ménages les plus modestes peuvent viser jusqu'à 5 700 €, un surbonus de 1 200 à 2 000 € existe pour les véhicules assemblés en Europe avec une batterie européenne, et les hybrides rechargeables restent exclus du dispositif depuis juillet 2025 (Capcar, bonus écologique 2026).

Pour une marque ou un comparateur, c'est exactement le type de donnée qu'une IA peut citer avec un chiffre périmé si la page source n'est pas mise à jour : un montant de bonus affiché sans date, recopié d'un article de 2024 ou 2025, induit un acheteur en erreur avant même qu'il arrive chez un concessionnaire. La fraîcheur n'est pas un critère cosmétique ici, elle conditionne l'exactitude de ce que l'IA répète. Nous retrouvons un mécanisme comparable, avec un cadre réglementaire différent, pour les tarifs de l'énergie dans notre article sur les fournisseurs d'électricité face aux IA.

→Énergie : comment les IA recommandent un fournisseur d'électricité

Que faire concrètement ?

1. Listez les questions réelles de vos acheteurs. « Meilleure voiture électrique pour un budget de X € », « fiabilité de [marque] », « [modèle A] ou [modèle B] » : ce sont ces formulations, pas le nom de votre gamme, qu'il faut tester.
2. Interrogez plusieurs moteurs, pas un seul. L'étude Bubbling montre que ChatGPT et Gemini ne recommandent pas les mêmes marques sur le même sujet. Un diagnostic limité à un seul moteur masque une partie du problème.
3. Datez chaque chiffre qui bouge. Bonus écologique, garanties, tarifs : indiquez la date de la donnée directement dans le texte, pas seulement dans un tableau annexe.
4. Structurez vos fiches techniques. Utilisez les propriétés du type Car de Schema.org pour vos caractéristiques, sans en attendre un effet automatique sur les citations.
5. Suivez ce qui se dit sur vous hors de votre site. Essais de la presse spécialisée, forums, comparatifs : ce sont eux, pas votre fiche produit, qui concentrent la majorité des citations.
6. Mesurez dans la durée. Les recommandations d'une IA sur une marque automobile peuvent changer avec une mise à jour de modèle ou un nouvel essai largement repris : une mesure ponctuelle ne suffit pas.

C'est précisément ce que mesure l'audit de visibilité IA de Beeleven, l'agence qui a conçu Detekia : il interroge ChatGPT, Gemini, Claude et Perplexity sur les questions réelles de vos acheteurs, identifie les modèles et les concurrents cités à votre place, et pondère le résultat par l'usage réel de chaque IA en France.

Questions fréquentes

ChatGPT et Gemini recommandent-ils les mêmes voitures électriques ?

Non. Selon l'étude Bubbling de septembre 2026, ChatGPT cite davantage Tesla et des marques chinoises comme MG ou BYD, tandis que Gemini favorise Renault et les marques françaises. L'étude porte sur des parcours simulés et ne mesure pas l'impact commercial réel (source).

Peut-on faire confiance à un classement de fiabilité cité par une IA ?

Il faut d'abord savoir quel classement elle cite : Que Choisir, J.D. Power et Consumer Reports mesurent avec des panels et des méthodes différentes, et n'arrivent pas toujours aux mêmes résultats. Une réponse qui ne précise pas sa source doit être vérifiée directement auprès de l'étude citée.

Le balisage Schema.org Car suffit-il à être mieux cité ?

Non. C'est une aide à la lecture d'une fiche technique, pas un facteur décisif de citation d'après notre étude de calibrage. Le résultat enrichi « annonce de véhicule » de Google est en outre réservé aux concessionnaires vérifiés aux États-Unis, inaccessible à un site français.

Pourquoi le bonus écologique est-il risqué à citer sans date ?

Parce qu'il n'est plus fixé par l'État mais financé par les certificats d'économies d'énergie, ce qui rend les montants indicatifs et variables. Un chiffre non daté, repris par une IA, peut induire un acheteur en erreur sur l'aide à laquelle il a réellement droit.

Sources

• Journal de l'Automobile, « ChatGPT vs Gemini : quelle IA recommande vos voitures électriques ? », 14 septembre 2026.
• Autoactu.com, « Ce que les IA disent aux acheteurs de voitures électriques ».
• En voiture Carine, « Conseil voiture électrique par l'IA : Renault, Tesla au sommet ».
• Google-Kantar via Autocar Professional, « 93% Of Car Buyers Use AI In Research », 2026.
• La Tribune Auto, reprenant l'enquête fiabilité Que Choisir n° 654, février 2026.
• Capcar, « Bonus écologique 2026 : montants, conditions et véhicules éligibles ».
• Schema.org, type Car.
• Google Search Central, « Vehicle listing (Car) structured data ».

→Comment les IA choisissent les produits qu'elles recommandent

→Les concurrents cités par ChatGPT : comment savoir qui prend votre place