Le champ linguistique de la visibilité : pourquoi une même marque évolue dans des mondes concurrentiels différents

L’article « La visibilité au prisme de la langue et de la géographie » analyse les mécanismes par lesquels la langue influence la visibilité. Ici, nous regardons le phénomène depuis l’autre côté — des données vers la conclusion : que se passe-t-il exactement, pour une marque donnée et pour ses concurrents, lorsque l’on change de langue.

Nous avons choisi Notion — un produit de productivité reconnu à l’échelle mondiale. Délibérément : nous avions besoin d’une marque que le modèle connaissait forcément bien, afin d’écarter l’explication « il y a simplement trop peu de données ». Cinq exécutions, cinq langues, un modèle, un corpus de scénarios.

Le score propre à Notion a varié de façon modérée : de 62.9 en français à 75.7 en allemand, soit une dispersion de 12.8 points. Les intervalles de confiance des exécutions se recouvrent partiellement. Si nous nous étions arrêtés là, la conclusion aurait été rassurante : « de petites variations, peut-être simplement du bruit du modèle ».

Mais nous avons regardé les concurrents.

La dispersion de Notion est de 12.8. Celle de Slack, de 54.9. Celle de Monday.com, de 39.5. Celle d’Asana, de 30.4. Il ne s’agit pas d’un seul marché avec un peu de bruit, mais de cinq paysages concurrentiels différents réunis dans un même tableau.

Disparition binaire : Slack

En russe, Slack obtient un score de 0.0 — le modèle ne le mentionne tout simplement pas dans le contexte des outils de productivité et du travail collaboratif. Dans les quatre autres langues, le résultat est stable : 51–55 points, avec une dispersion de seulement 3.8 points. Une telle stabilité dans quatre langues, combinée à un zéro complet dans la cinquième, constitue un argument fort en faveur d’une propriété durable du champ russophone, et non d’un simple accident.

L’explication se trouve très probablement dans les données d’entraînement : Slack est activement discuté dans les sources anglophones, francophones et germanophones comme un outil de travail en équipe. Dans les sources russophones, c’est presque inexistant. Le modèle n’a pas perdu sa connaissance de Slack ; dans ce contexte, il ne l’a tout simplement jamais acquise.

Gradient de disparition : Monday.com

Monday.com présente un déclin progressif, de 47.4 en russe à 7.8 en français. C’est un troisième schéma, distinct à la fois de la stabilité de Notion et du basculement binaire de Slack. La marque semble se dissoudre à mesure que l’on passe d’un champ linguistique à l’autre — en conservant une présence, mais en perdant du poids.

Inversion : Microsoft Copilot

Là où Notion est le plus fort (allemand — 75.7), Copilot est le plus faible (24.8). En français, le tableau s’inverse : Notion 62.9, Copilot 51.1. Les deux marques semblent fonctionner en bascule, et la langue détermine laquelle se retrouve au-dessus. D’après nos observations, cela pourrait être lié à l’activité de Microsoft sur les marchés européens francophones — mais nous ne disposons pas de données suffisantes pour l’affirmer avec certitude.

Une analyse indépendante de nos données a mis au jour une régularité qui est peut-être plus importante encore que la matrice concurrentielle elle-même.

Lorsque la marque est déjà nommée dans le prompt (mode diagnostique), le modèle répond à son sujet avec la même stabilité dans toutes les langues : 73–79 points, avec un coefficient de variation de 3.7 %. Le modèle connaît Notion aussi bien en russe, en français et en allemand.

Les écarts commencent lorsque l’utilisateur n’a pas encore nommé la marque. La position moyenne dans la réponse, l’entrée dans les trois premiers, la citation du domaine notion.so — tout cela dépend fortement de la langue. En russe, notion.so est cité dans 24.5 % des réponses ; en allemand, dans 21.4 % ; en français, dans 0 %.

Pour une marque, la conclusion est inconfortable : le fait d’être connue du modèle est une condition nécessaire, mais non suffisante. La vraie question est de savoir si vous entrez dans la liste restreinte lorsque l’utilisateur n’a pas encore prononcé votre nom. La réponse à cette question dépend de la langue.

Nous voyons trois canaux par lesquels la langue reconfigure le champ concurrentiel. Tous trois sont des hypothèses étayées par les données de ces exécutions, mais non validées expérimentalement.

Le premier est l’asymétrie des corpus d’entraînement. Le modèle a appris à partir de textes dans lesquels différentes marques sont discutées avec des fréquences différentes selon les langues. Les textes russophones sur la productivité mentionnent à peine Slack ; les textes anglophones l’évoquent en permanence.

Le deuxième est la différence des sources web. En mode web, le modèle cherche dans la langue de la requête et trouve donc des revues, des comparatifs et des classements différents — avec des ensembles de marques différents. Une recherche en français renvoie des sources françaises où Notion est connu, mais où notion.so n’est pas cité.

Le troisième est l’existence de graphes associatifs de catégorie différents. Dans chaque langue, le modèle construit sa propre cartographie de la catégorie « productivité ». En russe, il s’agit de Notion, Asana, ClickUp, Monday.com. En français, de Notion, Slack, Microsoft Copilot, ClickUp. La composition des acteurs diffère, et c’est cela qui détermine qui entre dans la recommandation.

Pour une marque leader de sa catégorie, le VLF relève davantage d’un enjeu stratégique que d’une crise. Votre propre score varie de façon modérée, mais les concurrents contre lesquels vous vous battez dans une langue peuvent être différents dans une autre. Une stratégie construite autour d’un seul ensemble de concurrents risque de devenir non pertinente sur un marché linguistique voisin.

Pour une marque qui n’est pas dominante, la situation est plus rude. Monday.com perd 40 points en passant du russe au français. Slack disparaît complètement en russe. Si votre marque occupe la deuxième ou la troisième place, le VLF est un risque commercial direct : la visibilité acquise dans une langue ne se transfère pas automatiquement dans une autre.

La recommandation pratique est simple : lancer une étude distincte dans chaque langue du marché cible. Comparer non seulement votre score, mais aussi la composition du champ concurrentiel. Une stratégie de croissance de la visibilité doit tenir compte des concurrents concrets qui existent dans chaque langue — car, d’une langue à l’autre, il peut s’agir d’entreprises différentes.

Les données ont été obtenues à partir de cinq exécutions d’une même marque (Notion) sur le modèle GPT-5.4. Toutes les exécutions ont utilisé le corpus standard AI100 de 200 scénarios. Deux exécutions (RU et FR) ont été réalisées le 2 avril, trois (EN, DE, ES) le 3 avril 2026. Les différences entre les jours (day effect) ne sont pas distinguées de l’effet de langue.

Les intervalles de confiance des scores finaux se recouvrent partiellement. Le test Q de Cochran estime à 4–8 % la probabilité que l’ensemble de la dispersion s’explique par le bruit du modèle — à la limite de la significativité statistique. Mais les schémas structurels — stabilité de Slack dans quatre langues avec un zéro dans la cinquième, gradient de Monday.com, inversion de Copilot — s’expliquent mal par la stochasticité.

La principale limite est claire : une seule marque, un seul modèle, une seule catégorie, une seule exécution par langue. Pour une validation complète, il faudrait des exécutions répétées (au moins 5 par langue) et des tests sur d’autres marques et d’autres modèles. Nous appelons cette observation VLF et la considérons comme suffisamment étayée pour être publiée, mais insuffisamment validée pour des conclusions définitives.