ChatGPT ne cite jamais votre établissement : le plan 60 jours

Un cégep montréalais invisible sur ChatGPT — alors que l'UdeM et Concordia monopolisent les réponses

La directrice des communications d'un cégep montréalais teste ChatGPT lors d'une réunion de rentrée. Elle saisit la requête que ses futurs étudiants posent quotidiennement : « Quel cégep choisir pour les techniques de gestion à Montréal ? » La réponse mentionne trois établissements. Le sien n'y figure pas — pourtant parmi les plus anciens et les plus reconnus de son réseau. Les cégeps cités apparaissent avec des informations précises sur leurs programmes et leurs taux de placement. Elle n'a aucune donnée à opposer à sa direction générale. Elle ne sait pas si des concurrents ont agi délibérément pour obtenir cet avantage.

Ce scénario se reproduit dans des dizaines de cégeps, universités et établissements postsecondaires québécois. ChatGPT et Perplexity sont désormais intégrés dans le parcours décisionnel des étudiants — qu'ils choisissent un DEC, un baccalauréat, une maîtrise ou un DESS. La Cote R oriente les admissions universitaires, mais c'est souvent ChatGPT qui oriente le choix de l'établissement bien en amont. Et si votre établissement n'est pas cité, un concurrent l'est à votre place.

Ce guide présente les 5 raisons pour lesquelles votre établissement est absent des réponses IA, puis un plan d'action de 60 jours pour corriger la situation. Pour les fondements de la démarche GEO, consultez notre guide complet sur la visibilité IA des écoles.

Pourquoi l'absence dans ChatGPT coûte cher aux établissements québécois

Le contexte québécois a deux particularités qui amplifient l'impact de l'invisibilité IA. Premièrement, le marché postsecondaire est bilingue et compétitif : McGill et Concordia captent des candidats anglophones et francophones, les universités du réseau UQ couvrent l'ensemble du territoire, et les cégeps sont en concurrence pour chaque cohorte d'entrants en enseignement supérieur. Deuxièmement, l'adoption des outils IA est très élevée au Québec — les étudiants de 17 à 22 ans consultent ChatGPT et Perplexity avant de visiter les sites institutionnels.

En Europe, la moyenne de citations d'établissements d'enseignement supérieur dans les réponses IA est de seulement 19 % sur les requêtes sectorielles (Source : Skolbot GEO Monitoring, 500 requêtes × 6 pays × 3 moteurs IA, fév. 2026). En Amérique du Nord, et au Québec en particulier, le volume de requêtes d'orientation posées aux moteurs IA est plus élevé — ce qui rend l'enjeu proportionnellement plus critique. Les établissements qui ont structuré leurs données avec Schema.org EducationalOrganization gagnent en moyenne +12 points de visibilité dans les réponses IA.

Ce n'est pas une fatalité. Les mécanismes sont compréhensibles et les actions sont planifiables en 60 jours.

Les 5 raisons techniques pour lesquelles ChatGPT ne cite pas votre établissement

Raison 1 : Votre site n'est pas une entité reconnue par les LLM

ChatGPT et Perplexity ne lisent pas votre site comme un humain. Ils extraient des entités — des objets structurés avec des attributs définis. Un texte descriptif sur votre cégep ou votre université n'est pas une entité : c'est du contenu brut. Un fichier JSON-LD avec les champs name, url, accreditation, numberOfStudents, address et educationalLevel est une entité que les moteurs IA identifient, croisent avec d'autres sources et citent avec confiance.

Au Québec, les sources tierces que les LLM utilisent pour valider les entités sont nombreuses : le BCI (Bureau de coopération interuniversitaire) pour les universités membres, la Fédération des cégeps, les classements Maclean's et les données gouvernementales du ministère de l'Enseignement supérieur. Si votre site ne parle pas le même langage structuré que ces sources, les moteurs IA peinent à faire le lien entre la source tierce et votre établissement.

Action : implémentez EducationalOrganization sur votre page d'accueil et Course sur chaque page programme. Renseignez les champs accreditation et sameAs avec des liens vers votre profil BCI ou Fédération des cégeps. Consultez la documentation Schema.org et le guide Google Search Central.

Raison 2 : Votre contenu manque de données vérifiables et spécifiques

Un LLM préfère citer du contenu factuel, chiffré et sourcé. « Notre université offre une formation de qualité dans un environnement stimulant » ne sera jamais cité. « 89 % des diplômés 2025 du baccalauréat en comptabilité de notre université ont trouvé un emploi dans leur domaine en moins de 6 mois, frais de scolarité 3 000 $ par session, 90 crédits, enquête interne sur 214 répondants » sera cité, car chaque élément est exploitable dans une réponse.

Le Québec dispose de données vérifiables spécifiques que les LLM recherchent activement : la Cote R d'admission minimale par programme, les frais de scolarité différenciés selon le statut résidentiel, les conditions d'admission en fonction du DEC préalable, les programmes contingentés et leurs critères. Ces données existent dans vos documents internes — elles ne sont souvent pas publiées dans un format exploitable par les moteurs IA.

Action : sur chaque page programme, publiez un tableau avec Cote R minimale, frais par session, crédits, conditions d'admission depuis un DEC, taux de placement, et débouchés. Publiez ces informations en HTML — pas uniquement dans des PDFs de brochures.

Raison 3 : Vos sources tierces sont incohérentes ou incomplètes

Les LLM croisent votre contenu avec des sources externes. Si votre profil sur le site du BCI présente des informations différentes de votre site institutionnel — intitulés de programmes légèrement différents, données d'admission obsolètes, URL incorrectes — le moteur IA perd confiance dans l'entité et l'exclut de ses réponses.

Pour les cégeps, la cohérence entre votre site et les données de la Fédération des cégeps est critique. Pour les universités, c'est la cohérence avec les données BCI et les informations du ministère de l'Enseignement supérieur. Les classements Maclean's mentionnent certains établissements avec des données précises — si ces données divergent de votre site, le signal devient ambigu pour les LLM.

Action : vérifiez la cohérence entre vos pages programmes et vos profils sur les annuaires institutionnels. Mettez à jour les informations obsolètes. Les intitulés de programmes, les Cotes R, les frais et les conditions d'admission doivent être identiques sur toutes les sources.

Raison 4 : Vos FAQ répondent aux mauvaises questions

Les sections FAQ de la plupart des sites d'établissements québécois contiennent des questions marketing — « Pourquoi choisir notre université ? » — plutôt que les questions que les étudiants posent réellement aux moteurs IA. Ces questions réelles sont concrètes : « Quelle est la Cote R minimale pour entrer en médecine à l'UdeM ? », « Est-ce que le DEC en sciences humaines donne accès à la plupart des baccalauréats au Québec ? », « Quels cégeps offrent le programme de techniques informatiques à Québec ? »

Un contenu qui répond précisément à ces questions, balisé en FAQPage JSON-LD, a des chances élevées d'apparaître dans les réponses IA. Du contenu marketing générique, aucune.

Action : réécrivez vos FAQ avec les questions que vos prospects posent réellement. Observez vos formulaires de contact, vos chats, vos emails de demandes d'information. Balisez chaque FAQ en FAQPage JSON-LD via la documentation Schema.org.

Raison 5 : Vous bloquez les crawlers des moteurs IA

Certains établissements québécois ont des configurations robots.txt qui excluent des bots non répertoriés — dont PerplexityBot, GPTBot ou ClaudeBot. D'autres ont des pages importantes rendues en JavaScript dynamique, inaccessibles aux crawlers. D'autres encore publient leurs données clés uniquement dans des PDFs de guides étudiants que les LLM ne traitent pas comme du contenu HTML structuré.

Action : vérifiez votre robots.txt. Testez l'accessibilité HTML de vos pages programmes via l'outil de test de Google. Assurez-vous que vos informations clés — Cote R, frais, conditions d'admission — apparaissent en texte HTML et non uniquement dans des documents téléchargeables.

Le plan 60 jours pour apparaître dans ChatGPT

Ce plan est organisé en trois phases de vingt jours. Il ne nécessite pas de budget externe, mais exige une ownership claire au sein de votre direction des communications ou du marketing.

Jours 1 à 20 : audit et fondations techniques

Jours 1–5 : diagnostic de départ

Soumettez 30 requêtes à ChatGPT et Perplexity — 10 requêtes marque (avec le nom de votre établissement), 10 requêtes programme (secteur + niveau + ville), 10 requêtes concurrentielles (ville + domaine sans votre nom). Notez pour chaque requête : votre établissement est-il cité, en quelle position, avec quelles informations, et quelles sources Perplexity cite-t-il ? Ce relevé est votre baseline.

Vérifiez simultanément votre robots.txt et testez l'accessibilité HTML de vos cinq pages programmes les plus stratégiques.

Jours 6–15 : implémentation Schema.org prioritaire

Implémentez EducationalOrganization sur votre page d'accueil avec les champs : name, url, logo, address, telephone, sameAs (vers vos profils BCI ou Fédération des cégeps), accreditation, numberOfStudents. Implémentez Course sur vos cinq pages programmes les plus demandées avec : name, provider, educationalLevel (DEC, baccalauréat, maîtrise, DESS), numberOfCredits, offers (frais par session), programPrerequisites (DEC préalable, Cote R minimale).

Jours 16–20 : cohérence des sources tierces

Vérifiez et mettez à jour vos profils sur les annuaires institutionnels pertinents (BCI, Fédération des cégeps, ministère de l'Enseignement supérieur). Publiez ou actualisez une page « À propos » avec des données chiffrées : ancienneté, nombre d'étudiants, nombre de programmes, taux de placement global.

Jours 21 à 40 : contenu citable et FAQ structurées

Jours 21–30 : refonte des pages programmes prioritaires

Pour chacune de vos cinq pages cibles, ajoutez un tableau structuré avec : durée, crédits, frais par session (résidents québécois, Canadiens hors Québec, internationaux), Cote R minimale ou DEC préalable, taux de placement, salaire médian premier emploi, et possibilités de poursuite aux cycles supérieurs. Intégrez ces données en HTML directement dans le corps de la page.

Jours 31–40 : création des FAQ actionnables

Rédigez et publiez une FAQ par programme prioritaire avec 5 à 8 questions réelles — Cote R, conditions d'admission depuis un DEC spécifique, stages et coopérations, mobilité internationale, reconnaissance professionnelle, bourses disponibles. Balisez chaque FAQ en FAQPage JSON-LD.

Pour les cégeps, ajoutez une section sur les passerelles DEC-BAC disponibles avec vos partenaires universitaires — c'est une requête très fréquente dans ChatGPT et une donnée que les LLM citent volontiers quand elle est clairement structurée.

Jours 41 à 60 : signaux tiers et mesure

Jours 41–50 : renforcement des signaux tiers

Publiez deux articles de contenu éditorial avec des données factuelles sourcées : résultats de placement de votre dernière cohorte, analyse sectorielle du marché du travail dans vos domaines de formation, ou portrait de diplômés avec trajectoires professionnelles précises. Ce contenu crée des pages citables indépendamment du marketing institutionnel.

Mettez à jour vos profils LinkedIn Page et Google Business Profile avec vos programmes actuels et vos données clés.

Jours 51–60 : audit de contrôle et ajustements

Répétez le panel de 30 requêtes de votre diagnostic initial. Comparez avec votre baseline. Sur Perplexity, les effets des actions techniques devraient être visibles à partir de la semaine 5 ou 6. Sur ChatGPT, les effets se manifestent plutôt entre la semaine 8 et la semaine 12. Identifiez les requêtes où vous progressez et ajustez vos priorités éditoriales.

Pour un plan plus structuré sur 90 jours, consultez notre guide en 90 jours pour être cité par ChatGPT et Perplexity.

Ce que votre tableau de bord doit montrer à la direction

À J+60, présentez trois indicateurs comparables à votre baseline initiale :

Le taux de citation mesure la proportion de requêtes qui produisent une réponse mentionnant votre établissement. Le score de contexte mesure la qualité de la mention : recommandation principale (3 pts), alternative (2 pts), liste simple (1 pt). Ces deux métriques suffisent à légitimer l'investissement devant votre direction générale ou votre conseil d'administration.

Pour un protocole mensuel complet, notre article sur les KPI de visibilité IA pour les universités québécoises détaille le rituel de suivi à cadencer en équipe.

Loi 25, données personnelles et GEO : ce que votre établissement doit savoir

Le plan 60 jours décrit ici porte sur la structuration de données publiques — programmes, conditions d'admission, frais, accréditations, données institutionnelles. Il ne collecte aucune donnée personnelle et ne relève pas des obligations de la Loi 25 (Loi modernisant des dispositions législatives en matière de protection des renseignements personnels).

En revanche, si votre démarche GEO s'accompagne d'outils d'IA utilisés pour personnaliser vos communications de recrutement, analyser des comportements de prospects ou automatiser des suivis de candidatures, les obligations de la Loi 25 s'appliquent : consentement, avis de collecte, durées de conservation, droits d'accès et de rectification. La Commission d'accès à l'information du Québec (CAI) a publié des lignes directrices spécifiques à l'usage de l'IA dans les organisations — votre responsable de la protection des renseignements personnels doit être impliqué dès que vous franchissez la frontière du contenu public vers le traitement de données individuelles.

FAQ

Combien de temps faut-il avant de voir les premiers résultats ?

Sur Perplexity, les effets des actions techniques (Schema.org, FAQ balisées) commencent à apparaître entre 3 et 6 semaines après implémentation, car Perplexity interroge le web en temps réel. Sur ChatGPT, comptez 6 à 10 semaines — son corpus d'entraînement s'actualise moins fréquemment. À J+60, vous devriez observer des premiers mouvements mesurables sur Perplexity. Les résultats complets sur ChatGPT se consolident généralement autour de J+90.

Les cégeps peuvent-ils bénéficier autant que les universités de ce plan ?

Oui, et souvent plus rapidement. Les cégeps sont des entités moins bien documentées dans les corpus des LLM que les universités — le potentiel de gain est donc plus élevé. Les requêtes spécifiques aux cégeps (DEC, techniques, programmes pré-universitaires, passerelles DEC-BAC) sont souvent peu couvertes dans les réponses IA, ce qui laisse de la place aux premiers arrivants. Un cégep qui structure correctement ses données Schema.org et ses FAQ peut progresser rapidement sur ses requêtes de niche.

Faut-il un prestataire technique pour implémenter Schema.org ?

Pas nécessairement. L'implémentation Schema.org peut être réalisée par votre webmaster ou un prestataire CMS qui a accès au code source de votre site — quelques heures de travail pour les cinq pages prioritaires. La refonte du contenu et la rédaction des FAQ sont en revanche du travail éditorial que votre équipe communications doit prendre en charge directement : les données d'admission, de placement et d'accréditation doivent être exactes et à jour.

Que faire si ChatGPT donne de fausses informations sur mon établissement ?

Les LLM ne disposent pas de formulaire de correction. La seule façon de corriger les informations erronées est de publier des données exactes sur votre site dans un format structuré et de renforcer vos sources tierces (BCI, Fédération des cégeps, sites gouvernementaux) pour que les moteurs IA trouvent la version correcte lors de leur prochain cycle d'indexation. Publiez une page « Nos programmes et accréditations » avec des données complètes et vérifiables. Les signaux fiables et cohérents finissent par prendre le dessus dans les corpus des LLM.

Comment articuler le GEO avec le référencement Google classique ?

Les deux démarches sont complémentaires et partagent une grande partie de leurs fondations techniques. Un contenu bien structuré (Schema.org, titres H2 informatifs, tableaux, FAQ balisées) améliore simultanément votre référencement Google et votre visibilité dans les réponses IA. La différence principale : le SEO classique optimise pour des algorithmes de classement, le GEO optimise pour des moteurs de synthèse. Notre article sur les signaux LLM de recommandation pour les écoles détaille les différences et les synergies entre les deux approches.