Calculer un CTR réel pour ChatGPT avec les logs serveur

Pour completer cette boite a outils, consultez aussi Passer de “l’IA fait gagner du temps” à “l’IA prouve un impact” en SEO (sans multiplier les outils) et Mesurer la visibilité de votre marque dans les réponses d’IA (sans confondre citations, trafic et part de voix).

Pourquoi les logs sont le meilleur point de départ pour mesurer ChatGPT

Si vous avez accès aux logs serveur et à GA4, vous pouvez aller plus loin que la simple question « avons-nous eu des clics depuis ChatGPT ? ». Les outils d’analytics voient une partie des visites référencées, mais ils ne disent rien de ce qui a été récupéré par le bot avant le clic. Les simulateurs de prompts, eux, décrivent un scénario de test, pas ce qui a réellement été lu, puis cité, puis cliqué.

Dans ce contexte, les logs sont la source la plus proche du passage machine. Ils ne prouvent pas à eux seuls une visibilité finale, mais ils montrent qu’une page a été demandée, avec quel statut, à quel rythme et depuis quelle adresse. C’est la base la plus exploitable pour construire un CTR lisible, à condition de ne pas compter brut ce qui est bruité.

Le bon objectif n’est donc pas de transformer les logs en verdict éditorial. L’objectif est plus modeste et plus utile : savoir quelles pages sont réellement récupérées, lesquelles génèrent des clics observables, et où le rapport retrieval / clic indique un problème de visibilité ou de priorisation.

Pour bien distinguer ce que Search Console voit, ce que GA4 capte partiellement et ce que les logs rendent visible, partez du bon niveau de lecture avec Google Search Console : les rapports vraiment utiles pour le SEO et le GEO.

Quelles données réunir avant de calculer quoi que ce soit

Avant tout calcul, il faut décider le périmètre. Le plus simple est de commencer par ChatGPT, parce que le dossier de départ et le mode de mesure reposent d’abord sur son bot de retrieval et sur ses référents de clic. Vous pourrez ensuite étendre la méthode à Claude ou Perplexity si leurs user-agents et leurs strings de référer sont suffisamment identifiables dans vos données.

Le jeu de données minimum à préparer

• Les fichiers de logs serveur ou CDN, avec l’URL demandée, le statut HTTP, l’adresse IP, l’horodatage et le user-agent.
• Un export GA4 centré sur les sessions dont la source de session est chatgpt.com, ou sur une source équivalente si la plateforme suivie en fournit une.
• Un mapping d’URL fiable entre logs et analytics : URL canonique, variantes avec slash final, paramètres éventuels, redirections connues.
• Une fenêtre temporelle claire : 7, 30 ou 90 jours, mais pas un mélange de périodes sans logique.
• Le choix explicite de la plateforme suivie : ChatGPT d’abord, puis éventuellement une autre, avec une méthode séparée si la source de trafic ne repose pas sur un bot de retrieval.

Cette étape paraît administrative, mais elle conditionne toute l’interprétation. Si votre mapping d’URL est bancal, si vous mélangez plusieurs plateformes, ou si vous comparez des périodes de durée différente, vous risquez de fabriquer un CTR qui n’explique rien.

Comment nettoyer les logs sans surcompter les bots

Le premier piège est le comptage brut. Un user-agent de type ChatGPT-User ne signifie pas que votre contenu a été exploité de manière unique et propre. Dans certains retours d’expérience, le volume brut peut surestimer l’activité réelle de retrieval de 40 % à 60 %. Ce n’est pas une loi universelle, mais c’est assez fréquent pour justifier un nettoyage systématique.

La règle simple est de supprimer ce qui n’a pas pu produire un retrieval exploitable, puis de regrouper ce qui appartient manifestement au même événement.

Le filtre de base à appliquer

• Conserver les réponses 200 et 304 si votre objectif est de mesurer une retrieval exploitable.
• Exclure les 404, les 500 et les redirections 301 ou 302, car elles ne livrent pas de contenu directement utile au bot.
• Regrouper les accès répétés venant du même IP sur une même URL dans une fenêtre courte, par exemple 5 secondes, afin d’éviter de compter un même passage plusieurs fois.
• Lire la donnée au niveau de la page, du topic ou du cluster selon le volume disponible et la décision que vous devez prendre.

Le clustering sur 5 secondes est une méthode proposée, pas une règle universelle. Elle fonctionne parce que les bots de retrieval ne naviguent pas comme des humains : ils déclenchent souvent des rafales très serrées sur la même URL. Si vous ne regroupez pas ces lignes, vous confondez intensité de crawl et nombre d’événements réels.

Exemple simplifié : une même URL apparaît quatre fois en deux secondes depuis la même adresse IP, avec un 301, puis un 200, puis deux 304. En comptage brut, vous pourriez croire à quatre passages. Après nettoyage, il ne reste qu’un seul événement de retrieval exploitable. C’est ce type de correction qui change la lecture, pas un ajustement cosmétique.

Dans un jeu de données plus large, cette opération peut faire baisser fortement le volume compté. Le point important n’est pas le pourcentage exact, mais le sens de la correction : si le brut gonfle les chiffres, vous vous trompez de priorité éditoriale.

Comment croiser logs et GA4 pour obtenir un CTR exploitable

Une fois les logs nettoyés, le CTR lisible se construit en reliant deux choses différentes : d’un côté les retrievals nettoyées, de l’autre les clics observables dans GA4 via le référent chatgpt.com ou l’équivalent disponible. La formule de travail est simple : clics observés divisés par retrievals nettoyées.

Ce CTR n’est pas un CTR d’impression au sens classique. Il mesure la part des retrievals qui ont débouché sur un clic référencé. C’est un indicateur de performance technique et de visibilité observée, pas une mesure complète de la valeur business.

Le point fragile est la jointure. Vous devez vérifier que les URL des logs et celles de GA4 parlent la même langue : slash final, paramètres, réécritures, canonicals et redirections. Sans ce contrôle, une page peut sembler sans clic alors que le clic a simplement été attribué à une variante d’URL différente.

Ce que le CTR mesure vraiment

• La capacité d’une page à convertir un passage machine en clic observable.
• La différence entre une visibilité de pipeline et une visibilité utile.
• Le niveau de friction entre retrieval et trafic référencé.
• Un ordre de priorité pour travailler les contenus, pas une preuve de qualité éditoriale en soi.

Si vous devez choisir un angle d’analyse plus large autour des visites assistées par assistants, complétez cette lecture avec les outils de suivi de présence dans ChatGPT et Perplexity.

Retrieval ne veut pas dire citation : comment lire le résultat

C’est le point où beaucoup de tableaux de bord dérapent. Une page récupérée par le bot n’est pas forcément une page citée dans la réponse finale. L’article source rappelle une étude AirOps sur plus de 500 000 pages récupérées par ChatGPT : seulement 15 % auraient été citées dans une réponse finale. Ce chiffre doit être attribué à cette étude et non pris comme une vérité générale pour toutes les plateformes.

La conséquence est simple : si vous comptez les retrievals comme s’il s’agissait de citations, vous surestimez la visibilité réelle. À l’inverse, si vous ne regardez que les clics et jamais le passage machine, vous ne comprenez pas pourquoi certaines pages travaillent beaucoup pour un rendement quasi nul.

Le placement compte aussi. Dans les données discutées dans l’article source, les citations inline semblent générer l’essentiel des clics, alors que les éléments de sidebar ou de panneau de sources convertissent beaucoup moins. Mais il faut rester prudent : ces ordres de grandeur dépendent du corpus, de la requête et de l’interface au moment de la mesure.

Autrement dit, un même volume de retrieval peut produire des taux de clic très différents selon que le lien apparaît dans le corps de la réponse, dans une colonne latérale ou dans une section cachée derrière un bouton. Ne comparez jamais un CTR de surface avec un CTR global sans regarder l’exposition réelle de cette surface.

Quels cas sont actionnables, et lesquels ne le sont pas

Le vrai intérêt du couple retrieval / CTR n’est pas de publier un chiffre, mais de décider quoi faire ensuite. Voici les cas les plus utiles pour piloter le contenu.

• Forte retrieval, faible CTR : la page est lue par le bot, mais elle ne devient pas un clic utile. Il faut vérifier si l’introduction répond trop tôt, si le contenu est trop générique, ou si la page n’apparaît que dans une zone peu cliquée.
• Faible retrieval, fort CTR : la page est peu exposée mais elle convertit bien quand elle sort. C’est souvent un signal de niche ou d’autorité thématique. La bonne action n’est pas de casser cette page, mais d’élargir le cluster autour d’elle.
• Forte retrieval, fort CTR : c’est le cas idéal pour une page ou un topic. Le sujet est visible et le lien attire. Ici, l’enjeu est surtout de stabiliser le périmètre et de surveiller la régression.
• Faible retrieval, faible CTR : la page est quasi invisible. Avant toute optimisation de contenu, il faut d’abord vérifier la crawlabilité, la structure, la pertinence thématique et la capacité à être retrouvée.

Exemple business : une page de définition peut être très souvent récupérée, parce qu’elle répond à beaucoup de requêtes proches, mais très peu cliquée si l’interface fournit déjà une réponse suffisante. À l’inverse, un guide technique de niche peut être peu récupéré mais générer peu de visites très qualifiées lorsqu’il est cité. Le premier cas appelle un travail de sélection et de positionnement, le second un travail d’extension de cluster.

La bonne lecture dépend donc du niveau d’analyse. À l’échelle de la page, vous cherchez les anomalies. À l’échelle du topic, vous cherchez les thématiques qui alimentent la visibilité utile. À l’échelle du site, vous cherchez surtout à savoir où l’effort éditorial est dilué.

Excel, script Python ou outil dédié : comment choisir

Le choix de l’outil doit suivre votre volume et votre fréquence de mise à jour, pas une préférence abstraite. La bonne question n’est pas « quel outil est le meilleur ? », mais « à quel moment le manuel devient-il fragile ? »

Choisir selon le volume et la cadence

• Excel ou Google Sheets : utile si vous avez peu de pages, un besoin ponctuel et un premier test à faire sur 30 jours. C’est le meilleur moyen de comprendre la donnée avant d’automatiser.
• Script Python assisté par IA : pertinent si vous devez répéter le nettoyage, le clustering et la jointure chaque semaine. Il faut alors valider la logique sur un petit échantillon avant d’industrialiser.
• Outil dédié : préférable si plusieurs personnes doivent lire la même donnée, si le volume est élevé ou si vous avez besoin d’un tableau de bord stable. Le gain n’est pas stratégique en soi, il est opérationnel.

Le manuel a une vertu : il vous oblige à voir où la donnée casse. Le script a une vertu différente : il réduit le temps passé à refaire les mêmes filtres. L’outil dédié, lui, devient utile quand la question n’est plus « puis-je calculer ce CTR ? » mais « puis-je le suivre sans le casser tous les lundis ? »

Si vous voulez comparer des suites de mesure ou des outils de visibilité, gardez ce réflexe de décision avant de lire un comparatif Semrush vs Ahrefs : commencez par savoir si vous mesurez un crawl, un clic, un référent ou une session. Sans cette hiérarchie, le choix de l’outil reste cosmétique.

Quelles limites garder avant de publier le chiffre

Le CTR obtenu à partir des logs est utile, mais fragile. Il ne dit pas si votre contenu a été vu dans la réponse finale, ni s’il a été seulement récupéré puis abandonné. Il ne capte pas non plus toutes les citations, puisque certaines surfaces se cachent derrière des interfaces secondaires ou des parcours qui ne laissent pas de référent propre.

Il faut aussi garder en tête que toutes les plateformes ne fonctionnent pas de la même manière. Certaines reposent sur un bot de retrieval identifiable, d’autres non. Pour des expériences comme AI Mode, la méthode ne peut pas être copiée telle quelle. De même, pour Claude ou Perplexity, on peut parfois adapter la logique en remplaçant le user-agent et les strings de référer, mais cela doit être vérifié selon les spécifications techniques de chaque plateforme.

Enfin, ne publiez pas ce chiffre comme un verdict de qualité éditoriale. Un CTR faible ne signifie pas automatiquement que le contenu est mauvais. Il peut simplement être mal placé, trop général, trop éloigné de la question ou exposé dans une surface peu cliquée. À l’inverse, un CTR élevé ne garantit ni conversion ni impact business.

La bonne conclusion est plus sobre : les logs donnent la meilleure base pour mesurer l’activité des bots IA, mais le brut ment souvent. En nettoyant les statuts, en regroupant les accès répétés et en croisant les clics référencés, vous obtenez un indicateur exploitable pour piloter les contenus. Pas une stratégie complète, mais un diagnostic fiable pour décider où agir.