Méthodologie
Chaque score sur ce site, le vôtre ou le nôtre, remonte à un ensemble déclaré de prompts, un ensemble déclaré de moteurs et un nombre déclaré de passages, tous enregistrés. Cette page est le comment, en entier, pas un résumé marketing.
Méthodologie v1.1La mesure
Un taux de citation n'a de sens que si vous savez exactement ce qui l'a produit. Nous déclarons les trois avant de vous montrer le moindre chiffre.
Quand c'est possible, les ensembles de prompts viennent de données de demande de recherche mesurées pour la catégorie, avec les mots de l'acheteur lui-même, pas des questions choisies parce qu'elles faisaient une belle capture d'écran. Notre propre référence de catégorie a utilisé 20 prompts à intention d'achat, collectés de la même façon.
Les moteurs de chat et les résultats de recherche générés par IA sont des surfaces différentes, avec des mécaniques différentes. Nous mesurons les deux, mais nous ne les fusionnons jamais en un seul score sans dire de quelle famille vient chaque chiffre.
Un passage est un instantané ; plusieurs passages forment une fourchette. Nous disons toujours lequel des deux vous regardez, de notre propre recherche publiée jusqu'au rapport que vous recevriez en tant que client.
Deux familles, jamais fusionnées
Une citation dans une conversation ChatGPT et une citation dans un AI Overview de Google passent par des mécaniques différentes. Les rapporter comme un seul chiffre cacherait laquelle compte vraiment pour un parcours d'achat donné. Nous les gardons séparées, toujours étiquetées.
ChatGPT, Perplexity, Gemini et Claude. Vous posez une question directe et recevez une réponse conversationnelle, parfois avec une source citée. L'échantillonnage du modèle a une vraie part d'aléatoire ici, donc cette famille est mesurée plusieurs fois par cycle.
AI Overviews de Google, Google AI Mode, et le panneau de réponse IA dans Bing. Un résumé rédigé par IA intégré directement dans une page de résultats familière, pas une conversation de chat. Il se comporte de façon quasi déterministe pour une même recherche, donc il faut moins de passages, mais ça reste son propre chiffre.
Les 7 surfaces
Deux familles, sept surfaces, une étiquette publique de méthode attachée à chaque chiffre, pour que personne n'ait à deviner ce qui l'a produit.
mesuré · chat natif. Segmenté selon que la réponse ait utilisé la recherche en direct (grounding) ou non.
mesuré · chat natif
mesuré · chat natif
mesuré · chat natif
mesuré · recherche répondue par IA
mesuré · recherche répondue par IA. Requêtes en anglais uniquement.
proxy · réponse IA dans la recherche. Le panneau de réponse IA à l'intérieur des résultats de recherche, pas l'app de chat Copilot séparée.
Les tiers d'échantillonnage
Plus de répétitions produisent un chiffre plus resserré et plus fiable, et coûtent plus cher à exécuter. Nous ne laissons jamais un tier économique emprunter l'étiquette qu'un tier plus rigoureux a méritée. Chaque score indique quel tier l'a produit.
Un passage par prompt, sur tous les moteurs.
instantané à passage unique
Cinq passages par prompt sur les moteurs de chat, un à deux sur les surfaces de recherche IA.
report-grade, avec la large fourchette affichée
Sept à huit passages par prompt sur les moteurs de chat, deux sur les surfaces de recherche IA, atteignant le plancher fixé par l'étude académique de reproductibilité GEO.
research-grade
Confiance, pas fausse précision
Nous calculons l'intervalle par rééchantillonnage bootstrap des passages derrière un score, sans supposer une courbe en cloche que les données de réponse IA ne suivent en réalité pas. Un chiffre sans intervalle est du théâtre : il paraît précis et ne dit rien sur à quel point il aurait pu tomber ailleurs. Sur un passage unique, nous ne simulons pas un intervalle, nous montrons l'étiquette d'instantané à passage unique à la place, et le disons.
Un taux de citation de 40 % avec un intervalle à 95 % de 10 % à 70 % n'est pas la même affirmation que 40 % avec un intervalle de 35 % à 45 %, même si le chiffre principal est identique. Nous montrons la largeur à chaque fois, jamais seulement le point médian.
Selection vs Absorption
Une recherche publiée sur le comportement de citation des LLM a trouvé que l'inclusion se produit en deux étapes avec des moteurs distincts. Les traiter comme un seul chiffre fusionné cache lequel des deux vous améliorez vraiment.
La marque est-elle entrée dans le pool de sources que le modèle a utilisé ? Poussé surtout par des signaux d'autorité classiques : backlinks, reconnaissance de marque, mentions tierces. C'est ce que la plupart des chiffres de taux de citation publiés mesurent en réalité.
Une fois sélectionnée, la marque a-t-elle vraiment façonné la substance de la réponse, ou est-elle restée inutilisée dans une liste de sources ? Poussé par la densité de preuves extractibles : définitions, statistiques, comparaisons et contenu structuré qu'un modèle peut reprendre directement. Bien se positionner résout Selection. Cela ne résout pas Absorption automatiquement.
Within-tool, jamais entre moteurs
Le comportement de citation varie énormément d'un moteur IA à l'autre. Une recherche publiée a mesuré des écarts allant jusqu'à 615 fois entre moteurs sur une même catégorie, et n'a trouvé qu'environ 11 % de chevauchement entre les sources que cite ChatGPT et celles que cite Perplexity pour des requêtes comparables. Un changement à l'intérieur d'un moteur, suivi dans le temps, est un vrai signal. Une comparaison du score brut d'un moteur contre le score brut d'un autre moteur n'est pas un constat, c'est du bruit déguisé en constat.
Les règles d'honnêteté
Cela signifie que le chiffre vient d'exactement un passage, pas d'une moyenne de passages répétés. Les réponses des LLM ne sont pas totalement déterministes : posez la même question deux fois et vous pouvez obtenir deux citations différentes. Un chiffre à passage unique est une donnée réelle, mais c'est une photographie, pas une courbe de tendance, et nous l'étiquetons ainsi à chaque fois, y compris notre propre référence de 240 réponses.
Les moteurs de la famille chat sont échantillonnés plusieurs fois par cycle de mesure ; les surfaces de recherche IA ont besoin de moins de passages car elles sont plus proches du déterministe pour une même recherche. Quand nous mesurons plus d'une fois, nous montrons une fourchette plutôt qu'un chiffre unique et flatteur.
Non. Ce sont des surfaces différentes, mesurées différemment, et rapportées séparément à chaque fois, étiquetées par famille. Un « score de visibilité IA » fusionné paraîtrait plus propre et en dirait moins.
Parce que personne ne contrôle ce qu'un modèle choisit de citer, ni nous, ni vous, ni même le laboratoire qui l'a entraîné. Quiconque promet une citation IA garantie promet quelque chose hors de son propre contrôle. Ce que nous pouvons garantir, c'est que le chiffre que nous vous remettons a été produit comme cette page le décrit, jamais inventé.
Ce que nous ne faisons jamais
La recherche
En juillet 2026, nous avons appliqué exactement la méthodologie décrite ci-dessus à notre propre catégorie, avant de la vendre à qui que ce soit. Voici ce que chaque module a mesuré, tiré directement des passages de recherche enregistrés.
Chaque mot-clé sur lequel 14 domaines concurrents se positionnent déjà : 1 721 mots-clés uniques, la matière première de la file de classement obligatoire.
Qui l'AI Overview de Google cite pour la catégorie aujourd'hui, échantillonné sur cinq langues.
L'étude de prompts à intention d'achat derrière chaque chiffre de classement sur ce site : 240 réponses notées sur quatre moteurs.
Recoupement de tout ce qui précède en une file de contenu validée.
Même règle
Nous appliquons exactement la méthodologie décrite sur cette page à notre propre catégorie, et publions les résultats sous forme d'étude de cas datée et continue, mise à jour sur place à mesure que les chiffres bougent, ou non. Si une méthode ne survit pas à son application à son propre créateur, ce n'est pas une méthode.
Publié, daté et mis à jour sur place, pas une rétrospectiveVérifiez par vous-même
Chaque chiffre de cette page vient du fait de poser de vraies questions à de vrais moteurs d'IA et de compter ce qui revient. Voici exactement comment refaire la même vérification vous-même : sans compte, sans outil, juste les moteurs et un chronomètre.
Prenez un prompt tiré d'un ensemble déclaré, comme l'exemple ci-dessous, et posez-le à chaque moteur qui vous intéresse, tel quel, dans une conversation neuve sans contexte préalable.
Pour chaque réponse, notez si votre marque ou votre domaine apparaît, et quelles sources le moteur nomme ou lie. Une seule exécution est un instantané, pas une tendance.
Répétez le même prompt sur le même moteur à des jours différents pour voir comment le comportement de citation évolue. Ne comparez jamais le score brut d'un moteur directement à celui d'un moteur différent.
best CRM software providersAucun exemple réel mesuré n'est encore publié. Il est dans la file de notre prochain self-scan propre et remplacera cette note dès qu'il sera disponible.
Changelog
19 juillet 2026Tiers d'échantillonnage renommés pour le lancement à l'achat unique : Starter et Pro deviennent les rapports Compete et Deep Research, l'étiquette monitoring-grade devient report-grade, et le tier Compete se fixe à cinq passages par prompt. Les nombres de passages, la méthode d'intervalle de confiance et chaque étiquette d'honnêteté restent inchangés.
18 juillet 2026Publication initiale : tiers d'échantillonnage avec étiquettes honnêtes (instantané à passage unique, monitoring-grade, research-grade), Selection et Absorption mesurées séparément, comparaison within-tool uniquement, ensembles de prompts versionnés, et une étiquette de méthode attachée à chaque surface.
Références
Chaque règle de cette page remonte à une source publiée précise, pas à une opinion interne sur ce qui paraît rigoureux.
La référence originale de reproductibilité pour cette catégorie : cinq graines aléatoires, code public. Toujours pas suivie par la plupart des outils commerciaux.
Fixe le plancher de sept à huit passages derrière notre tier research-grade, et les estimandes distincts que nous échantillonnons.
602 prompts et 21 143 citations derrière la séparation Selection versus Absorption.
L'écart de taux de clic organique sous AI Overviews qui motive de mesurer cette catégorie, pour commencer.
Pourquoi une seule requête de départ ne suffit pas : les AI Overviews étendent un prompt en sous-requêtes avant d'y répondre.
Rapport ponctuel, sans abonnement, livré en quelques jours.