TL;DR : Les revenus d’affiliation reposent sur une chaîne à quatre maillons : quelqu’un effectue une recherche, clique jusqu’à votre page, clique sur votre lien d’affiliation, achète. La recherche IA attaque le deuxième maillon, et de manière inégale. Les données de navigation du Pew Research Center portant sur mars 2025 montrent que lorsqu’un résumé IA de Google apparaît, les utilisateurs cliquent sur un résultat de recherche classique dans 8% des visites, contre 15% en l’absence de résumé. En appliquant cet écart vérifié au barème de commissions publié par Amazon Associates, on obtient une baisse uniforme de 46,7% des commissions dans toutes les catégories de produits, des livres à 4,5% aux produits de santé à 1%. Puisque la baisse est uniforme, changer de catégorie ne sauve pas le modèle. La véritable variable est la forme de la requête : Pew a constaté que les résumés IA apparaissaient sur 60% des recherches formulées en question, mais sur seulement 8% des recherches d’un ou deux mots. Les contenus de test qui visent « le meilleur X pour Y » occupent donc la position la plus exposée de l’échiquier. La réponse stratégique consiste à réorienter le portefeuille vers des formes de requêtes et des sources de trafic que les résumés IA n’interceptent pas, et à cesser de considérer les revenus d’affiliation comme passifs.
Pendant une quinzaine d’années, l’édition d’affiliation a fonctionné sur une hypothèse stable : si vous parveniez à positionner une page comparative, Google vous envoyait des personnes, et une proportion prévisible d’entre elles achetait quelque chose. Chaque conseil de la catégorie, chaque outil de mots-clés, chaque guide « créez un site de niche » reposait sur la solidité de cette hypothèse.
Elle ne tient plus, et l’intéressant n’est pas que le trafic ait chuté. L’intéressant est de savoir où il a chuté et où il n’a pas chuté, car cette répartition vous indique précisément quoi faire ensuite.
Ce texte est une mise à l’épreuve du réel construite à partir de deux sources publiques : des données de clics vérifiées et un barème de commissions publié. Aucune projection, aucune prévision de fournisseur. Seulement ce que disent les chiffres lorsqu’on les met côte à côte.
Le seul chiffre vérifié qui change le modèle
Le Pew Research Center a publié le 22 juillet 2025 une étude sur les comportements de navigation fondée sur 900 adultes américains ayant accepté d’installer un traceur de navigation. Elle couvrait 68 879 recherches Google uniques effectuées en mars 2025, dont 12 593 ont produit un résumé IA.
Les résultats déterminants pour l’économie de l’affiliation :
- Lorsqu’un résumé IA apparaissait, les utilisateurs cliquaient sur un résultat de recherche classique dans 8% des visites.
- En l’absence de résumé IA, ils cliquaient sur un résultat dans 15% des visites.
- Ils cliquaient sur un lien situé à l’intérieur du résumé IA dans 1% des visites.
- Avec un résumé IA, 26% des visites mettaient fin à la session de navigation, contre 16% sans résumé.
- Environ 18% de toutes les recherches Google du mois ont produit un résumé IA.
Ce passage de 15% à 8% résume toute l’affaire. Il représente une baisse relative de 46,7% de la probabilité qu’une recherche se transforme en visite. Et le chiffre sur la fin de session vous indique que le trafic n’est pas redistribué vers une autre page qui pourrait aussi vous appartenir. Il s’en va.
Le taux de clic de 1% à l’intérieur du résumé mérite son propre moment. Un espoir répandu dans les milieux de l’édition était que la citation au sein d’une réponse IA remplacerait le clic organique perdu. À 1% des visites, la citation est un résultat de notoriété, pas un canal de trafic. Planifiez en conséquence.
Modèle original 1 : l’effet de l’effondrement des clics sur les commissions
Voici la première chose qui mérite d’être construite. Le contrat de fonctionnement d’Amazon Associates publie un barème fixe de commissions par catégorie de produits. En croisant ces taux publiés avec les chiffres de clics de Pew, on obtient une vision des revenus catégorie par catégorie.
Le modèle maintient constantes toutes les hypothèses situées en aval, dans les deux scénarios. Le taux de conversion et le panier moyen sont explicitement présentés comme des paramètres de modélisation illustratifs, non comme des statistiques mesurées, et ils sont identiques dans les deux colonnes. La différence entre les colonnes découle donc uniquement des données de clics vérifiées de Pew, tandis que les montants absolus servent à donner une forme concrète aux rapports.
Base du modèle : 10 000 recherches commerciales. La base antérieure à l’IA produit 1 500 visites (15%). Le scénario avec résumé IA produit 800 visites (8%). La conversion illustrative de la visite à l’achat est maintenue à 2% dans les deux scénarios.
| Catégorie | Taux Amazon (publié) | Panier moyen illustratif | Commission par commande | Revenus avant IA (1 500 visites) | Revenus avec résumé IA (800 visites) | Baisse |
|---|---|---|---|---|---|---|
| Livres imprimés | 4,5% | 22 $ | 0,99 $ | 29,70 $ | 15,84 $ | 46,7% |
| Cuisine | 4,5% | 85 $ | 3,83 $ | 114,75 $ | 61,20 $ | 46,7% |
| Habillement | 4,0% | 55 $ | 2,20 $ | 66,00 $ | 35,20 $ | 46,7% |
| Casques audio | 3,0% | 110 $ | 3,30 $ | 99,00 $ | 52,80 $ | 46,7% |
| Composants PC | 2,5% | 180 $ | 4,50 $ | 135,00 $ | 72,00 $ | 46,7% |
| Téléviseurs | 2,0% | 600 $ | 12,00 $ | 360,00 $ | 192,00 $ | 46,7% |
| Santé et soins personnels | 1,0% | 40 $ | 0,40 $ | 12,00 $ | 6,40 $ | 46,7% |
Cadre éditorial CEOtudent. Les taux de commission proviennent du barème standard publié par Amazon Associates. Les taux de clic proviennent des données de navigation du Pew Research Center. Les paniers moyens et le taux de conversion sont des paramètres de modélisation illustratifs, maintenus constants dans les deux scénarios.
Relisez la dernière colonne. C’est sept fois le même chiffre.
C’est le constat que la plupart des commentaires sur l’affiliation manquent. La baisse est une propriété de la couche trafic, pas de la couche commission. Une catégorie à 4,5% et une catégorie à 1% perdent exactement la même proportion de leurs revenus, parce que la perte se produit avant que quiconque n’atteigne votre page. Se tourner vers des catégories mieux rémunérées, le réflexe habituel, modifie la taille du chiffre de la quatrième colonne et ne change rien du tout à la septième.
Une lecture secondaire mérite d’être signalée. Comme la perte est proportionnelle et non absolue, les catégories à panier élevé perdent beaucoup plus en valeur absolue pour une même baisse de clics. La ligne Téléviseurs abandonne 168 $ quand la ligne Livres en abandonne 13,86. Les sites bâtis sur des produits coûteux ont davantage de revenus en jeu en valeur absolue, même si leur exposition en pourcentage est identique.
Modèle original 2 : l’exposition n’est pas répartie uniformément
Si la catégorie est le mauvais levier, quel est le bon ? Pew a rapporté la fréquence d’apparition des résumés IA selon la forme de la requête, et c’est bien là que se loge la véritable variance :
- Recherches formulées en question : résumé apparu dans 60% des cas
- Recherches de 10 mots ou plus : 53%
- Recherches en phrase complète : 36%
- Recherches d’un ou deux mots : 8%
- Toutes recherches confondues : 18%
En combinant les taux de déclenchement avec les deux taux de clic vérifiés, on obtient un taux de clic attendu mixte pour chaque forme de requête. Le calcul est simple : le taux attendu est égal à la part des recherches sans résumé multipliée par 15%, plus la part avec résumé multipliée par 8%.
| Forme de la requête | Taux de déclenchement du résumé IA | Taux de clic attendu mixte | Rétention par rapport à la base de 15% | Contenus d’affiliation typiques positionnés ici |
|---|---|---|---|---|
| Forme interrogative (« quel X est le meilleur pour Y ») | 60% | 10,80% | 72,0% | Guides d’achat, comparatifs, palmarès |
| 10 mots ou plus | 53% | 11,29% | 75,3% | Tests de longue traîne axés résolution de problème |
| Phrase complète | 36% | 12,48% | 83,2% | Tutoriels conversationnels et dépannage |
| Toutes recherches (moyenne mixte) | 18% | 13,74% | 91,6% | Portefeuille mixte |
| Un ou deux mots | 8% | 14,44% | 96,3% | Noms de marques, références de modèles, termes de catégorie |
Cadre éditorial CEOtudent. Les taux de déclenchement et les deux taux de clic proviennent des données de navigation du Pew Research Center ; le taux mixte et la rétention sont dérivés.
C’est ce tableau qui est actionnable, et il dit quelque chose de très précis.
L’écart entre la forme de requête la plus exposée et la moins exposée est considérable : 72,0% de rétention contre 96,3%. Et la forme la plus exposée est précisément celle pour laquelle les contenus de test d’affiliation sont optimisés depuis que la catégorie existe. « Quel est le meilleur ordinateur portable pour les étudiants » est une recherche formulée en question. C’est le mot-clé d’affiliation archétypal. C’est aussi la forme de requête la plus susceptible d’être traitée avant que quiconque n’atteigne un résultat.
À l’inverse, la forme la moins exposée est celle des requêtes courtes de marque et de modèle. Celui qui cherche une référence précise a déjà décidé de ce qu’il examine et cherche une destination particulière. Les résumés IA interceptent cette intention beaucoup plus rarement.
C’est un enseignement de portefeuille, pas une tactique de récupération de trafic. Il indique que les contenus d’affiliation qui survivent le mieux sont ceux qui se tiennent au plus près d’une décision d’achat déjà prise, et que ceux qui souffrent le plus sont ceux qui tentent de prendre la décision à la place de quelqu’un.
Ce qu’en fait le dirigeant et ce qu’en fait l’apprenant
La question du dirigeant n’est pas « comment récupérer mon trafic ». Cette question suppose que l’ancien canal est récupérable. Il ne l’est généralement pas, et le responsable qui passe deux ans à réparer un canal structurellement dégradé a commis une erreur d’allocation du capital, pas une erreur de référencement.
La question est : compte tenu d’un canal qui conserve environ 72% de sa valeur à l’extrémité exposée et 96% à l’extrémité protégée, quelle est la bonne allocation ?
Trois conséquences en découlent.
Les revenus d’affiliation cessent d’être passifs. Le qualificatif passif a toujours sous-estimé le coût d’entretien, et cette évolution en balaie le dernier reste. Un canal dont le mécanisme de distribution est activement remanié par la plateforme qui le détient exige une attention continue. Si vous modélisez les revenus d’affiliation comme un actif qu’on installe et qu’on oublie, le modèle est faux avant même de commencer. Nous avons examiné ce que coûte réellement l’entretien selon les types de flux dans le mythe du revenu passif ; l’affiliation se situe désormais à l’extrémité la plus exigeante de cette fourchette, et non la plus légère.
Les activités d’affiliation mono-canal portent un risque de concentration désormais visible. Un seul intermédiaire se tient entre l’activité et chaque euro qu’elle gagne, et cet intermédiaire a modifié les conditions unilatéralement, sans négociation. C’est la définition d’une dépendance concentrée. La réponse est celle qu’appelle tout risque de concentration : construire une relation directe avec l’audience qui ne transite pas par l’intermédiaire, et ajouter des modèles de revenus qui ne dépendent pas d’un trafic interceptable. La matrice de monétisation de l’expertise cartographie les modèles qui reposent sur une distribution empruntée et ceux qui n’en dépendent pas.
Le clic qui reste vaut davantage, traitez-le comme tel. Si le volume de personnes qui arrivent est structurellement plus faible, la valeur de chaque arrivée augmente. Cela plaide pour la profondeur plutôt que l’étendue : moins de pages, meilleures, avec de vrais tests et comparaisons qu’un résumé IA ne peut comprimer sans perdre la substance. Une page qui se contente de reformuler des caractéristiques techniques est exactement ce qui se fait résumer. Une page contenant une information qui n’existe nulle part ailleurs ne peut pas l’être.
Le versant apprenant est plus simple et plus exigeant. La mécanique de ce canal a changé en dix-huit mois. Elle changera encore. Qui a appris l’affiliation comme un ensemble figé de tactiques détient désormais un savoir déprécié ; qui l’a apprise comme un système aux maillons identifiables voit exactement quel maillon a cédé et peut raisonner sur le suivant. Cette différence ne tient pas à l’effort. Elle tient à la façon dont l’apprentissage a été structuré dès le départ.
Ce qui fonctionne encore
Trois choses sont visiblement moins exposées, et elles découlent directement du modèle d’exposition.
Le trafic qui ne naît pas dans une barre de recherche. Les listes de diffusion, les communautés, les plateformes vidéo et les visites directes ne passent pas par une couche de résumé IA. C’est l’implication structurelle la plus claire des données de Pew, et elle pointe dans la même direction que la question de l’audience minimale viable : la distribution que l’on possède prend de la valeur dès que la distribution empruntée devient incertaine.
Les contenus destinés à des décisions déjà prises. Les 96,3% de rétention sur les requêtes courtes de modèle et de marque constituent la position la plus protégée de l’échiquier. Un contenu qui sert quelqu’un qui sait ce qu’il veut et cherche un détail précis est structurellement plus sûr qu’un contenu qui tente d’aider à choisir.
Les tests véritables et les comparaisons originales. Un résumé IA fonctionne en comprimant le consensus entre plusieurs sources. Il peine à comprimer une information qui n’apparaît qu’à un seul endroit. La mesure originale est la seule forme de contenu qui résiste au résumé, et c’est la logique même qui la rend utile quel que soit le canal.
Rien de tout cela ne rétablit l’économie de 2019. Cela vous donne un canal qui fonctionne à une échelle réaliste, avec une compréhension réaliste de ce que coûte son entretien. C’est une activité moins bonne que ne l’était l’affiliation, et nettement meilleure que de faire comme si rien n’avait changé.
Une note opérationnelle sans rapport avec les algorithmes : les Endorsement Guides de la Federal Trade Commission des États-Unis exigent que les liens matériels soient divulgués de façon claire et visible, à proximité de la recommandation concernée, chaque fois qu’elle apparaît. Cette obligation ne dépend pas de la manière dont le trafic arrive et s’applique à la recommandation elle-même, non à la source de trafic.
Questions fréquentes
Le marketing d’affiliation est-il mort en 2026 ?
Non, mais son économie unitaire a changé sensiblement. Les données vérifiées montrent une baisse relative de 46,7% du taux de clic lorsqu’un résumé IA apparaît, et que les résumés apparaissent sur environ 18% des recherches au total mais sur 60% des recherches formulées en question. C’est une dégradation sérieuse concentrée à un endroit précis, pas une extinction. Une activité bâtie sur les formes de requêtes exposées a un vrai problème ; une activité bâtie sur les requêtes courtes, une audience détenue ou un trafic issu de tests originaux a un problème gérable.
Vers quelle catégorie de produits devrais-je basculer ?
Changer de catégorie ne règle pas le problème. Le modèle de revenus ci-dessus montre une baisse identique de 46,7% à chaque palier de commission, de 4,5% à 1%, parce que la perte intervient au niveau du clic, avant même que le taux de commission ne s’applique. Les catégories mieux rémunérées produisent plus de revenus par vente ; elles ne retiennent pas davantage de trafic. Les variables qui font réellement bouger la rétention sont la forme de la requête et la source du trafic.
Être cité à l’intérieur d’un résumé IA remplace-t-il le trafic perdu ?
Pas au vu des données actuelles. Pew a constaté que les utilisateurs cliquaient sur un lien à l’intérieur du résumé dans 1% des visites, contre 8% qui cliquaient sur un résultat classique lors de ces mêmes recherches avec résumé. La citation a une valeur de notoriété et peut produire des effets indirects que les données de clic ne captent pas, mais la traiter comme un canal de trafic n’est pas étayé par les chiffres.
Pourquoi les recherches courtes d’un ou deux mots ont-elles bien mieux résisté ?
Pew a constaté que les résumés IA n’apparaissaient que sur 8% des recherches d’un ou deux mots, contre 60% des recherches formulées en question. Les requêtes courtes sont souvent navigationnelles ou très spécifiques, là où un résumé apporte peu. Cela produit un taux de clic attendu mixte de 14,44% contre une base de 15%, soit environ 96% de rétention.
Que faire en premier si l’essentiel de mon trafic vient de requêtes interrogatives ?
Deux choses en parallèle. Déplacez une part significative de l’effort vers la captation directe de l’audience, afin que les revenus futurs ne dépendent plus du tout du clic de recherche. Puis orientez les nouveaux contenus vers l’extrémité protégée du tableau d’exposition, c’est-à-dire les contenus par modèle précis et post-décision, ainsi que vers des tests originaux qui ne peuvent être résumés à partir d’autres sources. Tenter de rétablir le niveau de trafic antérieur sur les mêmes formes de requêtes est l’option la moins étayée par les données.
Sources
- Pew Research Center, Google users are less likely to click on links when an AI summary appears in the results, 22 juillet 2025
- Programme Amazon Associates, contrat de fonctionnement, barème standard des taux de commission
- Federal Trade Commission des États-Unis, Guides Concerning the Use of Endorsements and Testimonials in Advertising
- Federal Trade Commission des États-Unis, The FTC’s Endorsement Guides: What People Are Asking
- Organisation de coopération et de développement économiques, travaux sur l’intermédiation des plateformes numériques et la concentration des marchés
- Peter Drucker, Management: Tasks, Responsibilities, Practices, Harper and Row
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
