Mesurer la visibilité de votre marque dans les réponses de l'IA (et comprendre d'où vient le chiffre)

Quelqu’un ouvre ChatGPT et tape « meilleur outil d’analytics respectueux de la vie privée pour une boutique Shopify en France ». Il obtient trois noms, une phrase sur chacun et un ou deux liens. Il clique sur l’un d’eux. Voilà tout le parcours d’achat : pas de page de résultats, pas de défilement, pas de second avis.

Si votre marque fait partie des trois, vous venez de gagner un client. Sinon, vous n’avez pas perdu une position : vous n’étiez tout simplement pas dans la pièce. Et votre tableau de bord analytics ne vous en dira rien, sinon que le trafic « Direct » a un peu augmenté le mois dernier.

En bref :

• La visibilité dans les réponses IA, c’est la part des questions d’acheteurs pour lesquelles un modèle cite votre marque, mesurée par question, par modèle et par concurrent.
• Posez 20–30 vraies questions d’acheteurs, trois fois chacune, à chaque modèle qui compte pour vous, et indiquez l’écart à côté de chaque moyenne.
• Suivez sept chiffres : taux de mention, position, taux de lien, taux de recommandation, indice de dominance, exactitude et variance.
• Avant d’écrire de nouvelles pages, vérifiez que les robots d’IA peuvent réellement lire votre site. Une faible visibilité a le plus souvent une cause technique.
• Mesurez aussi le second axe : les visites venues des assistants IA, comme un canal à part dans votre outil d’analytics.

Ce guide explique comment mesurer cette pièce : si vous y êtes, à quelle place, qui se tient à côté de vous et combien de personnes passent réellement de la réponse à votre site. Il s’adresse aux marketeurs et aux propriétaires de sites, pas aux data scientists, et tout ce qu’il décrit peut se faire à la main sur quelques questions avant d’automatiser quoi que ce soit.

Ce que recouvre vraiment « la visibilité dans les réponses IA »

La visibilité dans les réponses IA est la part des questions d’acheteurs auxquelles un modèle répond en citant votre marque. Elle se mesure par question, par modèle et par concurrent : la marque est-elle citée, à quelle position, avec ou sans lien, et qui est cité à côté.

Ce dernier point compte. Dans un moteur de recherche, il y a dix liens bleus et une position parmi eux. Dans une réponse IA, il y a deux ou trois noms, ou aucun. Pas de « page deux » d’où remonter. Soit le modèle a votre marque dans son répertoire pour cette question, soit il ne l’a pas, et la raison n’est généralement pas celle que vous imaginez.

Partir des questions, pas des mots-clés

Les listes de mots-clés ne sont pas la bonne matière première. Personne ne tape « outil analytics RGPD » dans ChatGPT. On pose une question accompagnée d’une situation, et la situation change la réponse.

La première étape consiste donc à dresser une liste de scénarios de demande : les questions que vos acheteurs posent vraiment, regroupées selon qui demande et ce qu’il cherche. Vingt à trente scénarios couvrent la plupart des entreprises. Voici à quoi ressemble un extrait pour une entreprise qui vend des fauteuils de bureau ergonomiques :

Trois points à soigner. Écrivez les questions comme une personne les taperait, y compris les formulations maladroites. Incluez les scénarios où vous vous attendez à perdre : ce sont eux qui vous apprennent quelque chose. Et gardez la liste stable d’une mesure à l’autre. Si vous changez les questions chaque mois, vous ne mesurez pas une évolution, vous mesurez vos propres modifications.

Poser chaque question plusieurs fois

C’est l’étape que la plupart des gens sautent, et c’est elle qui décide si vos chiffres veulent dire quelque chose.

Les modèles de langage ne sont pas déterministes. Posez trois fois la même question et vous obtenez trois réponses différentes : parfois votre marque apparaît dans les trois, parfois dans une seule. Un tirage unique, c’est un pile ou face déguisé en rapport.

La solution n’a rien d’excitant : posez chaque question plusieurs fois par mesure (trois est un minimum raisonnable) et indiquez l’écart en même temps que la moyenne. Votre taux de mention n’est pas « 58 % », il est de « 58 % ± 9 points ». Si le mois suivant affiche 63 %, vous savez que c’est dans le bruit. S’il affiche 78 %, vous savez qu’il s’est passé quelque chose.

Une règle utile : une hausse ne compte que si elle dépasse l’écart. Quiconque a déjà présenté une slide « +8 % » qui s’est évaporée à la mesure suivante comprendra pourquoi.

Sept chiffres à suivre

Une fois les réponses obtenues, il faut transformer du texte en chiffres. Ces sept indicateurs couvrent presque tout ce qu’une équipe marketing demandera, et chacun a une définition simple que vous pouvez calculer à la main sur un petit échantillon.

L’indice de dominance mérite une explication. Une façon de le construire : chaque réponse donne à une marque jusqu’à quatre points, un pour la mention, un pour la première place, un pour le lien et un pour la recommandation. Votre indice correspond à vos points divisés par les points de toutes les marques dans les mêmes réponses, multipliés par 100. La somme sur toutes les marques fait 100 : l’indice se comporte comme une part de marché et se lit de la même façon. Si le vôtre est de 45 et celui de votre concurrent le plus proche de 31, vous savez vers qui le modèle se tourne en premier.

Nous l’avons appliqué à notre propre marque le 2 octobre 2026 : sept scénarios, quatre modèles, trois répétitions, 84 réponses. EuroMetrics obtient un indice de dominance de 7, contre 32 pour Plausible et 20 pour Matomo, avec 21 % de part de voix et un lien dans 18 % des réponses. Pas flatteur, et c’est exactement le genre de chiffre dont vous avez besoin avant de décider quoi corriger.

Suivez les sept indicateurs par modèle, pas seulement en moyenne. Certains modèles joignent des sources à presque chaque réponse, d’autres rarement. Un « taux de lien » global masque cette différence et, avec elle, le choix de l’endroit où investir.

Conserver les réponses, pas seulement les pourcentages

Stockez chaque réponse en entier, avec tous les liens produits par le modèle. Cela ressemble à un détail de stockage. C’est en réalité la décision la plus utile de toute la méthode, pour trois raisons.

D’abord, chaque chiffre peut être relié au texte qui l’a produit. Quand on vous demande pourquoi l’exactitude a baissé, vous ouvrez les réponses et lisez où le modèle s’est trompé. Le plus souvent, c’est un ancien prix, un produit arrêté ou l’argument d’un concurrent cité comme un fait.

Ensuite, vous voyez qui a pris votre place. Dans les réponses où votre marque est absente, le modèle a cité quelque chose : un comparateur, une fiche sur une marketplace, un fil Reddit, le guide d’un concurrent. La liste de ces pages, classée par fréquence d’apparition, devient votre liste d’actions hors site. Lors de notre propre mesure, 140 des 184 sources citées à côté d’une marque suivie n’apparaissaient qu’à côté de concurrents. Cette liste est aussi la seule réponse honnête à « pourquoi eux et pas nous ».

Enfin, l’historique se recalcule gratuitement. Ajoutez un concurrent oublié, ou une graphie de marque que le modèle utilise et que vous n’aviez pas prévue, et toutes les mesures passées sont recalculées à partir des réponses stockées. Pas de nouvelle mesure, pas de courbe de tendance cassée, aucun coût.

D’où vient ce chiffre

Voici la partie qui dérange. Une faible visibilité a presque toujours une cause technique, et elle est invisible depuis un navigateur : le site vous paraît normal parce que vous n’êtes pas un robot d’IA.

Avant d’écrire la moindre nouvelle page, faites sept vérifications. Elles répondent au « pourquoi » à côté du « combien ».

Accès

1. Votre robots.txt autorise-t-il chaque robot d’IA individuellement ? GPTBot et OAI-SearchBot, ClaudeBot, PerplexityBot et Googlebot sont des identifiants distincts, et une règle écrite pour l’un ne dit rien des autres.
2. Que renvoie réellement le serveur quand le visiteur est un robot d’IA ? Un pare-feu ou une couche anti-bots peut bloquer un robot que robots.txt autorise, sans vous prévenir.

Contenu

1. Le robot reçoit-il autant de texte qu’un humain en voit ? La plupart des robots d’IA n’exécutent pas JavaScript ; Googlebot, si. Si vos descriptions produits sont générées côté client, le robot ne reçoit que le squelette.
2. Le texte est-il lisible sans aucun JavaScript : titres, prix, adresses, dans le HTML envoyé par le serveur ?

Marque

1. Le balisage indique-t-il à qui appartient le site, d’une façon qu’une machine peut vérifier ? Une entité Organization avec un nom, un logo et des liens vers vos autres profils fait la différence entre « un site sur les fauteuils » et « le site de cette entreprise ».
2. Les adresses de vos magasins ou bureaux sont-elles visibles sous forme de texte, ou cachées dans un widget de carte que le robot ne peut pas lire ?

Conventions

1. Les signaux plus récents : llms.txt, versions Markdown pour les agents, en-têtes Content Signals. Bon à connaître, mais aucun ne remplace les six points précédents. Google indique dans son guide sur les fonctionnalités d’IA générative qu’il n’utilise pas ce type de fichiers.

Les vérifications 1, 3 et 4 se font dans un terminal en moins d’une minute. Récupérez une page produit deux fois, une fois comme navigateur et une fois comme robot, et comptez les mots :

curl -sA "Mozilla/5.0 (Windows NT 10.0) Chrome/128.0" https://example.com/product | wc -w
curl -sA "GPTBot/1.2 (+https://openai.com/gptbot)" https://example.com/product | wc -w

Si le second chiffre ne représente qu’une fraction du premier, vous avez trouvé votre problème avant même d’avoir trouvé votre concurrent. Pour une seule page, sans terminal, notre vérificateur SEO gratuit teste en une passe l’accès des robots d’IA, le robots.txt et le balisage schema.

Un cas réel tiré de nos mesures de septembre : un site marchand servait à un robot d’IA 22 % du texte qu’un humain voit, et pas une ligne de balisage indiquant à quelle entreprise il appartenait. Vu de l’extérieur, c’était un site comme un autre. Du point de vue du modèle, il existait à peine.

Le second axe : qui est vraiment venu

Tout ce qui précède mesure ce que disent les modèles. Cela ne dit pas si quelqu’un a agi en conséquence, et c’est la question que posera votre directeur financier.

Le trafic venu des assistants IA arrive la plupart du temps avec un référent : chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai. Presque tous les outils d’analytics les rangent dans « Référents », à côté d’un blog quelconque, ou les perdent dans « Direct » quand le référent est supprimé. Dans les deux cas, vous ne voyez pas les plateformes d’IA comme source de trafic, donc ni leurs pages d’entrée, ni le comportement de ces visiteurs, ni leurs conversions.

Deux choses à corriger. Placez les référents IA dans leur propre canal, séparé de la recherche organique et des référents génériques. Et acceptez honnêtement la limite : certains assistants ne transmettent aucun référent, ce canal est donc un plancher, pas un plafond. Ce que vous pouvez dire, c’est « au moins ce nombre de personnes est venu des réponses IA, et voici ce qu’elles ont fait », ce qui est déjà plus que ce que la plupart des équipes peuvent dire aujourd’hui.

Mettez les deux axes côte à côte et l’image devient exploitable. Taux de mention en hausse, trafic IA stable : le modèle vous cite sans faire de lien vers vous, travaillez donc le taux de lien. Taux de mention stable, trafic IA en hausse : le modèle envoie du monde vers une page inattendue, allez la regarder. Les deux en hausse : les corrections ont fonctionné, il est temps d’écrire l’étude de cas.

Trois choses à dire d’emblée

Toute mesure honnête a ses limites, et mieux vaut les énoncer dès le départ que dans le troisième rapport mensuel.

Toutes les surfaces ne sont pas encore mesurables. ChatGPT, Claude, Gemini, Perplexity et Google AI Overview peuvent être mesurés en leur posant des questions. Certains assistants régionaux ne sont aujourd’hui accessibles via aucun fournisseur de données : ils restent hors des chiffres tant que ce n’est pas le cas.

Les blocs IA n’apparaissent pas pour toutes les requêtes. Google affiche un AI Overview pour certaines questions commerciales et une rangée de résultats Shopping pour d’autres. C’est un résultat de mesure, pas une erreur de mesure. Fixez vos objectifs de couverture par rapport à la part des requêtes où le bloc existe.

Les modèles changent. Les systèmes de recherche sous-jacents sont remplacés, les formats de réponse évoluent, un modèle se met à faire plus ou moins de liens. Une courbe de tendance qui traverse une mise à jour de modèle mérite une note de bas de page. C’est la conservation des réponses complètes (voir plus haut) qui rend cette note possible.

Une routine mensuelle qui tient en un après-midi

1. Figez la liste des scénarios. Vingt à trente questions, regroupées par segment et par intention. Ne la modifiez que si votre activité change.
2. Posez chaque question trois fois à chaque modèle qui compte pour vous, le même jour chaque mois. Conservez les réponses complètes.
3. Calculez les sept métriques par modèle, avec la variance à côté de chacune. Comparez au mois précédent ; ignorez tout ce qui reste dans l’écart.
4. Lisez les réponses où vous êtes absent et listez les pages citées à votre place. Ce sont vos cibles de relations presse et de contenu.
5. Relancez les sept vérifications techniques sur les pages que le modèle devrait citer. Corrigez, puis mesurez à nouveau.
6. Regardez le canal IA dans votre outil d’analytics : visites, pages d’entrée, conversions. Reliez chaque évolution aux métriques ci-dessus.

Faites-le à la main pendant un mois et vous en saurez plus sur votre visibilité IA que la plupart de vos concurrents. Ensuite, vous voudrez l’automatiser.

Comment EuroMetrics s’y prend

Le module AI Visibility applique cette méthode pour vous. Il pose vos scénarios de demande à ChatGPT, Claude, Gemini, Perplexity et Google AI Overview selon un calendrier, plusieurs fois chacun, et conserve chaque réponse avec ses sources. Il calcule le taux de mention, la position, les liens, les recommandations, l’exactitude et la dominance par modèle, par scénario et par concurrent, avec l’écart à côté de chaque chiffre et la liste des pages qui ont pris votre place. Les vérifications techniques portent sur les pages qui devraient être citées. Et comme le module fait partie de votre analyse de trafic, les visites venues des assistants IA apparaissent comme un canal à part, à côté de la recherche, avec leurs pages d’entrée et leurs conversions.

Un seul produit, deux axes : êtes-vous dans la réponse, et que vous a-t-elle rapporté.

Envie de voir comment votre marque apparaît dans les réponses IA ?
Demander une première mesure →

Questions fréquentes

Est-ce la même chose que l’AEO ou le GEO ?

L’AEO (answer engine optimisation) et le GEO (generative engine optimisation) désignent le travail qui rend vos pages plus susceptibles d’être citées. Ce guide décrit la mesure qui indique si ce travail produit un effet : le tableau des scores plutôt que le plan de jeu. Il vous faut les deux, et le tableau des scores d’abord.

Combien de scénarios et de répétitions faut-il vraiment ?

Pour une seule marque sur un seul marché, 20–30 scénarios posés trois fois chacun à quatre ou cinq modèles donnent une image mensuelle stable, soit environ 300–450 réponses par mesure. Moins de scénarios, et les chiffres deviennent instables ; moins de répétitions, et ils ne veulent plus rien dire. En faire plus n’a d’intérêt qu’une fois le premier ensemble stabilisé.

Peut-on le faire avec l’application ChatGPT plutôt qu’avec l’API ?

Pour un premier aperçu, oui, et c’est un bon moyen de se faire une idée. Pour une courbe de tendance, non : l’application ajoute une personnalisation et une mémoire qui modifient les réponses d’un utilisateur et d’une session à l’autre, si bien que deux personnes posant la même question obtiennent des scores différents. La mesure exige les mêmes conditions neutres à chaque fois.

Pourquoi les modèles divergent-ils autant ?

Ils utilisent des index de recherche différents, des règles de récupération différentes et des habitudes différentes en matière de liens. Lors de notre mesure du 2 octobre 2026, Claude et Perplexity ont joint des sources à 21 réponses sur 21 chacun, contre 15 sur 21 pour Gemini. C’est pourquoi les métriques se suivent par modèle : une moyenne masque précisément les différences sur lesquelles vous agiriez.