Pas un blog, mais une bibliothèque de recherche sur la perception des marques par l'IA

Concepts

Termes utilisés dans les articles et rapports AI100. Un vocabulaire unifié aide à lire la recherche et à comparer les résultats.

Distinguabilité machine

Capacité d’un système d’IA à identifier de manière stable la marque comme la bonne entité dans le scénario pertinent. Plus forte que la simple reconnaissance du nom.

Visibilité fonctionnelle

Participation de la marque au moment réel du choix : dans une liste restreinte, une recommandation ou une comparaison. Une marque peut être connue, tout en restant fonctionnellement invisible.

Contour de sources

Ensemble des sources propres, externes, issues des utilisateurs et structurées à partir desquelles le système construit son opinion sur la marque. Objet clé de l’audit.

Mention

Fait que le nom de la marque ou l’entité apparaisse dans la réponse. Le niveau de présence le plus faible.

Citation

Situation dans laquelle la marque ou une source qui lui est liée devient l’appui probant de la réponse. Plus forte qu’une simple mention.

Influence

Capacité de la marque à définir le cadre de la réponse : les critères, la catégorie, la liste d’alternatives, le langage de comparaison. Le niveau le plus précieux et le plus rare.

Décalage de mise à jour

Retard entre la modification d’un fait concernant la marque et son apparition stable dans une réponse machine. Il se compose de plusieurs étapes.

Lisibilité machine

Degré auquel les propriétés de la marque et du produit peuvent être extraites de manière fiable à partir de données structurées et synchronisées. Particulièrement importante dans les scénarios commerciaux.

Substitution de catégorie

Déplacement de la marque vers un cadre de choix qui n’est pas le sien, ou remplacement de son marché par une autre catégorie de tâche. Se produit souvent avant la comparaison directe des marques.

Perte avant le clic

Participation perdue de la marque dans la formation du choix avant même la visite du site. Nouvelle unité économique d’analyse.

Environnement de réponse

Mode d’interaction dans lequel un système d’IA ne renvoie pas une liste de documents, mais formule immédiatement une réponse synthétisée à la question de l’utilisateur. C’est précisément dans l’environnement de réponse que la marque n’est plus en concurrence pour une position dans les résultats, mais pour une place à l’intérieur de la réponse déjà formulée.

GEO (Generative Engine Optimization)

Ensemble de pratiques visant à faire apparaître la marque plus souvent et plus précisément dans les réponses des systèmes d’IA générative. Il se distingue du SEO classique en ce qu’il n’optimise pas la position dans une liste de liens, mais la participation à une réponse synthétisée. Terme de marché déjà utilisé par les concurrents et les clients. Il est utile de le connaître, mais il importe de garder à l’esprit que derrière cet acronyme se trouve la même tâche — la distinguabilité machine.

LLMO (Large Language Model Optimization)

Synonyme de GEO, qui met l’accent sur l’optimisation pour les modèles de langage eux-mêmes, et non pour les moteurs de recherche dotés d’une surcouche d’IA. Apparaît plus rarement dans les documents de marché que GEO, mais décrit la même tâche.

RAG (Retrieval-Augmented Generation)

Approche architecturale dans laquelle un modèle de langage, avant de générer une réponse, extrait des documents pertinents d’une source externe (recherche web, base de connaissances, catalogue) et les utilise comme contexte. C’est précisément RAG qui explique pourquoi les sources web et les données structurées influencent la réponse du modèle en temps réel, et pas uniquement par l’apprentissage.

Clic zéro (zero-click)

Situation dans laquelle l’utilisateur obtient une réponse suffisante directement dans l’interface d’un moteur de recherche ou d’un système de réponse et ne visite aucun site externe. Dans le clic zéro, la marque participe soit à la formation de la réponse, soit elle perd entièrement le contact avec l’utilisateur.

Graphe de connaissances (Knowledge Graph)

Base structurée d’entités et de relations entre elles, utilisée par les moteurs de recherche et les systèmes de réponse pour identifier, classifier et décrire des objets du monde réel. La présence de la marque dans un graphe de connaissances (par exemple, Google Knowledge Graph ou Wikidata) accroît la probabilité d’une identification correcte de l’entité dans la réponse.

Désambiguïsation d’entités (entity disambiguation)

Capacité du système à distinguer une entité d’une autre lorsque les noms, les catégories ou les contextes coïncident ou se ressemblent. Si le nom de la marque est ambigu ou coïncide avec une notion générique, le modèle peut la confondre de manière systématique avec une autre entité.

AI Overview

Bloc de réponse synthétisée que Google affiche au-dessus des résultats de recherche ordinaires. Il est généré par un modèle d’IA à partir de sources web. Pour de nombreuses catégories, AI Overview est déjà devenu le premier point de contact de l’utilisateur avec l’information. La marque y figure ou se retrouve reléguée en dessous.

Hallucination (hallucination)

Situation dans laquelle un modèle de langage génère une affirmation qui n’est pas étayée par des sources ou qui est factuellement fausse, mais formulée avec assurance. L’hallucination peut aussi bien aider la marque (le modèle lui « invente » un avantage inexistant) que lui nuire (il lui attribue le défaut d’un autre). Dans les deux cas, le risque est réel.

Bulle de réponses

Effet par lequel une même marque apparaît de manière sensiblement différente dans les réponses de différents systèmes d’IA, en raison des écarts entre les données d’apprentissage, l’architecture de récupération et la logique de synthèse. Il n’existe pas de visibilité IA unifiée. Le diagnostic doit être mené sur plusieurs plateformes.

Choix agentique

Scénario dans lequel un agent d’IA cherche, compare et prend une décision pour l’utilisateur de manière autonome, sans afficher au préalable une liste d’options. Dans un scénario agentique, la marque n’est plus en concurrence pour l’attention humaine, mais pour la préférence machine. C’est l’étape suivante après l’environnement de réponse.

Grade de confiance (Confidence Grade)

Évaluation interne de la qualité d’une exécution. Elle est calculée à partir de la largeur de l’intervalle de confiance, du pourcentage de prompts défaillants et de la dispersion entre les familles de scénarios. Les grades sont les suivants : A (élevée) — intervalle étroit, résultat stable. B (bonne) — résultat fiable avec une variation modérée. C (modérée) — sensibilité notable à la composition du corpus. D (exploratoire) — résultat instable, une nouvelle exécution est recommandée. Le grade montre la stabilité de la mesure. À partir de C et en dessous, une nouvelle exécution est recommandée avant de prendre des décisions.

Mode natif

Mode dans lequel le modèle répond uniquement à partir des données d’apprentissage, sans accès à internet. Il montre à quel point la marque est ancrée dans les connaissances de base du modèle. Si le score natif est élevé, la marque est déjà « intégrée » au modèle. S’il est faible, le modèle ne connaît pas la marque sans indices externes.

Mode web

Mode dans lequel le modèle recherche en plus des informations sur internet avant de répondre. Il montre dans quelle mesure les sources externes renforcent ou affaiblissent la position de la marque. L’écart entre le mode web et le mode natif montre si le site et l’environnement externe aident la marque ou lui nuisent.

Champ linguistique de visibilité (Visibility Language Field, VLF)

Phénomène par lequel un modèle d’IA construit un environnement concurrentiel différent pour une marque selon la langue des prompts. Lorsque la langue change, certains concurrents disparaissent des réponses, d’autres apparaissent et le classement change radicalement. Pour une marque dominante dans sa catégorie, le score global fluctue modérément, mais pour des concurrents moins visibles l’écart peut atteindre des dizaines de points — jusqu’à l’invisibilité totale dans certaines langues. Le VLF naît de l’asymétrie des corpus d’entraînement, des différences entre les sources web et de la formation de graphes associatifs distincts pour chaque langue. Le modèle peut connaître une marque aussi bien dans toutes les langues, mais la recommander différemment : la placer en tête dans une langue tout en cédant la place à un concurrent qui n’existait pas du tout dans la première langue. La connaissance d’une marque ne garantit pas une recommandation. Une marque peut être aussi bien connue du modèle dans cinq langues, mais n’apparaître dans la liste restreinte que dans deux. Les concurrents diffèrent également — une stratégie efficace contre un ensemble de rivaux peut être inutile dans une autre langue. Il est recommandé de réaliser une étude séparée pour chaque langue du marché cible.

Métriques du rapport

Métriques quantitatives présentes dans le rapport AI100. Les poids du score principal déterminent le AI Visibility Score. Les poids diagnostiques s'appliquent uniquement à la couche explicative.

Poids du score principal

Poids du score diagnostique

Scénarios de recherche

Chaque scénario teste un type différent de visibilité

Première apparition

L'utilisateur pose pour la première fois une question sur une catégorie — sans noms, sans indices. Le modèle doit se souvenir de la marque par lui-même, en se basant uniquement sur ses connaissances internes. C'est le test de base : la marque existe-t-elle pour la machine en tant que partie de la catégorie ?

Shortlist

L'utilisateur demande au modèle de proposer plusieurs options pour comparaison. Le test montre si la marque entre dans l'ensemble de considération — ou si le modèle constitue sa liste courte sans elle.

Comparaison

Le modèle compare plusieurs solutions selon les critères de l'utilisateur. Le test vérifie avec quelle conviction la marque maintient sa position dans une comparaison directe — et quels arguments le modèle trouve en sa faveur.

Classement

Le modèle établit un classement explicite selon des critères donnés. Le test montre quelle position la marque occupe dans la hiérarchie et avec quelle constance elle se maintient dans la partie supérieure de la liste.

Confiance

L'utilisateur demande si l'on peut faire confiance à une solution — est-elle fiable, sûre, éprouvée ? Le test mesure si le modèle associe la marque à la fiabilité et est prêt à la recommander comme un choix sûr.

Expertise

Le modèle répond à une question nécessitant une connaissance approfondie du produit ou du secteur. Le test vérifie si le modèle détecte des signaux d'expertise dans la marque — détails spécifiques, spécialisation, compétences uniques.

Recherche par tâche

L'utilisateur décrit une tâche ou un problème spécifique sans nommer de produits. Le modèle sélectionne une solution adaptée par lui-même. Le test montre si le modèle se souvient de la marque comme réponse à un besoin pratique.

Navigation thématique

L'utilisateur explore un sujet en plusieurs étapes — des questions générales aux questions spécifiques. Le test vérifie si la marque apparaît au fil de l'approfondissement de la conversation et dans quel contexte le modèle la mentionne.

Choix d'agent

Un agent IA (système automatisé) sélectionne une solution sans intervention humaine — par exemple, pour l'intégration ou l'automatisation. Le test simule un scénario où la marque doit être choisie par une machine pour une machine.