L'intention de la question change qui est cité : découvrir, comparer, se faire recommander, s'informer

« Quels cabinets comptables pour une PME ? », « Expert-comptable indépendant ou grand cabinet ? », « Quel est le meilleur cabinet à Bruxelles ? », « Comment choisir un expert-comptable ? ». Quatre questions sur le même sujet, quatre intentions différentes. Le Lab #2 les traite séparément parce qu'une entreprise n'a pas les mêmes chances d'apparaître dans chacune.

Notre corpus compte 40 questions de PME réparties en cinq intentions — découverte, comparaison, recommandation directe, information, vérification de marque —, chacune posée en trois formulations. Nous avons exécuté le protocole en simulation. Les effets d'intention du scénario sont des hypothèses que nous avons fixées ; ce que l'exercice apporte, c'est une manière de raisonner et de mesurer.

La question

Selon la façon dont un client formule sa demande, une PME a-t-elle des chances d'être nommée, recommandée ou citée en source ?

Ce que l'on sait déjà

Google décrit ses Aperçus IA comme conçus pour apparaître sur les requêtes où ils apportent un bénéfice, et son mode IA comme particulièrement utile pour les comparaisons et les questions complexes. Autrement dit, même du côté des éditeurs, toutes les questions ne se valent pas. Aucune mesure publique ne décrit en revanche comment l'intention d'une question de PME, en français, change les entreprises nommées.

Ce que montre notre simulation : quatre intentions, quatre profils

Dans notre scénario, les questions de découverte et de comparaison font nommer au moins une entreprise dans respectivement 81,8 % et 83,4 % des réponses. Les demandes de recommandation directe en nomment presque autant (84,6 %), mais beaucoup moins à la fois : 1,8 entreprises par réponse en moyenne, contre 3,6 pour la découverte.

Les questions d'information se distinguent : elles ne font nommer une entreprise que dans 32,8 % des réponses, mais elles font citer des sources dans 84,9 % des cas — le taux le plus élevé du scénario.

Recommander n'est pas lister

C'est la distinction centrale du codage. Une entreprise citée dans une liste de six n'est pas une entreprise conseillée. Dans notre scénario, 58 % des réponses aux demandes de recommandation conseillent explicitement au moins une entreprise, contre 19,3 % pour la découverte et 5,1 % pour l'information.

La formulation compte, mais moins que l'intention

Chaque question existe en trois formulations : une base neutre, une requête courte proche d'une saisie dans un moteur, et une version contextualisée (« je dirige une PME de 15 personnes à Bruxelles… »). Dans notre scénario, la version contextualisée ajoute 7 points de recommandations par rapport à la base, et la version courte en retire 5 points. L'écart entre intentions est plusieurs fois plus large.

Ce que cela signifie

Parler de « visibilité IA » en général n'a pas beaucoup de sens. Une PME peut être absente des questions de découverte de son secteur et très présente dans les demandes de recommandation locale, ou l'inverse. Les questions d'information, elles, ne la nommeront presque jamais, mais elles citent des sources : c'est par le contenu publié, et non par le nom, qu'on peut y apparaître.

Les options

—Viser la présence partout : coûteux et invérifiable.

—Viser les questions de recommandation : là où se jouent les conseils explicites, mais aussi là où les réponses sont les plus courtes et donc les plus concurrentielles.

—Viser les questions d'information par le contenu : publier des pages qui répondent précisément aux questions pratiques de vos clients, susceptibles d'être citées comme source.

Notre recommandation

Listez vingt questions réellement posées par vos clients — demandez à vos commerciaux, relisez vos e-mails entrants — et classez-les par intention. Choisissez deux intentions prioritaires : en général, la recommandation locale et l'information pratique. Mesurez votre présence sur ces questions seulement, avec répétition, avant tout investissement.

Les limites

Tous les chiffres Lab de cet article proviennent de notre simulation : nous avons fixé les hypothèses du modèle, puis généré les réponses, les codages et les arbitrages. Les écarts entre systèmes y reproduisent nos hypothèses d'entrée ; ils ne décrivent pas le comportement réel de ChatGPT, Gemini, Claude, Perplexity ou des Aperçus IA de Google. Ce que la simulation illustre, c'est la méthode et l'effet de la variabilité sur une mesure.

Les effets d'intention et de formulation du scénario sont des multiplicateurs que nous avons fixés : un vrai système peut réagir tout autrement à une question contextualisée.

Et maintenant ?

La mesure réelle devra dire, intention par intention, si les écarts de notre scénario existent. C'est l'une des lectures les plus utiles du protocole pour orienter une stratégie de contenu.