Trafic SEO : sur 20 sites, une médiane de -96,9 % selon un relevé interne non audité

Nous avons étendu le playbook SEO de nos clients au réseau de nos partenaires éditeurs, après que plusieurs de ces sites ont commencé à décrocher. Selon nos relevés internes, non audités par un tiers, un échantillon de vingt sites partenaires afficherait un déclin médian par site de 96,9 %, quand la variation observée sur la cohorte clients s’étale de −20 % à +40 %. Une médiane d’un côté, un intervalle de l’autre : les deux séries ne se comparent pas terme à terme. La différence semblerait ne pas venir de la technique.

Le déclencheur

Une étude circule depuis quelques semaines, The Great Blogging Collapse, de Daniel Stanica : 100 blogs autrefois cités en exemple, suivis sur quatre ans. Le blog médian a perdu 85 % de son trafic organique ; seuls 21 sur 100 ont continué à croître.

Le « nous » de cette étude de cas désigne l’équipe qui a mené ce travail chez Probans. Les réserves en fin d’article, elles, sont les miennes.

Nous étions bien placés pour la tester, sur une fenêtre plus courte : douze mois glissants, de mi-2025 à mi-2026, quand Stanica compare deux points distants de quatre ans. Notre périmètre de suivi couvrait plus de 348 sites (soit environ 67 % des éditeurs avec lesquels nous travaillons), répartis en deux populations très différentes :

• le réseau de nos partenaires éditeurs : des sites de contenu, majoritairement informationnels ;
• nos clients : des marques réelles, souvent transactionnelles, avec plusieurs canaux d’acquisition.

En voyant plusieurs sites du réseau partenaire décrocher, nous avons proposé une chose simple : leur appliquer la même méthodologie et le même soin que nous réservons à nos clients. Pas le suivi courant de ces sites : le traitement premium, complet, celui qui fait justement la valeur de nos prestations clients.

Le résultat est resté radicalement différent. Quand on applique le même contenu d’intervention aux deux populations et que l’écart de résultat reste béant, l’exécution ne semble pas être la variable explicative. Le modèle serait alors le candidat le plus cohérent avec nos relevés, sous les réserves exposées ci-dessous. Une précision qui compte pour la suite : le playbook a été étendu à la cohorte partenaire après le décrochage, alors que la cohorte clients en bénéficie en continu. Le contenu de l’intervention est le même, la durée d’exposition ne l’est pas, et nous ne l’avons pas neutralisée.

Pourquoi ceci n’est pas un audit indépendant, et pourquoi les chiffres qui suivent restent invérifiables par un tiers en l’état. Cette étude est produite par Probans, qui y évalue sa propre méthodologie. Cette méthodologie est appliquée à des sites que Probans traite commercialement. L’étude conclut que ce traitement a réussi là où un suivi plus léger avait échoué. C’est un conflit d’intérêt commercial direct, structurellement comparable à un fabricant qui teste lui-même l’efficacité de son produit. Les chiffres de trafic proviennent de Google Search Console, une source tierce, pas d’une estimation maison. Mais le découpage des deux cohortes, le choix de l’échantillon et l’interprétation qui suit restent internes. Aucune revue par un cabinet, un chercheur ou un outil indépendant (Ahrefs, SEMrush ou équivalent) n’a eu lieu au moment de la publication. Nous n’avons pas cherché à faire vérifier une partie de ces données par un tiers avant de publier. Conséquence directe pour la lecture des chiffres phares de cette étude, −96,9 % de déclin médian et l’échantillon de 20 sites : aucun lecteur externe ne peut aujourd’hui les recouper à partir d’un export public, d’une capture datée ou d’une méthodologie publiée en dehors de Probans. Ils doivent se lire comme une observation interne cohérente avec la thèse de cette étude, pas comme une mesure établie au sens où l’entend un audit indépendant.

Le point de départ : ce que dit l’étude de référence

Sur son échantillon de 100 blogs, l’étude Stanica relève ceci. Le blog médian perd 85 % de son trafic de recherche en quatre ans, 20 blogs sur 100 chutent de 99 % ou plus, et 12 tombent à zéro. Seuls 21 continuent de croître. Le trafic cumulé du panel semble ne baisser que d’un tiers, mais l’agrégat est gonflé par trois sites de cuisine géants ; en les retirant, les 97 autres perdent 63 %.

Deux limites que l’auteur pose lui-même et qu’il faut garder en tête jusqu’au bout de cet article. Ses chiffres sont des estimations Semrush relevées à deux dates, avril 2022 et avril 2026, pas des clics déclarés par Search Console ; et il qualifie son panel de cohorte, explicitement non représentative. Sa médiane de −85 % et la nôtre de −96,9 % ne sont donc pas deux mesures de même nature : nous reprenons son gradient et sa lecture, pas un point de comparaison chiffré.

Daniel Stanica, « The Great Blogging Collapse », 100 blogs suivis sur quatre ans. Le trafic cumulé du panel semble ne baisser que d’un tiers, mais cet agrégat est gonflé par trois sites de cuisine géants : c’est la raison pour laquelle la dernière valeur est retenue ici plutôt que le tiers.

L’étude attribue l’effondrement à un enchaînement : l’ajout de « l’Expérience » aux critères de Google fin 2022, la mise à jour « contenu utile » de septembre 2023, puis la généralisation des réponses IA en tête de recherche en 2025-2026, soit environ la moitié des requêtes, et une chute du taux de clic vers le premier résultat, un chiffre que Stanica reprend d’Ahrefs (Ryan Law et Xibeijia Guan, 4 février 2026). Nous sommes remontés à l’étude d’origine : elle mesure un CTR desktop moyen sur 300 000 mots-clés issus de la base Keywords Explorer et de données Search Console agrégées, dont 150 000 déclenchent une réponse IA et 150 000 non, décembre 2023 comparé à décembre 2025. Le −58 % est la baisse du taux de clic en position 1 attribuée à la présence d’une réponse IA, pas une baisse du volume de clics, et pas une évolution générale du premier résultat. Précision utile sur le producteur : Ahrefs vend des outils SEO et mesure ici l’érosion du canal que ses produits servent à travailler ; ni la base ni le calcul ne sont reproductibles par un tiers. Stanica, de son côté, déclare avoir détenu des sites du modèle qu’il étudie et avoir opéré le pivot vers la newsletter que son étude recommande. Aucun des deux n’a d’intérêt dans le verdict de cet article ; aucun des deux n’est pour autant un observateur neutre de son propre sujet.

1. Fin 2022Ajout de « l’Expérience » aux critères de Google
2. Sept. 2023Mise à jour « contenu utile »
3. 2025-2026Généralisation des réponses IA en tête de recherche, soit environ la moitié des requêtes, et un taux de clic en position 1 en baisse de 58 % là où une réponse IA s’affiche

Enchaînement auquel l’étude Stanica attribue l’effondrement qu’elle observe ; les deux premières dates sont celles qu’elle nomme. Le −58 % est repris par Stanica mais provient d’Ahrefs (Ryan Law et Xibeijia Guan, 4 février 2026) : c’est la baisse du taux de clic desktop en position 1 attribuée à la présence d’une réponse IA, sur 300 000 mots-clés, décembre 2023 comparé à décembre 2025, et non une baisse du volume de clics. Ahrefs édite des outils SEO et est partie prenante du sujet qu’elle mesure.

Le plus utile est le gradient par niche, parce qu’il isole une seule variable : le contenu exige-t-il que l’auteur fasse quelque chose qu’une machine ne peut pas reproduire ?

Source : Daniel Stanica, « The Great Blogging Collapse ».

Aucune niche n’était sûre : l’auteur le dit en propres termes à propos de son gradient. Ce qui départage n’est pas la taille du site mais la nature du contenu ; dans les niches qui survivent, la distribution est bimodale, le contenu de première main a capitalisé et le reste a brûlé comme ailleurs. Et l’expérience seule ne suffit pas : une liste « 10 choses à faire à Dubaï » reste résumable, même écrite par quelqu’un qui y est allé. Le spécialiste d’une région tient ; le producteur de listes interchangeables tombe.

Notre étude part de là et pose une question que Stanica ne teste pas : à optimisation technique égale, l’effet du modèle éditorial est-il aussi net ? Nos deux cohortes vont dans ce sens, sans que cette égalité d’optimisation technique ait été mesurée.

Repère de consensus. L’intuition qualitative que défend cette étude, expérience et marque priment sur la technique face aux réponses IA, n’est pas neuve : les deux sources que nous citons la portent déjà, Stanica explicitement (« What actually survives is content that demonstrates firsthand experience a machine can’t produce or summarize »). Ce que nous ne pouvons pas affirmer, faute de l’avoir fait, c’est qu’un balayage systématique de ce qui se publie sur le sujet aurait été mené : nous n’avons pas conduit de revue de littérature et ne citons ici aucune source au-delà de ces deux-là. La comparaison chiffrée entre deux populations soumises au même contenu d’intervention technique reste, à notre connaissance et sans que nous l’ayons vérifié exhaustivement, l’apport propre de cette étude, avec la réserve d’invérifiabilité exposée plus haut.

La méthodologie

L’analyse croise, par site, les données Search Console sur douze mois glissants (clics, impressions, position, jour par jour), l’intention des requêtes positionnées (informationnelle / commerciale / transactionnelle), les fonctionnalités SERP présentes sur chaque mot-clé, et la part de recherche de marque. L’anomalie de reporting Search Console du 15 septembre 2025 a été neutralisée ; le mois de juin 2026, partiel, est exclu des agrégats.

Côté interventions, le réseau partenaire a reçu le playbook complet de nos prestations clients, le même niveau de soin, mené jusqu’au bout :

• optimisation sémantique des textes via outils tiers (YourText Guru, SERPMantic) ;
• optimisation du crawl après analyse de logs ;
• optimisation des ressources et du cache serveur ;
• nettoyage technique complet, sans erreur notable relevée par nos outils après action ;
• création de silos sur les sites informationnels ;
• design unique par site ;
• trois CMS couverts : WordPress, Shopify, PrestaShop.

Nous n’expliquons donc pas les résultats qui suivent par une exécution bâclée : les sites qui se sont effondrés étaient techniquement propres au terme de ce travail. Nous n’avons pas mesuré cette propreté technique par un indicateur comparable entre les deux cohortes, ni neutralisé le fait que la cohorte partenaire l’a atteinte plus tard que la cohorte clients.

Cohorte A : le réseau des partenaires éditeurs

Sur un échantillon de vingt sites analysés en profondeur, en interne et sans revue tierce (voir la réserve ci-dessus), le constat est net. Le trafic agrégé serait passé d’un pic de référence à un plancher stable représentant −84 %. Ramené au site, la médiane serait pire : −96,9 %.

Le profil médian dit pourquoi :

Source : relevés internes Probans (Search Console), non audités par un tiers.

Sur nos relevés : du contenu informationnel, sur des pages que quasi personne ne semble chercher par leur nom, ciblant des résultats où Google répond déjà sans clic, et dont la plupart ne se classeraient plus en première page.

La forme du déclin est mixte, et c’est ce qui rend la lecture délicate. On y trouve une érosion lente sur la majeure partie de la fenêtre, et une accélération nette sur le créneau que nous rattachons au core update de décembre 2025, sans qu’aucune source externe de cette page ne confirme ce calendrier. Nous n’avons pas de critère sourcé permettant de déduire d’une forme de courbe la couche en cause : la suite est une mise en regard, pas une attribution. En recalant la courbe sur les fenêtres de mise à jour que nous datons nous-mêmes, sans confirmation externe :

Source : relevés internes Probans (Search Console), rapportés à des fenêtres de mise à jour Google que nous datons nous-mêmes, sans confirmation externe ; découpage non audité par un tiers.

Le coup le plus marqué coïnciderait avec un core update de qualité de contenu, pas avec une mise à jour anti-spam. Entre octobre et novembre, le trafic a continué de fondre sans qu’aucune de ces fenêtres ne tombe sur ce créneau : une érosion lente du clic, compatible avec l’hypothèse d’une réponse directe de Google dans la page, sans qu’une coïncidence de calendrier suffise à l’établir.

Tout le travail technique a été fait. Il n’a rien changé de visible dans nos relevés, ce qui est compatible avec l’idée qu’il ne s’attaquait pas à la bonne couche, sans que cela l’établisse au sens strict, et sans que nous puissions séparer cet effet de celui de son application tardive.

Cohorte B : les clients avec une marque

Nos clients bénéficient de ce niveau de soin en standard, et depuis le début de la relation : c’est le cœur de la prestation. Même contenu d’intervention que celui étendu au réseau partenaire, donc, mais appliqué en continu et non après coup. Le résultat, sur nos mêmes relevés internes, serait radicalement différent.

Sur la cohorte clients, la variation observée s’étale de −20 % à +40 %. Ce sont des bornes relevées, pas une distribution : nous n’avons pas calculé de médiane sur cette cohorte, et ces deux nombres ne se comparent donc pas terme à terme à la médiane de la cohorte A.

• Les sites à dominante informationnelle ont perdu au plus 20 %. Nous n’avons pas de référence sectorielle permettant de dire si cet ordre de grandeur correspond au trafic informationnel réabsorbé ailleurs : le seul chiffre externe dont nous disposons, le −58 % d’Ahrefs, porte sur un taux de clic par mot-clé, pas sur le trafic d’un site. Ce qui est observable dans nos relevés, c’est qu’ils ont tenu, et que le reste de leur trafic ne dépendait pas du clic informationnel.
• Les sites concentrés sur le transactionnel, alimentés par plusieurs canaux d’acquisition (marque, direct, social, e-mail, campagnes), ont fait jusqu’à +40 %.

La répartition par CMS recoupe la même ligne de fracture : les sites e-commerce (Shopify, PrestaShop), transactionnels par nature, ont mieux résisté que les sites de contenu WordPress mono-canal. Le CMS n’est pas la cause : c’est un marqueur du modèle d’affaires derrière.

La comparaison : ce que l’écart, à contenu d’intervention identique, suggère

Source : relevés internes Probans (Search Console), non audités par un tiers.

Même contenu d’intervention, à en croire nos relevés internes. Même optimisation des textes, même travail de crawl, de cache, de silos, de design. Et un écart de résultat qui, d’une cohorte à l’autre, va d’une médiane de −96,9 % à une borne haute de +40 % : deux statistiques de nature différente, mises en regard et non comparées.

Quand on applique le même contenu d’intervention et qu’on observe un écart pareil, la lecture la plus cohérente avec nos données, tout en restant une interprétation et non une preuve auditée, est celle-ci : le déterminant ne serait pas la technique, mais le modèle. Elle reste fragile sur un point que nous ne savons pas trancher : la cohorte partenaire a reçu ce traitement plus tard, et une partie de l’écart pourrait tenir à ce retard plutôt qu’au modèle. Trois variables sembleraient séparer les survivants des effondrés, et aucune des trois ne se règle dans le code :

1. L’irremplaçabilité du contenu : le lecteur avait-il besoin de ce site précis, ou la réponse vivait-elle dans mille autres pages ?
2. La recherche de marque : quelqu’un tape-t-il le nom ? La cohorte A est à 0 %.
3. La pluralité des canaux : un site qui n’a que l’organique meurt quand l’organique bouge.

Les clients qui cochaient ces cases ont absorbé la perte informationnelle sans vaciller. Le réseau mono-canal, lui, n’avait aucun amortisseur.

Ce qui aurait pu contredire cette lecture, et ce que nous en tirons vraiment. Si le modèle éditorial n’expliquait rien, les clients informationnels de la cohorte B, dont le contenu reste lui aussi partiellement résumable par une IA, auraient dû encaisser une perte proche de celle de la cohorte A : même intention de recherche, même exposition aux réponses directes de Google. Ce n’est pas ce que nos relevés montrent, leur perte reste au plus de 20 %. Deux limites empêchent d’en faire un test de falsification au sens strict. D’abord, ces −20 % sont une borne de l’intervalle observé, pas une valeur qu’un mécanisme extérieur viendrait confirmer : dire qu’elle « tient » ne dit rien de plus que la façon dont nous l’avons relevée. Ensuite, une prédiction non réfutée sur les mêmes données internes non auditées ne vaut pas réfutation d’une hypothèse concurrente. Ce passage renforce la cohérence interne de la thèse ; il ne la met pas réellement en danger.

Le piège du volume

On construit un portefeuille de N sites en croyant diversifier le risque. Mais si chaque site partage le même point de défaillance unique (un canal, un arbitre, du contenu résumable, aucune marque), alors N sites ne forment pas N paris indépendants. Ils formeraient plutôt un seul pari, répété N fois. Le jour où le point de défaillance cède, tout cède ensemble. Sur nos données, la médiane à −96,9 % est cohérente avec un facteur commun aux vingt sites de l’échantillon. Elle ne le démontre pas : une médiane est un paramètre de position, elle ne contient aucune information sur la dépendance entre sites, et vingt sites indépendants soumis au même choc externe produiraient la même. Nous n’avons calculé ni corrélation, ni décomposition de la variance. Ce cadre empile d’ailleurs trois hypothèses que rien dans nos données ne mesure : le degré de partage effectif du point de défaillance, l’indépendance résiduelle entre les sites, et la part du déclin imputable au facteur commun plutôt qu’à des causes propres. À prendre comme une grille de lecture, pas comme un ordre de grandeur.

Le volume n’était pas de la résilience, en tout cas pas ici. Il ressemble plutôt à de la corrélation déguisée en diversification.

Ce que ça change

La grille qui sépare les deux cohortes se transpose en feuille de route :

• Concentrer, au lieu d’étaler. Les ressources vont sur une poignée d’actifs capables de porter une marque réelle, pas sur le parc entier.
• Rendre l’auteur visible : un visage, une expérience vérifiable, le signal « expérience » que Google et les moteurs IA récompensent.
• Produire l’infabricable : tests réels, données originales, preuves de process, résultats vécus.
• Couper le contenu fin : trente pages à preuve réelle battent cinq cents pages résumables. La formule est de Stanica, qui écrit qu’« un site concentré de 30 pages de contenu de première main bat une ferme de contenu de 500 pages sur tous les signaux qui comptent aujourd’hui ».
• Bâtir une audience possédée : liste e-mail, communauté directe. C’est l’actif le moins exposé à l’arbitrage d’un moteur de recherche, pas un actif hors algorithme : une liste e-mail dépend de la délivrabilité, qui est elle-même arbitrée.
• Multiplier les canaux d’acquisition : c’est ce qui a permis à la cohorte B d’encaisser la perte informationnelle sans tomber.
• Construire un nom qu’on cherche : présence, vidéo, participation aux espaces où les moteurs IA puisent leurs citations.

Et ce qu’il ne faut plus refaire : du « comment faire » sans expérience propre, la duplication d’un même gabarit sur N sites, le pari du canal unique, et les deux pivots que l’étude de référence classe derniers, l’entonnoir cours/coaching et le « greffon IA » sur le blog, qu’elle décrit comme « les deux archétypes les moins performants de cette étude, avec le trafic médian le plus bas et presque aucune croissance ».

La leçon

Le réseau partenaire croyait avoir un problème technique. Nos données internes suggèrent plutôt un problème de modèle, sans que cette lecture ait été vérifiée par un tiers. Le constat tient en une ligne, avec la réserve du juge et partie qui l’écrit : nous avons étendu à ces sites le traitement premium de nos clients, tard et sur des sites déjà en décrochage, et l’écart de résultat est resté entier, à en croire nos seuls relevés.

Un historique de trafic flatteur n’est plus un actif à lui seul : c’est aussi un modèle de risque. Un site 100 % organique, sur une thématique résumable, sans audience possédée et sans recherche de marque, ressemble à ce que Stanica appelle un actif qui fond, quels que soient les chiffres de l’an dernier.

La douve qui a tenu, des deux côtés de la bascule IA et dans les deux études, est la même : un contenu que personne d’autre ne peut produire de façon crédible, distribué à une audience qu’on possède, sous un nom que les gens cherchent vraiment, via plusieurs canaux qu’on contrôle. C’est ce que nos relevés et ceux de Stanica ont en commun, sur deux méthodes de mesure différentes et aucune revue extérieure.

Le reste se loue à Google. Jusqu’au prochain update.

Application par profil de décision

Périmètre de suivi : plus de 348 sites (≈ 67 % de nos éditeurs), deux populations mises en regard sur douze mois glissants, de mi-2025 à mi-2026. Le chiffre phare de cette étude, la médiane de −96,9 %, est établi sur un échantillon de 20 sites, pas sur les 348. Les variations de la cohorte A reposent sur un échantillon de 20 sites mesurés directement en Search Console ; la cohorte clients est suivie sur l’ensemble de son périmètre. Les mesures sont issues directement de Search Console, pas d’une estimation maison. Mais l’attribution des cohortes, l’échantillonnage et l’interprétation restent internes à Probans, sans audit indépendant à ce stade. Aucun export brut, aucune capture datée ni méthodologie détaillée n’est publiée à ce jour hors de cet article : les chiffres phares (−96,9 %, échantillon de 20 sites) sont donc, en l’état, invérifiables par un lecteur externe. Voir la réserve sur le conflit d’intérêt commercial en tête d’article.

Étude de référence : Daniel Stanica, « The Great Blogging Collapse », https://danielstanica.com/posts/Great-Blogging-Collapse