Visibilité d'une marque dans l'IA : comment je la mesure et avec quels outils

La visibilité d'une marque dans l'IA est la part des réponses des assistants IA aux questions de vos clients dans lesquelles la marque est nommée ou sa page est donnée comme source. Je la calcule sur mon propre jeu de questions, séparément pour chaque assistant et séparément pour la mention et pour la citation. Personne en dehors des éditeurs des assistants ne connaît toutes les questions que les gens leur posent, si bien qu'on ne peut pas calculer une « part de marché de l'IA ». Un chiffre de visibilité dans l'IA n'a de sens qu'accompagné de ce sur quoi il est calculé : combien de questions, quel assistant et quel jour.

Trois fois entre août et octobre, mon propre contrôle a montré qu'un chiffre qui avait l'air bon signifiait autre chose que ce que je pensais :

1. La « présence de la marque » dans le rapport d'un de mes projets s'est révélée être la citation de la page, et non la mention de la marque. Dans Perplexity, le rapport affichait 2 %, alors que la marque était nommée dans 37 % des questions ; dans les seules questions sans son nom, dans 21 %.
2. Le test censé montrer que la position sur les sous-requêtes (les requêtes que l'assistant envoie lui-même au moteur de recherche en répondant) prédit les citations mieux que la position sur l'expression principale donnait un résultat conforme à la thèse, jusqu'à ce que le relecteur remarque que j'avais comparé des mesures de précision différente.
3. Le nombre de citations dans un outil a augmenté de moitié en une semaine pour deux marques, alors que leur part n'a presque pas bougé : c'est donc très probablement la base de réponses collectées par l'outil (son index) qui a grandi, et non la visibilité des marques.

Je mesure la visibilité dans l'IA de manière à trouver de telles erreurs avant le rapport au client, et non après. J'ai décrit le deuxième de ces cas dans le texte sur le GEO et le SEO IA, les deux autres sont plus bas.

Qu'est-ce que la visibilité d'une marque dans l'IA ?

La visibilité d'une marque dans l'IA est la présence de la marque dans les réponses générées par l'AI Overview et le Mode IA de Google, ChatGPT, Gemini, Perplexity et Copilot, calculée comme une part de ces réponses. Une marque peut figurer dans une telle réponse de deux façons, et je les compte séparément :

1. La mention : le nom de la marque figure dans le texte de la réponse que l'utilisateur lit.
2. La citation : la page de la marque est donnée comme source, en général en note ou dans la liste de liens à côté de la réponse.

L'un n'entraîne pas l'autre. Un assistant peut recommander une marque par son nom sans donner sa page, parce qu'il la connaît de mémoire ou par des textes d'autres personnes. Il peut aussi donner la page de la marque comme source d'une information générale sans écrire une seule fois son nom. Dans le texte sur le GEO et le SEO IA, je décris d'où un assistant tire ses connaissances sur une marque : de la recherche ou de la mémoire du modèle.

Dans une réponse d'IA, il n'y a pas de position, je mesure donc une part et non une place. La réponse d'un assistant est produite à nouveau à chaque fois et n'est pas une liste de dix résultats. Eli Schwartz l'a résumé en une phrase :

C'est pourquoi, au lieu d'une position, je compte dans combien de réponses à mon jeu de questions la marque apparaît. Le chiffre « la marque est à la 3e place dans ChatGPT » décrit une seule réponse d'un seul jour, et la réponse suivante à la même question peut nommer d'autres marques dans un autre ordre.

Comment vérifier la visibilité d'une marque dans ChatGPT et les autres assistants IA ?

Je la vérifie en six étapes et je ne compte qu'à la cinquième. Les étapes précédentes servent à ce que le chiffre final concerne la bonne marque et les bonnes questions.

Étape 1. Vérifiez si l'assistant sait de quelle marque il s'agit

Avant de compter quoi que ce soit, je pose une question avec le seul nom de la marque et je lis la réponse. Si l'assistant confond la marque avec une autre entreprise, tous les chiffres suivants peuvent concerner une autre société. Pour une boutique en ligne polonaise, l'outil de visibilité dans l'IA a affiché 55 points sur 100 et 100 % de part, alors que toutes les réponses d'où il avait tiré ce résultat concernaient une autre entreprise, connue, portant le même nom. Dans un autre outil, une marque dont le nom est un mot courant du dictionnaire a obtenu plus de 400 000 pages avec une mention, parce que l'outil comptait chaque emploi de ce mot. La marque de comparaison en avait moins de 7 000.

Quand une entreprise du même secteur porte le même nom, la mesure perd son sens, et quand c'est quelqu'un d'un autre domaine, elle est seulement plus difficile. Dans le premier cas, avant de compter quoi que ce soit, je mets en ordre la description de la marque sur son site et dans ses profils, pour que l'assistant puisse la distinguer. Mon prénom et mon nom sont aussi portés par un acteur et un pilote, la mesure de ma marque a donc un sens, mais pour chaque mention je vérifie qu'elle me concerne.

Étape 2. Lisez les résultats Google sur le nom de la marque

L'AI Overview et le Mode IA s'appuient sur l'index de Google, je regarde donc d'abord ce que Google affiche sur le seul nom de la marque. Pour chaque résultat du top 10, je note si je contrôle cette page entièrement, en partie (par exemple un profil sur le site de quelqu'un d'autre) ou pas du tout. Sur mon prénom et mon nom, le 3 octobre 2026 dans le Google polonais, je ne contrôlais entièrement aucun des 10 résultats, et j'en contrôlais un en partie.

Ensuite, je cherche dans ces pages les phrases que les assistants répètent sur la marque. Si la phrase figure dans les résultats, je sais d'où l'assistant la tire et je peux demander la correction de cette page. Si elle n'y figure pas, elle est probablement dans la mémoire du modèle, et la correction des pages ne la changera pas rapidement.

Étape 3. Composez un jeu de questions et ne le changez pas

Je prends les questions dans les données de demande et dans la Search Console, et non dans un remue-méninges. Dans la Search Console, je choisis les requêtes sur lesquelles la page s'affiche déjà, et je complète avec des expressions issues des outils de recherche de mots-clés. J'ai décrit la répartition des questions selon la position de la page dans le texte sur la stratégie SEO. Quand, sur la période d'où je prends les requêtes, le site a dans la Search Console moins d'environ 1 000 impressions et 100 requêtes différentes, je n'en tire pas de questions, car sur un échantillon aussi petit je ne choisirais pas de questions qui disent quelque chose du marché. C'est un seuil indicatif de mon processus, et non le résultat d'un test.

La plupart des questions, je les compose sans le nom de la marque, pour la raison décrite dans le texte sur le GEO et le SEO IA. La question « X est-il bien ? » mesure ce que l'assistant sait de X, et non s'il recommandera X à quelqu'un qui n'en a jamais entendu parler. Je compose les questions sans nom de marque sous trois formes (les exemples sont indicatifs) :

• une catégorie précisée, par exemple « cabinet comptable pour une entreprise individuelle à Lyon » ;
• une comparaison où figure seulement le nom du concurrent, par exemple « alternative à [concurrent] » ;
• une question sur une fonction précise, par exemple « quelle application de notes fonctionne sans internet ».

Les questions de réputation, je les compte à part et je ne les intègre pas à la visibilité. « X est-elle une entreprise fiable ? » et les paires de questions « qui choisir » et « qui éviter » montrent ce que l'assistant pense de la marque, et non s'il la recommande. Pour la boutique dont je parlais à l'étape 1, les assistants répondaient à la question de savoir si c'était une boutique fiable en citant les plaintes de clients.

Les questions sur une marque polonaise, je les pose en polonais et en anglais. Dans mon test, une partie des sous-requêtes de questions en polonais était en anglais, comme je l'explique dans le texte sur le GEO et le SEO IA.

Je ne change pas le jeu entre les mesures. J'ajoute les nouvelles questions comme un groupe distinct, car chaque modification de la liste fausse la comparaison avec la mesure précédente.

Étape 4. Fixez le nombre de répétitions par un pilote et notez quand et où

Je ne fixe pas le nombre de répétitions à l'avance : sur un nouveau jeu de questions, je fais d'abord un pilote où je pose chaque question 10 fois, toutes en même temps. C'est ce que recommande Dmitrij Żatuchin dans le protocole Dice Roll Method pour interroger de façon répétée des modèles sur des marques (arXiv, version 2 du 14/10/2026). Le pilote permet de calculer à quel point les réponses à une même question diffèrent, à quel point les questions diffèrent entre elles, et donc combien de répétitions il faut pour obtenir le résultat qui m'importe. Dans cette version du travail, l'auteur a retiré les seuils fixes de la version 1 (de 5 à 20 répétitions selon le type d'étude), car ils avaient été calculés sur les données d'un générateur synthétique et non sur des données d'études.

Le pilote donne en général deux chiffres différents : peu de répétitions pour un résultat sur l'ensemble d'un assistant, et beaucoup plus pour comparer une seule question avant et après une modification. Je présente plus bas, dans la partie sur les répétitions, les chiffres de mon test et du travail de Żatuchin. L'AI Overview a été le plus stable dans mes données : pour 77 questions sur 94, il a donné trois réponses identiques, et un seul relevé lui suffit donc en général.

Pour chaque réponse, je note quatre choses : l'assistant, la surface, la version du modèle, la date et l'heure. La surface est l'endroit où le modèle répond : l'application de chat, l'API, le Mode IA de Google ou l'AI Overview. Les réponses de l'API ne sont pas forcément les mêmes que ce que voit l'utilisateur de l'application, et je n'additionne donc pas les résultats de deux surfaces en un seul chiffre.

L'heure de la réponse permet de distinguer le hasard d'un changement dans le temps. Dans le test de répétitions, Perplexity a cité la page du projet dans 0, 2 et 9 questions lors des répétitions successives, avec un nombre de mentions presque constant (33, 36 et 35). Très probablement, l'accès à la page a changé pendant la mesure, mais la feuille de calcul n'avait pas l'heure des réponses, et on ne peut pas le vérifier. C'est pourquoi, dans les mesures suivantes, j'envoie les répétitions en même temps et je note l'heure de chaque réponse.

Étape 5. Comptez séparément les mentions et les citations

Le résultat pour un assistant est la part de toutes les réponses dans lesquelles la marque est apparue, séparément pour la mention et pour la citation. Je totalise les sources de toutes les répétitions. Les questions pour lesquelles la marque n'est apparue que dans une partie des réponses, je les marque comme instables et je n'en tire pas de conclusions sur une question isolée.

Étape 6. Vérifiez ce qui peut invalider le diagnostic

Avant d'écrire à un client ce qui lui manque, je vérifie les situations où le diagnostic serait faux :

• L'assistant ne recommande personne dans cette catégorie, par exemple pour des questions de santé, de finance ou de droit. Il n'y a alors pas d'écart que la marque pourrait combler.
• L'assistant répond de mémoire, sans recherche. Le travail sur le site ne changera alors rien pendant longtemps.
• Un concurrent que j'ai moi-même inscrit dans la comparaison ne fonctionne pas. Dans une mesure, quatre domaines sur lesquels j'avais appuyé la thèse que la catégorie est vide n'avaient même pas d'enregistrement DNS, c'est-à-dire que l'adresse du domaine ne menait à aucun serveur. Zéro citation chez un concurrent dont le site ne fonctionne pas ne signifie pas une place libre dans la catégorie.
• La visibilité dans l'IA augmente, alors que le trafic de Google baisse sur la même période. SearchPilot décrit un test pour le site Omio dans lequel une modification des pages a aidé le trafic issu des modèles de langage, mais, selon leur estimation, aurait réduit le trafic de Google d'environ 6,5 %, et elle n'a donc pas été déployée (SearchPilot). C'est pourquoi, à côté des réponses de l'IA, je regarde toujours le trafic de Google.

Après chaque modification du site ou de la description de la marque, je répète les étapes 4 à 6 sur le même jeu de questions. C'est la seule façon de pouvoir comparer le résultat d'avant et d'après.

Quelles métriques de visibilité dans l'IA faut-il mesurer ?

Pour chaque assistant, je mesure deux chiffres : la part des réponses avec une mention de la marque et la part des réponses avec une citation de sa page. À cela s'ajoutent la part par rapport aux concurrents sur le même jeu de questions et le nombre de questions instables. Le trafic venant des assistants dans l'outil d'analyse, je le traite comme une mesure à part, car il est toujours sous-estimé : une partie des visites arrive sans information sur la source.

Quand j'ai compté les mentions séparément, il s'est avéré que le rapport sur la « présence de la marque » mesurait des citations. Dans l'un des projets que je mène, la mesure du 29 août 2026 portait sur 94 questions, cinq surfaces d'IA et trois répétitions, soit 1 410 réponses au total. Le script qui la calculait ne considérait la marque comme présente que si sa page figurait parmi les sources, alors que la description de la méthode dans le rapport parlait de la présence de la marque dans la réponse. En octobre, j'ai compté dans les mêmes réponses le seul nom de la marque :

Dans Perplexity et Gemini, la marque était nommée dans plus d'un tiers des questions, alors que le rapport affichait 2 % et 0 %. Les chiffres des mentions incluent les 19 questions avec le nom de la marque ; dans les seules 75 questions sans le nom, ils sont plus bas : de 21 % à 28 % selon l'assistant. Cela reste à peu près un cinquième des questions dans des assistants où le rapport affichait presque zéro. Depuis cette analyse, je compte les deux mesures séparément et j'exige la même chose de tout rapport que je reçois.

Une mention sans citation et une citation sans mention sont pour moi deux hypothèses différentes et deux travaux différents, que je décris dans la partie sur l'écart de visibilité. Je vérifie chacune des deux hypothèses par une modification et une nouvelle mesure.

Une part calculée par réponse, et non par citation

La part d'une marque parmi ses concurrents, je la calcule par réponse et non par citation, car les réponses ont un nombre de sources très différent. Dans la mesure pour une agence SEO polonaise, 23 réponses aux questions sur la recommandation d'une agence avaient de 1 à 13 sources. Une part calculée par citation donnerait aux réponses à 13 sources un poids treize fois supérieur à celles qui n'en ont qu'une. Avec le calcul par réponse, chaque réponse pèse autant, car l'utilisateur lit une seule réponse à la fois.

La liste de sources de ChatGPT doit être nettoyée des résultats de recherche que le modèle n'a fait que parcourir. L'outil avec lequel je collecte les réponses de ChatGPT renvoie, à côté des sources citées dans la réponse, toute la liste des résultats de recherche que le modèle a vus. Dans une réponse, il y avait 52 tels résultats et 7 sources citées. Dans ces mêmes 23 réponses, après avoir écarté cette liste, le nombre de citations est passé de 279 à 181, et la liste des endroits où il vaut la peine d'apparaître, de 10 à 6 positions.

Combien de répétitions suffisent ?

Dans mon test, trois répétitions de chaque question suffisaient pour un résultat sur l'ensemble d'un assistant, mais pas pour évaluer une question isolée. Dans le test de répétitions, environ la moitié des questions où la marque était apparue au moins une fois avaient un résultat instable : dans ChatGPT 18 sur 36 pour la citation de la page (les 94 questions), et dans le Mode IA 16 sur 29 pour la mention dans les questions sans nom de marque. Une question qui « a la marque » dans un passage peut ne pas l'avoir au suivant.

• 13 %C'est la part des questions sans nom de marque qui seraient mal évaluées dans ChatGPT (la marque est nommée ou non) avec trois répétitions. Avec une seule fois, 21 %, avec cinq 9 %, avec sept 8 %.Estimation d'un modèle sur les données de 1 410 réponses, 14/10/2026
• 1,5 point de pourcentageC'est l'erreur typique (écart type) de la part des réponses avec une mention de la marque dans ChatGPT avec trois répétitions, dans les questions sans nom de marque. Avec cinq, 1,2 point de pourcentage.Estimation d'un modèle sur les données de 1 410 réponses, 14/10/2026
• 0,33Médiane de la similarité des listes de domaines cités entre deux répétitions de la même question dans ChatGPT et le Mode IA : la partie commune divisée par tous les domaines des deux listes (1 correspond à des listes identiques). Dans Perplexity, 0,92.Test de répétitions, 14/10/2026
• 77 sur 94C'est le nombre de questions pour lesquelles l'AI Overview a donné trois réponses identiques.Test de répétitions, 14/10/2026

Passer de trois à cinq répétitions a amélioré le résultat d'un assistant de moins d'un point de pourcentage dans mon test, et j'en reste donc en général à trois pour ce résultat. C'est une estimation tirée d'un modèle statistique ajusté sur un seul projet, une seule fenêtre de mesure et deux assistants (ChatGPT et le Mode IA), et non une mesure ; c'est pourquoi, sur un nouveau jeu, je la vérifie par un pilote. Żatuchin obtient un résultat voisin : sur 250 questions différentes, une ou deux répétitions donnaient déjà un coefficient de fiabilité de 0,80, et cinq répétitions 0,96 (1 signifie que les moyennes des répétitions, sans erreur, distinguent les questions les unes des autres).

Pour comparer une seule question avant et après une modification du site, il faut 15 à 25 répétitions, et non trois. D'après les simulations de Żatuchin, avec cinq répétitions, la probabilité de détecter une forte variation sur une seule question n'est que de 15-19 %, et elle n'atteint 80 % qu'à 15-25 répétitions. Ses données portent sur la recommandation de marques par des modèles interrogés via l'API ; pour des réponses avec recherche, je vérifie donc aussi ce chiffre par un pilote.

Je n'utilise pas la liste de sources d'une seule répétition, car dans ChatGPT et le Mode IA la partie commune de deux répétitions de la même question ne représente en général qu'un tiers de tous les domaines cités dans les deux. Je construis la liste des endroits où la marque devrait apparaître à partir de toutes les répétitions, avec le nombre d'occurrences de chaque domaine.

Les sources peuvent aussi changer d'une semaine à l'autre. SISTRIX a suivi 82 619 questions pendant 17 semaines dans six pays (hors Pologne), et dans ChatGPT jusqu'à 74 % des sources citées changeaient d'une semaine à l'autre ; c'est la valeur la plus élevée, et non la moyenne (SISTRIX, 01/05/2026). C'est pourquoi je ne retiens un changement dans les sources que lorsqu'il se répète à la mesure suivante.

Comment fonctionnent les outils de mesure de la visibilité dans l'IA et comment les choisir ?

Les outils de visibilité dans l'IA font la même chose qu'une mesure manuelle : ils posent aux assistants un jeu de questions, enregistrent les réponses et comptent où apparaît la marque. Ils diffèrent par l'origine des questions, le nombre de fois où ils les posent et ce qu'ils comptent. Je prends les données dans trois types de sources :

Les chiffres absolus augmentent avec l'index de l'outil

Le nombre de citations dans un outil peut augmenter de moitié en une semaine, alors que la part de la marque ne change pas. Dans le rapport Ahrefs sur le nombre de réponses d'IA qui citent un domaine, fondé sur la base de questions d'Ahrefs, j'ai comparé deux relevés pour deux grandes boutiques en ligne en Allemagne, du 26 juillet et du 2 août 2026. Le nombre de leurs citations dans ChatGPT a augmenté de 50 % pour les deux sur cette période, et la part de l'une d'elles dans le total des citations des deux boutiques n'a presque pas changé : 34,2 % et 34,1 %. Dans Perplexity, les chiffres ont augmenté de 68 % et de 185 %. Très probablement, c'est la base de l'outil qui a grandi, et non la visibilité de ces marques. Ce sont deux marques, un outil et une semaine.

C'est pourquoi, dans les outils, je prends la part et non les chiffres absolus, et seulement pour les assistants dont la part n'a pas bougé de plus d'un demi-point de pourcentage dans ma comparaison. C'était le cas dans ChatGPT, l'AI Overview, le Mode IA et Grok (l'assistant de la société xAI), alors que dans Perplexity, Gemini et Copilot la part a varié d'environ 3 à 11 points de pourcentage. C'est une comparaison unique sur une semaine, je suppose donc la stabilité tant qu'un relevé suivant ne la contredit pas.

Ce que je vérifie avant de choisir un outil

Avant de choisir un outil, je vérifie sept choses :

1. S'il montre séparément la mention et la citation.
2. Si je peux ajouter mes propres questions et les garder inchangées pendant de nombreux mois.
3. Combien de fois il pose chaque question et s'il montre quelles questions sont instables.
4. S'il enregistre la version du modèle, la surface et la date de chaque réponse.
5. S'il prend en charge mon marché et ma langue.
6. S'il montre les réponses complètes, pour que je puisse vérifier qu'il s'agit de la bonne marque.
7. S'il donne la part sur le même jeu de questions, et pas seulement des chiffres absolus.

Les évaluations de sentiment d'un classificateur que j'ai testé, je ne les rapporte pas. Dans un cas, il a classé comme négative une réponse qui se terminait par le verdict « X est le meilleur choix pour la plupart des équipes ». J'évalue le sentiment en lisant moi-même l'extrait de la réponse, ou je n'en dis rien.

Un « score de visibilité dans l'IA » unique, issu d'un outil, n'est pas un objectif pour moi. Il additionne mentions, citations et assistants différents, et on n'y lit donc pas ce qui a changé. Je donne toujours le chiffre d'un outil avec une mesure business : demandes de clients, ventes ou trafic de Google.

Sources gratuites : Bing et Google

Bing Webmaster Tools montre gratuitement combien de fois Copilot et les réponses d'IA de Bing ont cité vos pages. Le rapport AI Performance a été annoncé le 10 février 2026 en version de test. Il montre le nombre de citations, le nombre de pages citées par jour, les citations de chaque adresse et un échantillon de requêtes avec lesquelles l'IA a cherché du contenu avant de le citer (Bing Webmaster Blog). Ce sont des données de Bing et de Copilot seulement, qui ne remplacent donc pas une mesure dans ChatGPT.

La Search Console montre les impressions de pages dans l'AI Overview et le Mode IA, mais elle ne dit pas si la marque a été nommée. Google a ouvert ce rapport à une partie des sites en juin 2026, puis à tous à partir du 31 août 2026 (Google Search Central, Aide de la Search Console). La description du rapport parle d'impressions par pages, pays, dates et appareils, et ne décrit ni les mentions dans le texte des réponses ni les questions qui les ont déclenchées. C'est un bon contrôle du côté de Google, mais pas une mesure des mentions.

Mesure maison via l'API

Une mesure maison via l'API coûte peu, mais demande du temps de préparation et de contrôle. Un passage de 14 questions sur quatre surfaces (ChatGPT avec recherche, le Mode IA de Google, ainsi que Gemini et Perplexity via l'API), soit 56 réponses au total, m'a coûté 0,82 USD de frais d'API, dont 0,63 USD pour Gemini (j'ai donné le premier de ces chiffres dans le texte sur le GEO et le SEO IA). C'était le premier de trois passages de mesure pour une agence SEO, et l'ensemble de la mesure, soit 180 réponses, a coûté environ 2,8 USD. Aux mêmes tarifs, un jeu de 100 questions sur quatre surfaces avec trois répétitions, soit 1 200 réponses, coûterait environ 18-19 USD par mesure, en majorité pour Gemini. Un pilote de dix répétitions sur le même jeu représente 4 000 réponses et environ 60 USD, une seule fois. Il faut du temps pour composer les questions, vérifier que l'assistant ne confond pas la marque avec une autre, et lire les réponses. Dans le texte sur les outils d'IA en SEO, j'ai décrit les tests après lesquels je calcule les chiffres de telles mesures avec un script et non avec un modèle.

Que fais-je quand la mesure révèle un écart de visibilité ?

La mesure montre dans quelle situation se trouve la marque, et c'est de cela que dépend ce que je fais :

• La marque n'est ni dans les mentions ni dans les sources, et l'assistant cherche sur le web : je travaille sur la visibilité du site dans Google pour ces questions et leurs variantes. Je commence par vérifier si les robots des assistants reçoivent bien la page, comme dans l'audit SEO.
• La marque est nommée, mais sa page n'est pas citée : je corrige les passages de la page pour qu'ils répondent à la question sans le reste du texte.
• La page est citée, mais la marque n'est pas nommée : je travaille sur ce que les autres écrivent sur la marque, car c'est probablement dans des textes d'autres personnes que l'assistant apprend qui recommander. Dans le texte sur le link building à l'ère de l'IA, j'ai décrit comment je planifie les mentions sur les sites que l'IA cite déjà.
• L'assistant répond de mémoire et donne des faits périmés ou faux : d'abord une description cohérente de la marque dans ses propres canaux, puis des publications dans des lieux édités par d'autres. Je ne promets pas d'effet en un trimestre.

L'effet de chacun de ces travaux, je le vérifie par la mesure suivante sur le même jeu de questions, car aucun ne donne de garantie. Dans le texte sur le GEO et le SEO IA, j'ai décrit lesquelles de ces actions ont des preuves et lesquelles sont un conseil populaire sans mesure. On y trouve aussi mes tests qui n'ont pas confirmé plusieurs de ces conseils.

Que ne dit pas la mesure de la visibilité dans l'IA ?

La mesure ne dit pas combien de personnes ont vu la marque dans les réponses de l'IA. La part concerne mon jeu de questions, et non toutes les conversations avec les assistants, dont je ne connais pas le nombre.

Elle ne dit pas non plus pourquoi l'assistant a choisi telle marque plutôt qu'une autre. Le diagnostic issu de la mesure est une hypothèse que je vérifie par une modification et une nouvelle mesure sur le même jeu.

Un résultat d'un seul jour n'est pas une tendance. Les éditeurs changent de modèles et de façon de chercher, et les changements ne sont pas toujours annoncés ; je ne compare donc que des mesures avec la même surface et la version du modèle notée, et je ne retiens un changement que lorsqu'il se répète à la mesure suivante.

Pour la Pologne, il manque des données sur les assistants que les gens utilisent. Je n'ai pas trouvé d'étude polonaise sur la fréquence d'usage de chaque assistant, et je ne sais donc pas quel poids a le résultat dans chacun. C'est pourquoi je présente le résultat de chaque assistant séparément et je ne les réunis pas en une moyenne.

Qu'est-ce que je mesure sur ma propre marque ?

Sur rogala.pro, je mesure la même chose que chez mes clients, mais la première mesure (l'état initial) du 26 juillet 2026, je l'ai faite avec une méthode plus faible. Elle n'avait qu'une réponse par question et n'incluait pas les résultats de ChatGPT. J'ai décrit l'état initial et ce que j'ai changé depuis dans le texte sur le GEO et le SEO IA. Le 25 août, j'ai réglé dans Ahrefs Brand Radar un contrôle quotidien de quatre questions de l'état initial dans ChatGPT pour la Pologne. Je ne décris pas les résultats de ce contrôle quotidien tant que je ne les ai pas confrontés à la mesure du 1er novembre. J'ai prévu la première mesure selon la méthode de ce texte pour le 1er novembre 2026, comme pilote : les mêmes quatre questions sur quatre surfaces, chacune 10 fois. Je décrirai le résultat dans les deux textes, même s'il est nul.

Questions fréquentes sur la visibilité d'une marque dans l'IA

Par où commencer ?

Vous pouvez faire une première mesure vous-même en une heure, sans outil payant. Posez à un assistant une question avec le seul nom de la marque et vérifiez qu'il sait de qui il s'agit. Choisissez dans la Search Console dix requêtes sur lesquelles votre site s'affiche, posez-les sans le nom de la marque trois fois dans ChatGPT et dans le Mode IA de Google, et notez séparément où la marque est nommée et où sa page est la source. Cela donne une image de l'ensemble du jeu ; pour les questions isolées, seul un pilote de dix répétitions en dira plus. Si le résultat vous surprend, c'est un bon sujet pour un accompagnement.