Un score de visibilité IA transforme des réponses échantillonnées en un seul chiffre comparable.

Mesurez quelques taux sur les mêmes questions d’achat sans marque, ramenez chacun sur une échelle de 0 à 100 selon un repère explicite, et faites une moyenne pondérée. La comparaison avec les concurrents est intégrée via la part de voix, qui divise vos mentions par celles des fournisseurs mentionnés à côté de vous, et via la position, qui indique à quel point vous êtes mentionné tôt.

Le score AEO de Proofsource fait exactement cela. La formule, telle que publiée sur la page méthodologie :

round( (35 x mention + 25 x citation + 25 x part de voix + 15 x position) / 100 ), chaque partie sur 0-100, parties mesurées uniquement

Les mêmes réponses le produisent sur ChatGPT, Perplexity, Claude et Google AI Overviews. C’est un chiffre unique pour la période que vous choisissez ; pour vous comparer à un concurrent précis, utilisez les décomptes qui le composent, comme décrit dans se comparer à ses concurrents.

Prenez une marque fictive aux chiffres ronds : mentionnée dans 20 % des réponses, son site cité dans 10 %, avec 12 % des mentions du top 10, à une place moyenne de 4. Ces données sont illustratives, il ne s’agit pas d’une vraie marque.

round( (35 x 40.0 + 25 x 25.0 + 25 x 48.0 + 15 x 84.2) / 100 ) = round(44.88) = 45

Chaque chiffre ci-dessus se vérifie avec une calculatrice, et c’est le but. Le vrai score dans le produit montre la même décomposition, toute partie qu’il n’a pas pu mesurer étant exclue et signalée, jamais notée zéro.

Parce que les données d’entrée sont des échantillons. Posez deux fois la même question au même moteur et la réponse peut changer : un score de 45 issu d’une semaine de réponses pourrait devenir 40 ou 50 la semaine suivante sans que rien ait changé de votre côté.

Les réponses sont échantillonnées : le score est donc affiché avec une fourchette à 95 % tirée des intervalles de Wilson de ses taux (Monte-Carlo, graine fixe, dépendance prudente), ainsi que le score selon cinq pondérations alternatives, pour que l’effet des poids soit visible.

Les cinq pondérations alternatives répondent à l’objection évidente contre tout score composite : les poids seraient arbitraires. Si les alternatives concordent, les poids comptent peu pour votre marque ; si elles divergent, la page le dit. L’intervalle lui-même est expliqué dans le glossaire.

Ils mesurent des choses différentes sur des données différentes. Evertune décrit son AI Brand Score comme la probabilité qu’un modèle oriente l’attention vers une marque dans des recommandations spontanées, sur une échelle de 0 à 100 qui combine la fréquence d’apparition de la marque et des pondérations de position publiées (première place 100 %, deuxième 90 %, troisième 81 %). Il ne met pas de noms de marque dans ses prompts.

L’AI Visibility Index de Semrush est un classement public par catégorie, construit à partir de 126 millions de prompts américains sur ChatGPT, Google AI Mode, Google AI Overviews et Gemini, présenté par plateforme, qui combine la fréquence d’apparition d’une marque et sa régularité. Dans sa boîte à outils, le score AI Visibility de Semrush est un benchmark de 0 à 100 face aux concurrents. Aucune des deux pages ne publie la formule complète, donc les deux chiffres ne sont pas convertibles l’un en l’autre. Les deux sont en lien dans les sources ci-dessus.