« Bulle de réponses » : pourquoi une même marque apparaît différemment dans ChatGPT, Google, Copilot et d’autres systèmes

Le responsable marketing d'une entreprise SaaS décide de vérifier comment l'IA décrit son produit. Il ouvre ChatGPT, tape « Quel outil d'analytique conviendrait à une boutique en ligne de taille moyenne ? » — et obtient une réponse encourageante : la marque figure dans le top 3, la description colle à la réalité, la catégorie est correcte. Cinq minutes plus tard, la même question part vers Google AI Mode. Le tableau change : l'entreprise est mentionnée, mais en cinquième position, qualifiée de « solution entreprise à forte barrière d'entrée », tandis que le podium est occupé par deux concurrents que le responsable considérait comme des acteurs de niche. Perplexity livre une troisième version : la marque est purement absente, remplacée par un agrégateur dont le responsable n'a jamais entendu parler. Une question — trois systèmes — trois marchés différents. Et aucune des trois images n'est « correcte » au sens absolu. Chacune est assemblée à partir de ses propres sources, selon ses propres règles de sélection, avec sa propre vision de ce qui mérite d'être mentionné.

Au printemps 2026, les chercheurs de l'étude Answer Bubbles ont confirmé cette observation à grande échelle : 11 000 requêtes réelles soumises à plusieurs systèmes ont montré qu'il ne s'agit pas simplement de différences de qualité des réponses — ce sont des réalités informationnelles structurellement distinctes [1]. Les mêmes requêtes menaient à des ensembles de sources différents, à des tons de confiance différents et à des niveaux de visibilité différents pour les divers types de documents. De surcroît, après l'activation de la recherche, les systèmes commençaient à sonner plus assurés tout en renforçant leurs propres biais de sélection des sources [1]. Les différences ici ne portent pas sur des nuances de style. Ce sont des différences dans la conception même de la fenêtre à travers laquelle l'utilisateur voit le marché. Les divergences ne s'arrêtent pas aux frontières des plateformes, cependant : il suffit de changer la langue de la requête pour que la même marque, dans le même système, apparaisse très différemment. Cette dimension linguistique et géographique fait l'objet d'un article séparé.

Pourquoi cela se produit-il ? La première raison tient à la diversité des infrastructures de recherche et d’extraction. Google explique explicitement que AI Overviews et AI Mode utilisent une décomposition en éventail de la requête par sous-thèmes et par sources de données — ce que l’entreprise appelle elle-même query fan-out — et peuvent afficher un ensemble de liens d’appui plus large que la recherche classique [2]. Mais Google précise également que AI Mode et AI Overviews peuvent recourir à des modèles et à des techniques différents, si bien que l’ensemble des réponses et des liens varie même à l’intérieur d’un même écosystème [2]. C’est une nuance importante. La différence entre les systèmes ne passe pas seulement par la frontière « Google contre tous les autres », mais aussi, au sein de chaque plateforme, entre différents modes de réponse.

La deuxième raison est la différence de mémoire paramétrique des modèles, c’est-à-dire du savoir assimilé avant la requête elle-même. L’étude Navigating the Shift souligne que l’écart entre la recherche traditionnelle et les réponses génératives s’explique non seulement par l’extraction web en temps réel, mais aussi par le préapprentissage du modèle, qui continue de façonner la logique de sélection et d’interprétation des sources [3]. Pour une marque, cela signifie une chose désagréable mais salutaire : sa présence sur internet ne garantit pas encore que tous les systèmes la liront de la même manière. Un système s’appuie davantage sur la recherche vivante et sur les documents récents, un autre sur des régularités de catégorie assimilées à l’avance, un troisième sur un mélange des deux.

La troisième raison est la différence des préférences de sources. Answer Bubbles montre que, dans les synthèses génératives, Wikipedia et les textes plus longs apparaissent de manière disproportionnée, tandis que les sources sociales et à tonalité négative sont, à l’inverse, sous-représentées [1]. L’étude The Rise of AI Search ajoute une autre couche à ce tableau : la recherche assistée par IA fait remonter en moyenne moins de « longue traîne » du web, cite plus souvent les plus grands sites et offre, dans l’ensemble, une variabilité des réponses plus faible que la recherche classique [4]. Pour le marché, cela signifie que différents systèmes ne se contentent pas de trouver des documents différents. Ils résolvent différemment la question de savoir quel type de source mérite, au fond, de faire partie de la version publique de la réalité.

La quatrième raison tient à des choix d’interface et de politique produit différents. Dans l’étude déjà citée The Rise of AI Search, les auteurs montrent que l’apparition même d’une réponse d’IA dépend du type de requête : les questions reçoivent des synthèses de réponse bien plus souvent que les formulations navigationnelles [4]. Cela peut sembler anecdotique, mais pour une marque les conséquences sont énormes. Une entreprise peut être très visible dans un mode de requête directe par nom et presque disparaître dans un mode de question sur la catégorie, où la décision est prise plus tôt et sans intention explicite de visiter le site de la marque. En pratique, cela signifie que différents systèmes ne répondent pas seulement différemment à la question, mais tranchent aussi différemment sur le point de savoir si la question mérite elle-même une réponse générative.

La cinquième raison est la différence des critères de confiance accordés aux sources. Dans Search Arena, on voit que les utilisateurs préfèrent plus souvent les réponses comportant un plus grand nombre de citations, et que le type des sources citées influe également sur cette préférence [5]. SourceBench souligne, de son côté, que la qualité des sources détermine directement la fiabilité de la réponse [6]. Mais la question de savoir quelles sources doivent être considérées comme de qualité est résolue différemment par chaque système. Pour l’un, les grands pôles de référence comptent davantage ; pour l’autre, ce sont les plateformes technologiques et sociales ; pour un troisième, les documents officiels ou les catalogues commerciaux. Ainsi, une marque peut gagner dans un environnement grâce à une documentation solide et perdre dans un autre, où la couche décisive est celle des analyses indépendantes.

L’effet pratique de ces différences apparaît clairement dans des exemples tirés du travail quotidien. Supposons qu’une entreprise vende un service analytique complexe pour le commerce électronique. Dans une interface de réponse, elle peut être présentée comme une « solution pour les commerces de taille moyenne et grande » — parce que le système s’est appuyé sur le site officiel, une revue sectorielle et plusieurs longs articles comparatifs. Dans une autre interface, la même marque apparaîtra comme un « produit d’entreprise coûteux » — parce que le modèle aura attiré un ensemble de publications externes sur de grands déploiements et ignoré le segment des petites entreprises. Dans une troisième réponse, elle disparaîtra complètement au profit de services plus simples, si la question de l’utilisateur a été formulée comme « avec quoi démarrer rapidement sans long déploiement ». Et, dans les trois cas, il ne sera pas question de mensonge au sens strict, mais de régimes différents de sélection, d’accentuation et de généralisation.

Il en découle une conclusion méthodologique très importante : un instantané isolé de visibilité est presque inutile. Si une marque s’est vérifiée une seule fois, dans un seul système, avec une seule requête et dans une seule langue, elle n’a pas mesuré le marché — elle a mesuré un hasard. Pour comprendre la situation réelle, il faut évaluer non seulement le résultat moyen, mais aussi la dispersion. Combien de versions différentes de la marque apparaissent dans différents systèmes ? Avec quelle stabilité les propriétés clés se répètent-elles ? Comment l’ensemble des citations change-t-il quand on modifie la formulation ? La marque apparaît-elle dans les réponses sur la catégorie sans mention directe de son nom ? Ce sont là les questions qui montrent réellement la position d’une entreprise dans l’environnement de réponse.

Pour la future base ai100, un schéma d’observation presque naturel s’impose ici. Pour chaque requête étudiée, il vaut la peine de conserver non seulement le fait même de la réponse, mais aussi le système, le mode de réponse, la date, la langue, le type d’intention, l’ensemble des citations, le ton dominant, la place de la marque dans la composition de la réponse et le nombre d’alternatives automatiquement ajoutées à la comparaison. Alors la « bulle de réponses » cessera d’être une métaphore pour devenir une grandeur mesurable : on pourra voir à quel point la marque résiste au changement d’intermédiaire et à quel endroit exact commence la divergence.

Une conclusion plus profonde encore s’impose pour l’entreprise. Si différents systèmes construisent différentes versions d’une marque, alors la tâche stratégique de l’entreprise n’est pas d’obtenir une uniformité absolue, en principe inaccessible, mais de réduire la dispersion chaotique et d’augmenter la part des interprétations souhaitables. Cela ne s’obtient pas par des procédés magiques d’« optimisation pour l’IA », mais par une discipline de la connaissance : des formulations cohérentes sur ses propres ressources, des validations externes solides, une couche de données lisible par machine claire, une catégorisation précise du produit et une attention portée aux types de questions où la marque disparaît aujourd’hui.

Dans un certain sens, la « bulle de réponses » est une nouvelle forme de fragmentation du marché. Autrefois, les entreprises se battaient pour une place dans les résultats de recherche. Désormais, elles se battent aussi pour la stabilité de leur entité lors du passage d’une machine de réponse à une autre. C’est pourquoi, en 2026, une marque mature devrait se demander non pas seulement « que dit l’IA de nous ? », mais « quelles versions de nous existent dans différents mondes de réponse — et laquelle l’emporte le plus souvent sur les autres ? » Ce n’est qu’après une telle question que commence un travail véritablement contemporain sur la visibilité.