ChatGPT, Gemini, Perplexity : l'algorithme qui change tout

L'impact des algorithmes sur la visibilité des marques

Lorsqu'on évoque la visibilité sur des plateformes comme ChatGPT, Gemini ou Perplexity, on pense souvent à la simple mention de son nom par ces outils. Cependant, cette vision est réductrice. En effet, la visibilité d'une marque ne dépend pas uniquement de l'interface utilisée, mais aussi du modèle d'IA sous-jacent, tel que GPT-4.1 ou GPT-5.4. Chaque modèle peut produire des résultats différents selon la requête, le contexte, la fraîcheur des informations et l'activation ou non de la recherche web.

Il est crucial de comprendre la distinction entre les modèles fast, qui privilégient la rapidité de réponse, et les modèles thinking, qui se concentrent sur le raisonnement et l'analyse approfondie. Ces derniers sont capables d'explorer un éventail plus large de sources et de perspectives, ce qui peut influencer la manière dont une marque est citée. Ainsi, le choix du modèle peut modifier la hiérarchie des marques mentionnées et le nombre d'acteurs visibles.

Pour mesurer efficacement la visibilité d'une marque, il est donc essentiel de prendre en compte non seulement le moteur utilisé, mais aussi le modèle, le type de requête, l'intention de recherche, la formulation et même le persona ciblé. Brand Score AI, un outil développé en interne, permet de cartographier cette visibilité mouvante dans les LLM, démontrant que la visibilité n'est pas un état fixe mais une dynamique en constante évolution.

Les variations de citation entre différents modèles

Les différences de visibilité entre les modèles d'IA peuvent être frappantes. Une marque peut être très bien représentée par un modèle et beaucoup moins par un autre, même pour des requêtes similaires.

Cette disparité a été observée dans divers secteurs, notamment dans le domaine bancaire. En comparant les performances de banques traditionnelles, néobanques, organismes de crédit et comparateurs sur plusieurs modèles de ChatGPT, il est apparu que les courbes de visibilité peuvent s'inverser en fonction du modèle utilisé.

Certains acteurs qui sont peu visibles sur un modèle fast peuvent gagner en visibilité sur un modèle plus avancé ou thinking, et vice versa. De plus, certains modèles ont tendance à citer un nombre limité d'acteurs, tandis que d'autres élargissent leur réponse en mentionnant davantage de marques, de catégories d'acteurs ou d'alternatives.

Comprendre les écarts entre les modèles

Les différences entre deux modèles d'une même famille peuvent être attribuées à plusieurs facteurs. Tout d'abord, ils ne s'appuient pas nécessairement sur les mêmes jeux de données d'entraînement, les mêmes mécanismes de pondération ou les mêmes consignes de réponse. Cela inclut le niveau de prudence, la tendance à recommander une marque, à citer des sources ou à élargir le champ de la réponse.

Ensuite, certains modèles excellent dans le raisonnement, d'autres dans la synthèse, et d'autres encore dans la récupération d'informations récentes. Par exemple, les modèles fast peuvent produire des réponses très proches du prompt initial, en se limitant aux acteurs explicitement demandés. À l'inverse, les modèles thinking peuvent élargir leur analyse, intégrer d'autres catégories d'acteurs et fournir une réponse plus complète, modifiant ainsi la visibilité GEO.

L'essor des modèles hébergés localement

L'émergence des modèles d'IA hébergés localement ou dans des environnements privés pourrait encore fragmenter la visibilité des marques. Deux entreprises utilisant le même modèle de base peuvent obtenir des réponses très différentes si elles l'ont connecté à des données, documents ou règles métier spécifiques.

Pour les marques, cela signifie que la visibilité IA ne se joue plus uniquement dans les grands modèles publics, mais aussi dans les écosystèmes privés, tels que les bases de données fournisseurs, les contenus partenaires, la documentation produit, les données structurées et les sources de référence sectorielles.

Ainsi, une marque peut être visible dans un modèle public, mais absente d'un assistant IA interne si elle n'est pas présente dans les sources utilisées par cet environnement.

Auditer sa présence de manière fiable

Pour réaliser un audit fiable de sa visibilité, il est essentiel de couvrir plusieurs dimensions : moteurs, modèles, intentions de recherche, formulations simples ou complexes, personas ciblés, concurrents, etc. Il est également crucial de répéter ces tests régulièrement, car les réponses peuvent varier considérablement d'une session à l'autre.

Chez Origine, nous utilisons Brand Score AI, notre outil propriétaire, pour suivre la visibilité des marques dans les LLM. Cet outil permet de surveiller les marques sur des modèles spécifiques et d'analyser plusieurs modèles au sein d'une même IA, selon les besoins et les typologies de prompts.

L'objectif est de mesurer non seulement la citation, mais aussi le contexte de mention, les concurrents associés, les sentiments, les sources utilisées et la stabilité de la mention dans le temps.

Stratégies pour les annonceurs dans un environnement en mutation

Il n'existe pas de solution unique pour être plus visible sur un modèle plutôt qu'un autre, bien que certains modèles aient des spécificités. Les réponses sont constamment recomposées.

La priorité est d'abord de permettre l'accès aux robots IA lorsque cela est pertinent, puis de renforcer les signaux fondamentaux déjà connus en SEO : contenus experts, données structurées, autorité, popularité et cohérence sémantique.

Il est également essentiel de développer sa visibilité et sa notoriété en dehors de son propre site. Cela implique d'obtenir des citations sur des médias d'autorité sourcés par les IA, identifiés grâce aux audits GEO. Il faut aussi travailler la synergie entre le GEO et les relations presse, en identifiant les champs sémantiques à renforcer pour augmenter les mentions au sein de sites spécialisés ou médias d'autorité.

Enfin, il est crucial de penser omnisearch : Google, YouTube, Reddit, LinkedIn, médias, marketplaces et comparateurs, forums et LLM sont désormais connectés dans les nouveaux parcours de recherche. La visibilité doit se construire sur l'ensemble de ces points de contact.

Les pièges à éviter dans le GEO

Certaines erreurs sont à éviter. La première est de croire qu'il existe un raccourci technique unique : une page "optimisée IA", un fichier dédié aux LLM ou quelques balises ajoutées au site ne suffiront pas à booster durablement la visibilité d'une marque. Les LLM s'appuient sur un ensemble de signaux beaucoup plus large : autorité, notoriété, qualité des sources, cohérence sémantique et mentions.