La plupart des marques savent exactement où elles se classent sur Google. Presque aucune ne sait ce que ChatGPT, Claude, Gemini ou Perplexity répondent aujourd'hui à un acheteur qui les interroge sur elles, sur leur catégorie ou sur leur concurrent le plus proche. C'est cet angle mort que comble notre méthode.
Étape 1 : cartographier
Nous soumettons un ensemble structuré de prompts pertinents pour un acheteur aux principaux moteurs de réponse IA, et nous consignons ce que chacun répond : la position adoptée, la tonalité et, surtout, les sources citées. Nous obtenons ainsi une première lecture factuelle de la façon dont la marque est décrite aujourd'hui, avant toute intervention.
Les moteurs d'IA compilent l'historique plutôt qu'ils ne lisent l'actualité. Une vieille controverse, à laquelle la marque a bien répondu dans la presse il y a des années, peut encore façonner la réponse d'aujourd'hui, parce que le modèle pèse l'ensemble de ce qui s'est accumulé, pas la dernière déclaration. La cartographie fait apparaître ce décalage directement.
Étape 2 : comparer
Les mêmes prompts sont soumis pour les concurrents de la marque, qu'ils soient nommés ou non. C'est généralement là que se trouve l'enseignement utile : non pas « que dit l'IA de nous ? », mais « pourquoi recommande-t-elle quelqu'un d'autre à notre place ? ». La comparaison révèle quelles sources font autorité dans la catégorie, où la marque est totalement absente de la conversation, et où la présence d'un concurrent est plus mince qu'on ne le pensait.
Étape 3 : agir, au sein de la mission
Nous ne traitons pas ce travail comme un livrable autonome. Les enseignements de la lecture de visibilité IA alimentent directement la même vision opérationnelle que nous construisons à partir des systèmes internes, des communications et des entretiens. La perception externe est un signal parmi d'autres, utile surtout lorsqu'elle contredit ce que la direction croit en interne, ou ce qui a réellement changé sur le plan opérationnel. L'outil derrière ce travail est notre propre plateforme de monitoring IA ; le résultat est un ensemble d'actions priorisées au sein de la mission globale, pas un rapport qui vit sa vie de son côté.
Ce que ce travail fait généralement apparaître
Les scénarios ci-dessous sont des exemples illustratifs du type d'écart que ce travail met généralement en lumière. Ce ne sont pas des résultats clients vérifiés, et aucun chiffre n'est sous-entendu.
Exemple de mission · Finance (banque privée / gestion d'actifs). Les réponses des IA sur les frais et les conditions d'éligibilité s'appuient souvent sur des sources publiques obsolètes, bien après l'évolution réelle de l'offre : la première impression d'un acheteur se construit alors sur des conditions que l'établissement ne propose plus.
Exemple de mission · Assurance (IARD / santé). Une poignée d'avis anciens ou de litiges non résolus peut dominer la façon dont l'IA décrit la gestion des sinistres et la qualité de service d'un assureur, sans commune mesure avec leur poids réel dans la clientèle.
Exemple de mission · Luxe (maison, service après-vente). Une amélioration opérationnelle réelle du service après-vente met souvent bien plus de temps à apparaître dans les récits des IA que dans les indicateurs sous-jacents, si bien que la qualité réelle du service d'une maison reste sous-estimée dans les réponses que les acheteurs voient en premier.
Où cela s'inscrit
Nous ne vendons pas la visibilité IA comme un produit à part entière. C'est l'un des signaux que nous intégrons à nos missions de données publiques et d'intelligence opérationnelle, aux côtés des systèmes internes et des entretiens, parce que l'enseignement le plus important est généralement l'écart entre ce que croit le marché et ce qui est réellement vrai au sein de l'organisation.