La visibilité de la marque dans la recherche AI se résume souvent à une seule question : ChatGPT, Google AI Overviews ou Perplexity mentionnent-ils l'entreprise ?
Cela est utile comme observation préliminaire, mais c'est un standard trop superficiel pour un audit.
Une marque peut apparaître fréquemment mais être assignée à la mauvaise catégorie. Elle peut être citée comme source sans être recommandée comme fournisseur. Elle peut être représentée avec précision dans une formulation d'une question et disparaître après un léger changement de formulation. Un système peut également répéter des informations obsolètes de manière cohérente, confondre deux entités similaires ou attribuer une caractéristique à un produit qui ne l'a jamais offert.
Un audit de visibilité AI professionnel devrait donc examiner cinq questions distinctes :
La marque est-elle présente ?
Quel rôle lui est attribué ?
Quelles sources visibles soutiennent sa représentation ?
Les affirmations sont-elles exactes ?
Le résultat persiste-t-il à travers les exécutions, les invites, les plateformes et le temps ?
Une mention est une observation. Un audit fiable explique la représentation qui la sous-tend.
Cet article définit ces cinq dimensions. Le prochain article de la série explique comment réaliser un audit de visibilité AI à travers les surfaces de recherche AI publiques.
Un audit de visibilité AI n'est pas un contrôle d'invite
La forme la plus simple de test de visibilité AI suit généralement quatre étapes :
préparer une liste de questions ;
les entrer dans plusieurs systèmes de réponse ;
compter combien de fois la marque apparaît ;
comparer le total avec celui des concurrents.
Cela peut révéler des absences ou des erreurs évidentes. Cela ne détermine pas pourquoi les questions ont été sélectionnées, quelles intentions commerciales elles représentent, si la recherche sur le web était active, si les exécutions ont été répétées ou si la marque est apparue comme une recommandation, une source ou un exemple accessoire.
Il y a également un risque de traiter une sortie probabiliste comme un résultat stable.
Dans Quantifying Uncertainty in AI Visibility, Ronald Sielinski a testé des échantillons répétés de Perplexity Search, OpenAI SearchGPT et Google Gemini. Les distributions de citation variaient considérablement entre les mesures quotidiennes et à haute fréquence, et certaines différences apparentes entre les domaines tombaient dans le bruit statistique du processus de mesure. Le document est un préprint de 2026, donc ses résultats numériques nécessitent une réplication supplémentaire, mais il remet directement en question les rapports de visibilité à exécution unique.
Don’t Measure Once: Measuring Visibility in AI Search arrive à la même conclusion plus large : les réponses peuvent varier selon les exécutions, les invites et le temps, donc la visibilité doit être considérée comme une distribution de résultats possibles plutôt que comme un rang fixe.
Cela n'implique pas un nombre universel de répétitions. La taille de l'échantillon doit dépendre de la plateforme, du scénario et de la variabilité observée. Cela soutient une règle minimale :
Un audit dans lequel chaque invite est exécutée une seule fois est une collection d'observations illustratives, pas une mesure fiable de la stabilité de la visibilité.
Le modèle d'audit de représentation AI 5P
Brand Semantics utilise le modèle d'audit de représentation AI 5P :
Présence
Position
Provenance
Précision
Persistance
Les préoccupations sous-jacentes ne sont pas nouvelles. La recherche GEO, publiée plus tard à KDD 2024, a formalisé des mesures de visibilité et de position ajustées pour les réponses génératives. Des recherches ultérieures ont examiné la mesure répétée, le soutien par citation et la fiabilité au niveau des affirmations.
Des éléments comparables apparaissent également dans les méthodologies des praticiens. Le Cinq couches de connaissance de marque AI de David Cosgrove couvre la reconnaissance d'entités, l'exactitude factuelle, le positionnement, les lacunes de connaissance et l'attribution des sources. Le Score de visibilité AI de Digital Applied inclut la Position et la Persistance, bien qu'il les définisse de manière plus étroite et les combine en un score composite. Yotpo utilise également le terme persistance de marque pour la visibilité répétée à travers les sessions.
La valeur du modèle 5P réside dans l'intégration de ces préoccupations en cinq dimensions opérationnellement distinctes d'un audit axé sur la représentation. Il ne prétend pas que les mentions, le positionnement, la provenance, l'exactitude ou la stabilité ont été nouvellement découverts.
Dimension | Question principale | Métriques d'exemple | Risque typique |
|---|---|---|---|
Présence | La marque apparaît-elle ? | taux de mention, couverture de scénario, couverture de plateforme | la présence est confondue avec une visibilité significative |
Position | Quel rôle est attribué à la marque ? | taux de recommandation, taux de shortlist, catégorie assignée | une mention est confondue avec une recommandation |
Provenance | Quelles sources visibles soutiennent la réponse ? | taux de citation, diversité des sources, soutien des affirmations | la citation est confondue avec l'influence |
Précision | Les affirmations sont-elles exactes ? | exactitude des affirmations, taux d'hallucination, confusion d'entités | une réponse plausible contient des erreurs matérielles |
Persistance | La représentation persiste-t-elle ? | stabilité des exécutions, stabilité des variantes d'invite, dérive temporelle | un résultat unique est traité comme durable |
Présence : la marque apparaît-elle ?
La présence est la couche la plus basique. Elle établit si la marque, le produit, le domaine ou l'entité associée apparaît dans la réponse.
Les mesures utiles incluent :
taux de mention à travers des scénarios pertinents ;
couverture de la plateforme ;
présence du produit ;
co-occurrence de la marque et de sa catégorie ;
présence dans des questions de marque et non de marque.
Un audit utile devrait distinguer au moins quatre formes de présence :
présence provoquée — la marque apparaît parce que la question la nomme ;
présence spontanée — la marque apparaît dans un scénario de catégorie, de problème ou de recommandation sans être nommée ;
présence source seule — le domaine est cité, mais la marque est absente du texte de réponse ;
présence produit seule — un produit est mentionné sans association claire avec la marque mère.
Cela est important car une marque qui est reconnue lorsqu'elle est explicitement demandée n'est pas nécessairement découvrable dans des scénarios de décision non marqués.
Le taux de mention n'est donc pas une part de marché, une probabilité de recommandation ou une valeur commerciale. C'est une observation concernant l'inclusion.
Position : quel rôle est attribué à la marque ?
La position est plus large que la localisation physique d'un nom de marque dans la réponse. Elle couvre :
le rôle attribué à la marque ;
statut de recommandation ;
attribution de catégorie ;
pertinence pour des cas d'utilisation particuliers ;
relation comparative avec les concurrents ;
prominence au sein de la réponse.
Une taxonomie pratique peut inclure :
recommandation primaire ;
recommandation secondaire ;
inclusion dans la shortlist ;
exemple de catégorie ;
source d'information ;
mention de fond ;
caution ou comparaison négative ;
inclusion non pertinente ;
confusion d'entités.
Une marque mentionnée dans 70 % des réponses mais presque toujours seulement comme source a un problème de visibilité différent d'une marque présente dans 30 % des réponses mais régulièrement présentée comme la recommandation la plus forte.
C'est pourquoi la Position ne devrait pas être réduite à la rapidité d'apparition d'une mention. L'ordre textuel peut être utile, mais il ne capture pas la catégorie, le rôle ou le statut de recommandation.
Provenance : quelles sources visibles façonnent la réponse ?
La provenance concerne l'environnement source observable autour d'une réponse.
Un audit peut établir :
quels domaines sont cités ;
quelles sources appartiennent à la marque ;
quelles proviennent des médias, des annuaires, des forums, des partenaires ou des concurrents ;
si les sources sont actuelles ;
si une page citée concerne la bonne entité ;
si elle soutient l'affirmation spécifique qui lui est attribuée ;
si différentes plateformes s'appuient sur différents écosystèmes de sources.
Le terme précis est provenance visible. Une interface affichant plusieurs liens ne révèle pas chaque document considéré ou le processus complet de récupération interne. L'absence d'une citation ne prouve pas non plus qu'aucune information externe n'a contribué à la réponse.
La provenance n'est donc pas un synonyme de nombre de citations. Elle devrait inclure le type de source, l'indépendance, l'actualité, la correspondance d'entité, les contradictions et le soutien au niveau des affirmations.
Le préprint From Citation Selection to Citation Absorption sépare la sélection d'une page citée du degré auquel cette page contribue au langage, aux preuves, à la structure ou au soutien factuel de la réponse finale. À travers 602 invites et plus de 21 000 citations de couche de recherche, les auteurs ont constaté que l'étendue de la citation et la profondeur mesurée de l'influence pouvaient diverger. L'étude ne justifie pas un classement permanent des plateformes, mais elle soutient la mesure de la contribution des sources séparément du volume de citations.
Précision : les affirmations sont-elles exactes ?
La précision concerne l'exactitude factuelle et sémantique des affirmations concernant l'entité auditée. Elle ne doit pas être confondue avec la précision des citations, qui évalue les citations plutôt que la vérité de la représentation de la marque.
Une réponse doit être décomposée en affirmations atomiques.
La phrase :
« La société X est une plateforme SaaS britannique offrant des analyses prédictives dans son plan d'entrée de gamme »
contient au moins quatre affirmations :
La société X est une plateforme SaaS.
La société X est britannique.
Elle offre des analyses prédictives.
La fonctionnalité est disponible dans le plan d'entrée de gamme.
Chacune peut être vraie, fausse, obsolète, partiellement vraie, non vérifiable, manquer une limitation importante ou être attribuée à la mauvaise entité.
Le cadre DeepTRACE applique une analyse au niveau des déclarations et construit des matrices reliant les affirmations, les citations et le soutien factuel. Ses auteurs ont constaté que les réponses génératives et les réponses de recherche approfondie peuvent contenir des proportions matérielles d'affirmations non soutenues par leurs sources répertoriées. Le document est un préprint et une partie de son évaluation a utilisé un juge basé sur un modèle validé par rapport aux évaluations humaines, mais la méthode au niveau des affirmations est directement pertinente pour l'audit de marque.
Les mesures de Précision utiles incluent :
exactitude des affirmations ;
taux d'affirmations non soutenues ;
taux d'hallucination ;
taux d'affirmations obsolètes ;
taux de confusion d'entités ;
taux de limitation manquante ;
taux de recommandations non soutenues.
Un taux d'hallucination ne peut pas être calculé de manière crédible sans une vérité de référence définie. L'audit nécessite d'abord une carte d'affirmations approuvée, une documentation produit actuelle, des données tarifaires, des données organisationnelles et d'autres sources vérifiées.
Persistance : la représentation tient-elle ?
La persistance est une dimension parapluie pour plusieurs formes de stabilité :
stabilité des exécutions répétées ;
stabilité des variantes d'invite ;
consistance entre plateformes ;
consistance entre langues ;
stabilité des citations ;
stabilité des affirmations ;
persistance temporelle.
Des méthodes industrielles antérieures utilisent également le terme, parfois de manière plus étroite. Digital Applied définit la Persistance par la présence continue de citations hebdomadaires, tandis que Yotpo applique la persistance de marque aux sessions répétées. Le modèle 5P l'utilise à travers la présence, le rôle, les sources, les affirmations et les concurrents plutôt que de la réduire à la durée de vie d'une citation.
Cette distinction est importante car un système peut :
mentionner la marque de manière cohérente mais changer son rôle ;
recommander la marque de manière cohérente tout en changeant ses preuves ;
répéter la même erreur factuelle à chaque exécution ;
représenter la marque correctement en anglais mais incorrectement en polonais ;
rester stable au sein d'une plateforme tout en divergeant fortement ailleurs.
La stabilité n'est pas l'exactitude. Une représentation inexacte peut être très persistante.
Pourquoi un score de visibilité AI unique n'est pas suffisant
Un score composite peut être utile pour les rapports exécutifs, mais c'est un mauvais substitut pour le diagnostic.
Une forte Présence peut coexister avec une faible Précision. Une forte Persistance peut signifier qu'une affirmation fausse est répétée de manière cohérente. Une forte part de citation peut coexister avec une visibilité de recommandation faible. Une marque peut dominer les questions provoquées tout en restant absente des scénarios de découverte non marqués.
Combiner ces résultats en un seul chiffre cache le mécanisme qui devrait guider l'action.
Un tableau de bord 5P peut toujours utiliser des résumés numériques, mais les cinq dimensions doivent rester visibles et interprétables séparément. L'audit doit répondre non seulement à la question de savoir si la visibilité est élevée ou basse, mais quel type de visibilité existe, si elle est exacte et quelles preuves la soutiennent.
Ce que cela ne signifie pas
Une mention n'est pas une recommandation
Une marque peut apparaître comme source, exemple ou référence périphérique. Le taux de mention n'indique pas automatiquement la part de recommandation.
Une citation n'est pas une preuve d'absorption
Un lien visible n'établit pas à quel point la page a influencé la réponse. La sélection de citation et l'absorption de citation sont des observations différentes.
Aucune citation ne prouve aucune récupération
L'absence d'un lien visible ne révèle pas le processus complet de génération. Un audit évalue les sorties observables et les sources visibles.
La stabilité n'est pas l'exactitude
Un système peut répéter une affirmation obsolète ou fausse de manière cohérente.
Un score ne représente pas l'ensemble de l'audit
L'agrégation peut dissimuler une erreur matérielle, une recommandation instable ou une dépendance à la source.
La visibilité AI ne prouve pas l'impact commercial
La présence dans les réponses peut soutenir les décisions de découverte ou d'achat, mais l'impact sur les revenus nécessite des données de trafic, de conversion, d'attribution et des preuves qualitatives séparées.
Mesurer la représentation, pas seulement la mention
Un audit de visibilité AI ne devrait pas répondre uniquement à la question de savoir si une marque apparaît dans ChatGPT ou Google AI Overviews.
Il devrait établir :
où la marque apparaît ;
quel rôle elle reçoit ;
quels concurrents l'entourent ;
quelles sources sont visibles ;
si ces sources soutiennent les affirmations ;
si la représentation est exacte ;
si le résultat persiste à travers des conditions pertinentes.
Le modèle 5P organise ces questions sans réduire des résultats matériellement différents en un seul score de visibilité.
La prochaine étape est méthodologique : définir l'entité, construire des scénarios d'intention, sélectionner les surfaces de produits pertinentes et préserver suffisamment de preuves pour que les résultats puissent être examinés. Ce processus est couvert dans Comment réaliser un audit de visibilité AI à travers les plateformes de recherche AI.
Brand Semantics applique cette distinction à travers AI Strategic Consulting, reliant la visibilité technique, l'analyse des sources, l'exactitude des affirmations et le suivi de la représentation.
Sources et notes méthodologiques
Pranjal Aggarwal et al., GEO: Generative Engine Optimization, évalué par des pairs à KDD 2024. Utilisé pour la formalisation précoce de mesures de visibilité et de position ajustées dans les réponses génératives.
Ronald Sielinski, Quantifying Uncertainty in AI Visibility, préprint arXiv, révisé en juin 2026. Utilisé pour la mesure répétée, la variabilité des citations et l'incertitude.
Julius Schulte, Malte Bleeker et Philipp Kaufmann, Don’t Measure Once, préprint arXiv, avril 2026. Utilisé pour la visibilité comme distribution à travers les exécutions, les invites et le temps.
Zhang Kai, He Xinyue et Yao Jingang, From Citation Selection to Citation Absorption, préprint arXiv, avril 2026. Utilisé pour la distinction entre sélection de citation, étendue et absorption mesurable.
Pranav Narayanan Venkit et al., DeepTRACE, préprint arXiv, septembre 2025. Utilisé pour l'audit au niveau des déclarations et l'analyse du soutien par citation.
David Cosgrove, The Five Layers of AI Brand Knowledge ; Digital Applied, AI Search Visibility Score ; et Yotpo, How to do an AI search audit for brand mentions. Ces documents de praticiens documentent l'utilisation publique antérieure de concepts chevauchants ; ils ne constituent pas une validation indépendante de métriques propriétaires.
Note méthodologique : Le modèle d'audit de représentation AI 5P est un cadre d'organisation de Brand Semantics. Sa contribution est l'intégration et la séparation opérationnelle de cinq préoccupations d'audit établies. La terminologie n'est pas une terminologie officielle de plateforme ou un standard académique établi.