Qui devient visible quand l'IA répond ?
Mesurer quand les assistants IA mentionnent, recommandent et citent des entreprises et des sources, avec quelle stabilité, selon l'intention de recherche.
Édition intégralement simulée : pilote simulé de 150 observations et campagne simulée de 5 400 observations, produits par notre générateur déterministe à partir du protocole v1.1. Aucune plateforme n'a été interrogée.
Toutes les valeurs de cette édition proviennent de notre générateur de simulation (empreinte des données d98dd60c). Elles illustrent une méthode et des ordres de grandeur ; elles ne mesurent pas le comportement réel des plateformes. Registre réel : 0 observation — aucune plateforme n'a été interrogée.
Ce que notre scénario fait apparaître
Huit lectures du scénario simulé. Chacune renvoie au contenu qui la développe, avec ses limites.
- Une interrogation ne montre qu'une partie du paysageSimuléDans notre scénario, une seule interrogation fait apparaître 28,6 % des entreprises qu'un système nomme au fil de neuf interrogations ; trois répétitions en font apparaître 59,2 %.
- La tête de liste change d'une répétition à l'autreSimuléDeux répétitions de la même question, posées au même système le même jour, placent la même entreprise en tête dans 36,1 % des cas ; 59,2 % des entreprises nommées n'apparaissent que dans une seule des trois répétitions.
- Le mois suivant, une partie des noms a changéSimulé58,3 % des entreprises nommées en vague 1 reviennent en vague 2, et 57,4 % en vague 3, alors que les taux globaux de présence restent presque identiques d'une vague à l'autre.
- L'intention pèse plus que la formulationSimuléUne question d'information fait nommer une entreprise dans 32,8 % des réponses, contre 81,8 % pour une question de découverte ; la formulation contextualisée ajoute 7 points de recommandations par rapport à la formulation de base.
- La place du local dépend du secteurSimuléUn acteur local occupe la première position dans 41,6 % des réponses du commerce local, contre 14 % pour les logiciels.
- Citer n'est pas soutenirSimulé73,6 % des réponses citent au moins une URL ; 90,1 % des URL vérifiées sont valides, et 66,1 % des liens vérifiés soutiennent réellement l'affirmation qui les cite.
- Juger une entreprise : souvent sans sourceSimuléFace aux questions qui demandent de juger une entreprise nommée, 41,4 % des réponses concluent sans source qui les soutienne et 30,6 % reconnaissent ce qui ne peut pas être établi.
- Un petit échantillon ne permet pas de comparer les systèmesSimuléAu pilote, l'intervalle de confiance de la présence couvre 33 à 43 points par système ; en campagne, 6 à 8 points. Classer des assistants sur quelques dizaines de réponses revient à classer un tirage.
La question
Dans quelles conditions les assistants IA et moteurs à réponse mentionnent, recommandent et citent-ils des entreprises et des sources, avec quelle stabilité, selon l'intention de recherche ?
Pourquoi c'est utile : quand une réponse remplace une liste de liens, savoir si l'on est nommé, conseillé ou cité devient une question de visibilité. Les mesures publiques existantes portent surtout sur l'actualité ou les grands marchés anglophones ; notre protocole explore des questions de PME, en français, depuis la Belgique.
Pourquoi une simulation
Le Lab #2 fonctionne intégralement en simulation. Nous avons conservé le corpus de 40 questions, les 120 formulations, les cinq systèmes et toute la structure expérimentale ; les réponses, les codages et les arbitrages sont produits par un générateur explicite, déterministe et reproductible.
Ce que la simulation permet
- Éprouver le protocole de bout en bout : matrice, codage, double codage, arbitrage, critères de passage, agrégations, rapport et exports.
- Montrer ce que la variabilité fait à une mesure : pourquoi une capture d'écran isolée ne prouve rien et combien de répétitions sont nécessaires.
- Illustrer comment des effets d'intention, de formulation, de secteur et d'échelle apparaîtraient dans les données, et avec quelle précision on pourrait les lire.
- Donner aux PME une méthode et des ordres de grandeur pour organiser leurs propres vérifications.
Ce qu'elle ne permet pas
- Les écarts entre ChatGPT, Gemini, Claude, Perplexity et les Aperçus IA sont des hypothèses d'entrée : la simulation les retrouve parce que nous les y avons placés. Aucun classement de plateformes ne peut en être tiré.
- Aucune entreprise réelle n'apparaît : les acteurs sont des codes fictifs, les adresses sont en « .example ».
- Les taux de présence, de recommandation, de citation ou d'erreur ne décrivent pas le comportement réel des assistants en Belgique.
- Les temps de collecte et de codage sont simulés : ils ne remplacent pas une mesure chronométrée.
Ce qu'il faudrait mesurer dans le monde réel
- Interroger réellement les cinq systèmes dans les conditions du protocole v1.1 (Belgique, français, comptes et réglages contrôlés).
- Mesurer la présence effective des Aperçus IA en Belgique, connecté et non connecté, avant de fixer une configuration.
- Faire coder les réponses par deux personnes indépendantes et un arbitre, et vérifier chaque URL à la main.
- Comparer les taux observés aux hypothèses de ce modèle : chaque écart dira quelle hypothèse était fausse.
Cinq phénomènes que nous ne confondons pas
Présence
Le nom de l'entreprise apparaît dans la réponse.
Recommandation
L'entreprise est explicitement mise en avant ou conseillée.
Citation de source
Une URL ou un lien vers une source est fourni, puis vérifié.
Rang
Position de l'entreprise dans l'ordre de la réponse.
Trafic et conversionnon mesuré
Visites ou ventes générées. Hors périmètre : non mesuré par ce protocole.
Ce que couvre le protocole
5 intentions
- Découverte « Quels prestataires pour… »
- Comparaison « X ou Y ? »
- Recommandation directe « Le meilleur… à Bruxelles »
- Information « Comment fonctionne… »
- Vérification de marque « Que penser de [marque] ? »
4 secteurs
- Services B2B aux PME
- Logiciels SaaS
- Commerce local
- Formation professionnelle
5 systèmes
- ChatGPT (recherche activée)
- Gemini
- Claude (recherche web activée)
- Perplexity
- Aperçus IA de Google
40 questions × 3 formulations × 5 systèmes × 3 répétitions × 3 vagues = 5 400 observations simulées, précédées d'un pilote simulé de 150 observations dont 75 codées deux fois.
Déroulé du scénario
Les dates sont celles du calendrier simulé : aucune collecte n'a eu lieu.
Étape 1
Protocole conçu
v1.1, 120 formulations, grille de codage publique
Fait
Étape 2
Pilote simulé
150 observations · critères de passage atteints
Simulé · 2 novembre 2026
Étape 3
Vague 1 simulée
1 800 observations
Simulée · 16 novembre 2026
Étape 4
Vague 2 simulée
1 800 observations
Simulée · 16 décembre 2026
Étape 5
Vague 3 simulée
1 800 observations
Simulée · 15 janvier 2027
Étape 6
Rapport et contenus
Lecture complète, analyses, décisions, guides
Publiés
Ce que nous en avons tiré
11 contenus publiés s'appuient directement sur cette édition du Lab. Chacun indique la lecture dont il dérive.
Analyses
- Analyse
Être nommé, être recommandé, être cité : trois visibilités différentes dans les réponses des IA
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.
Relation avec le Lab : Définitions du protocole. Preuve : FAIT (études publiques et documentation des systèmes, vérifiées) + ANALYSE.
- Analyse
Une capture d'écran ne prouve rien : ce que la répétition change à la mesure de la visibilité IA
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.
Relation avec le Lab : 3 répétitions × 3 vagues, courbe de découverte. Preuve : SIMULATION (scénario S1, graine fixe) : stabilité entre répétitions et vagues.
- Analyse
Quelles sources les réponses des IA citent-elles ? Ce qu'il faut regarder au-delà du lien
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 ?
Relation avec le Lab : Champ « citations » de chaque observation simulée. Preuve : SIMULATION (scénario S1, graine fixe) + FAIT (documentation publique des produits).
- Analyse
L'intention de la question change qui est cité : découvrir, comparer, se faire recommander, s'informer
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.
Relation avec le Lab : 5 intentions × 4 secteurs × 3 formulations. Preuve : SIMULATION (scénario S1, graine fixe) : comparaison par intention et par formulation.
- Analyse
Local, national, international : qui occupe la réponse quand l'IA répond ?
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.
Relation avec le Lab : Secteurs commerce local, services B2B, SaaS, formation. Preuve : SIMULATION (scénario S1, graine fixe) : échelle des acteurs par secteur et formulation.
Décisions
- Décision
Faut-il investir dans la visibilité IA ? Un arbitrage pour PME, limites comprises
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.
Relation avec le Lab : Synthèse de la campagne simulée. Preuve : FAIT (études publiques) + SIMULATION (scénario S1, graine fixe) ; le trafic n'est pas mesuré et nous le disons.
- Décision
Quel assistant surveiller en priorité ? Ne choisissez pas sur une seule vague
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.
Relation avec le Lab : 5 systèmes × 4 secteurs × 3 vagues. Preuve : SIMULATION (scénario S1, graine fixe) : système en tête par secteur et par vague, précision selon l'effectif.
- Décision
Quand l'IA se trompe sur votre entreprise : agir ou attendre ?
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.
Relation avec le Lab : Questions Q33 à Q40. Preuve : SIMULATION (scénario S1, graine fixe) (questions de vérification Q33–Q40) + FAIT (sources publiques).
Guides
- Guide
Mesurer sa propre visibilité dans les réponses IA en une heure
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.
Relation avec le Lab : Protocole simplifié du pilote. Preuve : Protocole et grille de codage du Lab #2 + SIMULATION (scénario S1, graine fixe) pour dimensionner les répétitions.
- Guide
Rendre ses pages citables par les IA : ce que la documentation officielle permet vraiment
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.
Relation avec le Lab : Analyse des sources (L2-AN-03). Preuve : FAIT (documentation officielle Google, OpenAI, Perplexity) + SIMULATION (scénario S1, graine fixe) (types de sources).