Un média de décision.Quand un assistant répond à la place d'une liste de liens, quelles entreprises nomme-t-il, lesquelles conseille-t-il, quelles sources cite-t-il — et cela tient-il d'un mois à l'autre ? Nous suivons cette question avec le Lab #2. Depuis le 28 octobre 2026, notre protocole est exécuté intégralement en simulation : chaque mise à jour le signale, dit ce que la simulation illustre et ce qu'il faudrait mesurer en réel.
Dans quelles conditions les assistants IA mentionnent, recommandent et citent-ils des entreprises, avec quelle stabilité, selon l'intention de recherche ?
Ouvert le · mis à jour le
Faut-il investir dans la visibilité IA, quel assistant surveiller, que faire quand une réponse se trompe sur votre entreprise ; puis deux méthodes applicables : mesurer sa visibilité en une heure, et rendre ses pages citables à partir de la documentation officielle des éditeurs.
Lire l'article associéStabilité, sources, intentions, échelle des acteurs : quatre analyses de nos 5 400 observations simulées. La plus utile : une interrogation isolée ne montre qu'une minorité des entreprises qu'un système finit par nommer. Les écarts entre systèmes reproduisent nos hypothèses d'entrée et ne constituent pas un classement.
Lire l'article associéNous avons exécuté le protocole v1.1 de bout en bout avec un générateur déterministe : pilote simulé, double codage de 75 observations, arbitrages, critères de passage, puis trois vagues. Les données simulées sont téléchargeables et le modèle est publié avec ses hypothèses et ses limites. Aucune plateforme n'a été interrogée.
Le protocole du Lab #2 définit 40 questions en trois formulations, cinq systèmes, trois répétitions et trois vagues, soit 5 400 réponses après un pilote de 150. L'article d'ouverture pose les définitions à partir de sources publiques uniquement.
Lire l'article associé
Le marché range sous un même mot trois phénomènes qui n'ont presque rien en commun. Les études publiques disponibles montrent pourquoi il faut les mesurer séparément, et pourquoi une capture unique ne prouve rien.
Dans notre scénario simulé, une seule interrogation ne fait apparaître que 28,6 % des entreprises qu'un assistant finit par nommer. La tête de liste ne se répète que dans 36,1 % des cas. Avant de juger sa visibilité, il faut répéter.
Un lien affiché n'est ni une visite, ni une preuve. Notre simulation sépare trois questions : l'assistant cite-t-il une source, de quel type, et cette source soutient-elle vraiment ce qu'elle est censée prouver ?
Dans notre scénario, une question d'information ne fait nommer une entreprise que dans 32,8 % des réponses, contre 81,8 % pour une question de découverte. Avant de viser « la visibilité IA », il faut savoir à quelles questions on veut répondre.
Dans notre scénario, un acteur local occupe la première place dans 41,6 % des réponses du commerce local, mais dans 14 % seulement pour les logiciels. La place d'une petite structure dépend d'abord de son secteur.
Le marché vend de la « visibilité IA » comme un nouveau canal. Ce que l'on sait des clics, ce que notre simulation montre de la variabilité, et ce qu'une PME peut raisonnablement décider aujourd'hui.
Dans notre simulation, le système qui nomme le plus souvent une entreprise change d'une vague à l'autre dans 3 secteurs sur 4, sans qu'aucun paramètre n'ait changé. Choisir où surveiller demande d'autres critères qu'un classement.
Dans notre simulation, 41,4 % des réponses qui jugent une entreprise nommée concluent sans source qui les soutienne. Avant de corriger, il faut savoir ce qui est corrigeable, et où.
La méthode du Lab #2, réduite à ce qu'une PME peut faire seule : dix questions, trois assistants, trois répétitions, une grille qui sépare être nommé, être recommandé et être cité.
Pas de recette secrète : les éditeurs documentent des conditions d'accès précises, et le reste relève de la qualité et de l'exactitude. Une liste de vérifications fondée sur leurs propres pages.