Une mention est presque une propriété fixe de la marque, du Prompt et du moteur
La plupart des tableaux de bord de visibilité IA mettent en avant un seul chiffre, la part des réponses qui vous mentionnent. On le recopie dans les présentations au conseil d’administration et c’est sur lui qu’on fixe les alertes. C’est aussi la partie de la réponse qui bouge le moins.
Un article publié en juin 2026 par Pratyush Kumar, de Ranqo, en donne la mesure. Ranqo vend des outils de GEO et présente ses propres données de production, ce qui compte pour le poids que vous lui accordez. La cohorte compte 102 marques sur cinq moteurs, de mars à mai 2026, plus de 100 000 réponses à des Prompts.
Pour chaque cellule marque, Prompt et plateforme suivie sur au moins trois exécutions de Prompts de catégorie sans marque, le schéma de mention se répartissait ainsi : jamais mentionnée 63,2 %, toujours mentionnée 14,3 %, mentionnée dans au moins 70 % des exécutions 7,0 %, mentionnée dans moins de 30 % 8,7 %. Seules 6,8 % se situaient dans la zone volatile de 30 % à 70 %, ce qui laisse 77,5 % des cellules strictement toujours ou jamais mentionnées.
Qu’un moteur vous mentionne sur une question de catégorie tient davantage du fait vous concernant que du pile ou face. Pour la plupart des marques de cette cohorte, ce fait était non.
45,5 % des cellules avec mention basculaient entre positif et négatif
Gardez maintenant les cellules fixes et changez de question. Au lieu de demander si la réponse vous mentionnait, demandez ce qu’elle disait. Kumar a filtré les cellules comptant au moins trois mentions et classé le sentiment de chaque exécution.
- Toujours positif : 29,9 %
- Un mélange de positif et de neutre : 21,8 %
- Toujours neutre : 2,3 %
- Un mélange de négatif et de neutre : 0,5 %
- Toujours négatif : 0,0 %
- Basculement entre positif et négatif : 45,5 %
Le signal stable est celui que tout le monde rapporte
45,5 % contre 6,8 %, c’est de là que viennent les 6,7 fois. Mêmes cellules, mêmes exécutions. Le chiffre du tableau de bord est le chiffre stable, et le chiffre que personne ne rapporte bascule sur près de la moitié des cellules qui ont quelque chose à rapporter.
Ce tableau contient un constat plus discret que nous préférons au chiffre phare. Aucune cellule n’était systématiquement négative. Zéro. Les moteurs étudiés ne se sont jamais installés dans une lecture négative d’une marque suivie, et la négativité, quand elle apparaissait, passait. Si quelqu’un vous vend de la gestion de réputation IA en partant du principe que les modèles se sont retournés contre vous, cette ligne mérite d’être gardée en tête.
Mentionné et pas recommandé est désormais un mode d’échec identifié
Un autre groupe a abordé le même écart par l’autre bout. Will Jack, Noah Lehman, Keller Maloney et Sarah Xu, chez Unusual, ont audité environ 37 000 exécutions en production sur 215 Prompts à visée commerciale dans 19 secteurs, face à un catalogue de 533 marques réparties en cinq niveaux de notoriété. Unusual vend lui aussi sur ce marché.
Ils ont découpé le problème en trois étapes. Le modèle doit récupérer une page qui fait référence à vous, vous faire passer du vivier de récupération au texte de la réponse, puis vous recommander dans l’ensemble des recommandations au lieu de vous lister comme l’option qu’il a écartée.
Les leaders de catégorie apparaissaient dans presque chaque récupération pertinente et remportaient de 25 % à 41 % des places qu’ils atteignaient. Être dans la salle était acquis pour eux. Être choisi ne l’était pas. Plus bas dans l’échelle, c’est l’inverse, et 48 % à 52 % des plus petites marques n’ont fait surface dans aucune des 37 000 exécutions.
Dans un article compagnon, la même équipe a pris 7 763 cas où ni ChatGPT ni Claude ne recommandaient une marque et classé chacun dans l’un de ces trois échecs : jamais atteint le modèle, atteint le modèle sans être mentionné, mentionné sans être recommandé. Les deux fournisseurs donnaient le même diagnostic 95,1 % du temps, avec un intervalle à 95 % par grappes de 94,3 % à 95,7 %. L’accord augmentait à mesure que les marques étaient plus petites, de 81 % pour les leaders de catégorie à 99,6 % pour les marques régionales de longue traîne. Les choix divergent d’un fournisseur à l’autre. La raison de votre défaite, en général, non.
Un chiffre de sentiment demande un dénominateur bien plus grand qu’un chiffre de mention
La conséquence pratique est arithmétique. La règle de fonctionnement de Kumar est que les taux de mention demandent au moins trois exécutions, et les scores pondérés par le sentiment au moins dix Prompts par plateforme et par marque avant de se stabiliser. Un sentiment rapporté à partir d’une poignée de vérifications rapporte la chance de l’échantillonneur.
C’est pourquoi chaque pourcentage de visibilité que nous publions porte un intervalle de Wilson, et pourquoi nos alertes se déclenchent sur l’intervalle plutôt que sur l’estimation ponctuelle. Faites tourner une série de sentiment à la même profondeur qu’une série de mentions et elle déclenchera une alerte environ sept fois plus souvent, et presque toutes seront du bruit.
- Gardez la mention et la façon dont vous êtes présenté comme deux séries distinctes, avec des tailles d’échantillon distinctes. Un seul chiffre phare fait la moyenne d’une chose stable et d’une chose volatile.
- Quand vous perdez, demandez-vous de quel échec il s’agissait. La correction pour ne jamais être récupéré n’a rien en commun avec celle pour être le second choix.
- Par moteur. Les choix entre fournisseurs divergeaient environ deux fois sur trois dans les données d’Unusual.
- Fixez le seuil d’alerte à partir de l’intervalle, pour qu’une oscillation sur neuf échantillons ne réveille personne.
Ce que nous faisons à ce sujet
Proofsource suit le sentiment et le positionnement à côté du suivi des Prompts et de la part de voix des concurrents, évalue chaque chiffre de visibilité avec un intervalle de Wilson et conditionne les alertes à cet intervalle. Quand vous êtes mentionné puis écarté, le rôle du rapport est de dire pourquoi ils ont gagné, avec les preuves à l’appui.
Notre propre échantillonnage est plus petit et pointe dans une direction légèrement différente. Dans la seule catégorie que nous avons testée, nous avons mesuré un renouvellement quotidien de 9 % à 27 % selon le moteur dans les noms qui apparaissent, plus de mouvement que ne le suggère un taux de bascule de 6,8 %. Autre cohorte, autre définition d’une exécution, et nous ne prétendrons pas que les deux se réconcilient proprement.
Ce que nous défendrions dans tous les cas, c’est la consigne qui en découle. Cessez de lire un décompte de mentions comme un résultat. C’est la condition d’entrée.
Où cette analyse pourrait se tromper
Les deux groupes vendent des outils sur ce marché et publient tous deux leurs propres données de production. Ce n’est pas disqualifiant, et nous sommes dans la même position quand nous publions les nôtres. Aucun des deux n’est un audit indépendant, ne les lisez donc pas comme tels.
Kumar nomme lui-même la principale limite. Le sentiment est classé par un modèle sur les passages qui mentionnent la marque, donc les 45,5 % mélangent une vraie variance des réponses et le bruit du classificateur, et l’article ne les sépare pas. Considérez 6,7 fois comme un plafond de l’instabilité de la présentation, pas comme sa mesure.
Cette cohorte est un échantillon de convenance, penché vers le SaaS, l’exécution commerciale en distribution, la fintech et les marques en vente directe. Le groupe de niveau 1 compte 11 marques, et l’article signale lui-même ses petits effectifs.
Les étiquettes de mode d’échec d’Unusual sont elles aussi attribuées par un modèle, et leur échelle de notoriété est codée à la main à partir de signaux publics. Elle approxime la notoriété d’une marque, pas sa taille.
Les périodes vont de mars à mai 2026 et en mai 2026. Les moteurs évoluent sans cesse, retenez donc la forme et prenez les décimales avec prudence.
Zéro cellule systématiquement négative est un constat sur des marques suivies, pour des Prompts de catégorie, dans une seule cohorte. Ce n’est pas une affirmation selon laquelle les modèles ne disent jamais rien de mal de personne.
