Avant de vérifier l’IA : ce qu’elle dit réellement des marques

Être recommandé n’est pas le sommet de l’échelle

Nous mesurons la visibilité IA comme une échelle en cinq étapes : l’IA lit votre site, cite vos pages, mentionne votre marque, vous recommande, puis vous décrit correctement. La plupart des outils, et la plupart des équipes marketing, arrêtent de compter à l’étape quatre. Si l’IA vous recommande, le travail semble terminé.

1. 4
   Recommandée

   L’IA vous place en premier ou vous présente comme le meilleur choix.

2. 5
   Décrite correctement

   Ce que l’IA dit de vous est vrai : les bons prix, produits, marchés et atouts.

Mais une recommandation fondée sur des faits erronés peut coûter plus cher qu’aucune recommandation. L’acheteur arrive en s’attendant à l’ancien prix, à la fonctionnalité manquante ou au mauvais pays de livraison, et la vente échoue à la dernière étape. Rien dans vos analytics n’en montre la raison. C’est pourquoi nous traitons « décrit correctement » comme une étape à part entière, avec sa propre mesure.

Ce que nous avons vu dans notre première analyse

Chaque réponse d’un modèle d’IA sur une marque contient de petits énoncés factuels : « coûte X par mois », « est disponible en Y », « s’intègre à Z ». Nous les appelons des affirmations. Les affirmations formulées de la même façon ne comptent qu’une fois.

4 010Réponses d'IA

754réponses qui ont nommé la marque

31 447sources citées

4 modèles d’IA

6 marchés4 langues

31 joursde réponses

Période d’étude7 août 2026 – 19 sept. 2026

Nous avons collecté 4 010 réponses de ChatGPT, Gemini, Perplexity et Google AI Overviews à des questions d’acheteurs sur six marchés : voyages d’aventure, marketing d’architecture, e-commerce, logiciels CRM, thérapie en ligne et outils d’IA. Ensemble, ces réponses ont cité 31 447 sources. L’IA a mentionné la marque concernée dans 754 des 4 010 réponses (18,8 %). Cette moyenne masque un écart important : sur deux marchés, l’IA a nommé la marque dans plus de la moitié des réponses. Sur les quatre autres, elle l’a nommée dans environ 2 % à 11 % d’entre elles. Les affirmations ne peuvent provenir que de réponses qui nomment la marque ; l’analyse des affirmations utilise donc un sous-ensemble de ces réponses :

Les réponses analysées provenaient de ChatGPT, Gemini et Google AI Overviews, pour des questions d’acheteurs sur quatre des six marchés : logiciels CRM, e-commerce, voyages d’aventure et marketing d’architecture. En moyenne, une réponse contenait 3,8 affirmations sur la marque (2 166 mentions d’affirmations dans 567 réponses). Selon le marché, l’IA a formulé entre 48 et 985 affirmations distinctes sur la marque.

Une mention d’affirmation correspond à une affirmation dans une réponse. La même affirmation peut apparaître dans plusieurs réponses : il y a donc plus de mentions (2 166) que d’affirmations distinctes (2 084). 13 affirmations apparaissent dans deux modèles d’IA, si bien que les lignes par modèle d’IA totalisent 2 097 affirmations distinctes, et non 2 084.

Peu d’équipes marketing sauraient lister tout ce que l’IA dit d’elles. Presque aucune ne l’a vérifié.

Trois verdicts, pas deux

Pour vérifier une affirmation, il faut un point de comparaison : vos propres faits. Ce que vous vendez, pour qui, où, et à quel prix. Chaque affirmation est ensuite comparée à ces faits et reçoit l’un de trois verdicts :

Le troisième verdict est important. Une simple vérification vrai/faux force chaque affirmation à entrer dans l’une de deux cases. En pratique, une bonne partie de ce que l’IA dit d’une marque n’est ni confirmée ni contredite par quoi que ce soit que la marque ait consigné par écrit.

Le plus grand angle mort : ce que vous n’avez jamais écrit

Quand une marque n’énonce pas clairement quelque chose, l’IA ne reste pas muette. Elle comble le vide avec des avis, d’anciennes pages, des articles comparatifs rédigés par des concurrents, ou son propre entraînement. L’affirmation « non couverte » de l’exemple peut même être vraie. Mais la marque ne l’a pas choisie, et ne peut pas la voir si elle ne va pas la chercher.

Cela change le travail. Corriger les erreurs de l’IA n’en est que la moitié. L’autre moitié consiste à énoncer les faits sur lesquels l’IA continue de deviner, en termes simples, sur des pages que l’IA peut trouver.

Salué, et pourtant faux

Les modèles d’IA sont plutôt bienveillants envers les marques. Dans notre étude, 68,8 % des 2 084 affirmations étaient positives, 27,5 % neutres et seulement 3,7 % négatives. Cela ressemble à une bonne nouvelle dans un rapport de sentiment. Mais une affirmation positive n’est pas une affirmation exacte :

Le sentiment vous dit ce que l’IA pense de vous. Il ne dit pas si l’IA a raison. Il vous faut les deux, et par affirmation, pas sous la forme d’un score moyen unique.

Chaque modèle d’IA raconte sa propre histoire

Pour comparer équitablement les modèles d’IA, nous avons regroupé les 2 084 affirmations par sens en 157 thèmes, comme la tarification d’une marque, sa facilité d’utilisation ou sa zone de livraison. Nous avons ensuite compté quels modèles d’IA avaient abordé chaque thème :

Environ un tiers des thèmes sont apparus dans les trois modèles d’IA. Mais 41,4 % ne sont apparus que dans un seul. Un acheteur qui interroge ChatGPT et un acheteur qui interroge Gemini peuvent entendre parler de facettes différentes d’une même marque.

Les sources diffèrent encore plus. Les réponses à l’origine des affirmations ont cité 952 sites web différents. 83,8 % de ces sites web n’ont été cités que par un seul modèle d’IA, 11,8 % par deux, et seulement 4,4 % (42 sites web) par les trois. Chaque modèle d’IA construit son image de votre marque à partir de son propre ensemble de pages.

Une remarque sur ces chiffres. Une étape automatisée de regroupement classe les affirmations par thèmes, de sorte que les frontières entre les thèmes ne sont pas exactes. Deux modèles d’IA qui abordent le même thème peuvent tout de même en dire des choses différentes. Et un site web cité par un seul modèle d’IA peut malgré tout être connu des autres.

Cela compte pour l’exactitude, car un modèle d’IA peut citer le prix actuel tandis qu’un autre répète l’ancien. Dans ce cas, l’erreur ne vient pas de « l’IA en général ». Elle se trouve généralement dans les pages précises sur lesquelles s’appuie un modèle d’IA, ou dans ce que ce modèle a appris pendant son entraînement. On peut donc la retracer, en vérifiant chaque modèle d’IA séparément et en regardant les sources que citent ses réponses.

Page en direct ou mémoire ?

Les réponses de l’IA s’appuient sur deux couches : ce que le modèle d’IA trouve sur le web à l’instant présent (En direct), et ce que le modèle a appris pendant son entraînement (Mémoire). L’origine d’une affirmation erronée détermine la façon de la corriger. La réponse qui contient l’affirmation donne un premier indice : a-t-elle cité des sources, oui ou non ?

Dans notre étude, 78 % des réponses à l’origine des affirmations citaient au moins une source. Ensemble, elles ont cité 6 504 sources : 3 785 pages différentes sur 952 sites web différents. La part variait fortement selon le modèle d’IA :

Pour la plupart des affirmations, il existe une page que l’on peut retrouver. Pour Gemini, près de la moitié des réponses ne citaient rien : ses affirmations sont donc plus difficiles à rattacher à une page.

Une remarque sur cette répartition. Une réponse sans sources citées ne prouve pas que le modèle d’IA n’a utilisé aucune page web. Les modèles d’IA diffèrent aussi dans la façon d’afficher leurs sources, et les réponses de ChatGPT de cet échantillon ont été collectées avec la recherche web activée. Considérez ces deux cas comme des pistes à explorer, et non comme des causes exactes, et ne lisez pas le tableau comme un classement des modèles d’IA.

Que faire

Nous appliquons à l’exactitude les mêmes quatre étapes qu’à tous les autres aspects de la visibilité IA :

1. 1
   Voir

   Consignez vos faits : produits, prix, marchés, clients servis. Collectez ensuite ce que l’IA affirme réellement sur vous, sur l’ensemble des modèles d’IA, à partir de vraies réponses.

2. 2
   Comprendre

   Classez chaque affirmation : confirmée, contredite ou non couverte. Vérifiez quel modèle d’IA la formule et quelles sources la réponse a utilisées.

3. 3
   Agir

   Corrigez les affirmations contredites à leur source : d’abord vos propres pages, puis les pages tierces citées par les réponses. Transformez les affirmations « non couvertes » fréquentes en faits clairs et faciles à trouver.

4. 4
   Mesurer

   Continuez à vérifier. Une correction apportée à une page en direct peut apparaître rapidement. Une lacune de mémoire se comble lentement, au fil des mises à jour du modèle.

Vosapio exécute ces quatre étapes pour vous : il collecte les réponses, extrait les affirmations, les compare aux faits que vous saisissez et conserve les sources derrière chaque réponse. Découvrez comment Vosapio suit la visibilité IA, ou comparez les offres pour les marques et les offres pour les agences.

Pour les agences

Faites la même vérification pour chaque client. Montrez à chaque client quelles affirmations l’IA fait sur lui, quel modèle d’IA les formule et quelles sources les fondent. C’est un moyen rapide d’ouvrir la discussion avec un client à partir de données plutôt que d’opinions, et de convenir des pages à corriger en priorité.

Méthode et limites

• Jeu de données complet. 4 010 réponses de ChatGPT, Gemini, Perplexity et Google AI Overviews à 297 questions d’acheteurs suivies, sur six marchés et en quatre langues (anglais, allemand, français et roumain), collectées entre le 7 août et le 19 septembre 2026 (sur 31 jours). Les réponses ont cité 31 447 sources.
• Les 19 % sont une moyenne, pas un benchmark. Elle regroupe six marchés de tailles très différentes, et le plus grand marché affichait l’un des taux les plus bas. Qu’un taux de mention soit élevé ou faible dépend du marché, de la marque et des questions posées.
• Analyse des affirmations. 567 réponses de ChatGPT, Gemini et Google AI Overviews à 79 questions, sur quatre des six marchés et en quatre langues. Les affirmations ont été extraites automatiquement entre le 24 septembre et le 10 octobre 2026. Tous les chiffres sur les affirmations, le sentiment et les sources de cet article proviennent de ces 567 réponses.
• Comment les 567 réponses ont été sélectionnées. Seules les réponses qui mentionnent la marque peuvent contenir des affirmations à son sujet : 754 des 4 010 réponses le faisaient. Pour chaque marque, l’analyse prend les réponses les plus récentes qui la mentionnent et n’ont pas encore été analysées, et s’arrête après 500 réponses ou 500 affirmations par exécution. Les 567 sont les réponses qui ont produit au moins une affirmation. Il ne s’agit pas d’un échantillon aléatoire : il penche vers les réponses les plus récentes et vers les marques que l’IA mentionne le plus.
• Petit échantillon. Quatre marchés et trois modèles d’IA dans l’analyse des affirmations. Les chiffres décrivent cet échantillon. Ils ne constituent pas une estimation pour toutes les marques ni pour tous les modèles d’IA.
• Regroupement. Les totaux d’affirmations ne considèrent deux affirmations comme identiques que si leur formulation correspond, ils sont donc plus élevés qu’un décompte par sens. Pour la comparaison des modèles d’IA, une étape automatisée a aussi regroupé les 2 084 affirmations par sens en 157 thèmes.
• Extraction automatisée. Un modèle extrait les affirmations et leur tonalité de chaque réponse. Certaines affirmations seront scindées, fusionnées ou mal étiquetées.
• Pas encore de taux d’exactitude. Les marques n’avaient pas saisi leurs propres faits, donc aucune affirmation n’a de verdict. Nous ne publions aucun pourcentage d’affirmations justes ou fausses, et nous mettrons cet article à jour lorsque nous en disposerons.
• Les faits viennent de la marque. Une affirmation ne peut être vérifiée qu’au regard de ce qu’une marque a consigné par écrit. Une marque qui documente peu de faits obtient davantage de verdicts « non couvert ».
• Aucun nom de marque. Nos chiffres sont agrégés. Aucune marque n’est nommée derrière eux.