Canon des concepts AI100

Distinguabilité machine

Capacité d’un système d’IA à identifier de manière stable la marque comme la bonne entité dans le scénario pertinent.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : Objet clé de l’audit.

Mention

Fait que le nom de la marque ou l’entité apparaisse dans la réponse.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.

Signification pratique : 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.