Fidélité
Le modèle décrit-il la bonne marque ? Bon secteur, bons produits, bon positionnement, bon fondateur — ou une version déformée, datée, voire confondue avec un concurrent. Chaque réponse est notée contre une vérité terrain établie en amont.
Audit GEO · Visibilité IA
Quand un client demande à ChatGPT, Gemini ou Perplexity « c'est quoi votre marque ? », le modèle ne lit pas votre site : il reconstruit une version de vous, de mémoire. Parfois juste. Parfois fausse. Et rarement deux fois pareil. On audite cet écart — et on le corrige.
3 modèles · 3 runs · 100 questions — la reconstruction mesurée, pas devinée.
reconstruction-monitor
LIVE
↓ ce que les LLM reconstruisent ↓
⚙ Exemple — chaque reconstruction est mesurée sur votre marque réelle
Le problème
La reconstruction de marque par les LLM, qu'est-ce que c'est ?
C'est la façon dont un modèle de langage (ChatGPT, Gemini, Perplexity, Claude…) recompose votre marque à partir de ce qu'il a appris et des sources qu'il trouve — votre secteur, vos produits, votre positionnement, votre fondateur. Deux problèmes apparaissent presque toujours : la fidélité (le modèle se trompe — mauvais secteur, mauvais produit, concurrent à votre place) et la stabilité (il donne une version différente à chaque fois qu'on lui pose la question). Une marque correctement reconstruite mais instable reste un risque : le client tombera parfois sur la bonne version, parfois non.
Ce qu'on mesure
La plupart des « audits IA » comptent les erreurs sur une seule réponse, d'un seul modèle. C'est l'angle mort. La variance se mesure autant que l'exactitude.
Le modèle décrit-il la bonne marque ? Bon secteur, bons produits, bon positionnement, bon fondateur — ou une version déformée, datée, voire confondue avec un concurrent. Chaque réponse est notée contre une vérité terrain établie en amont.
La même question, posée trois fois, donne-t-elle la même marque ? On mesure l'amplitude entre les runs. Forte amplitude = reconstruction instable = risque prioritaire, même quand la bonne réponse apparaît parfois.
Typologie
Chaque erreur est classée. Un constat flou (« l'IA se trompe ») devient un plan d'action.
Le modèle invente un fait, un chiffre, un litige ou un avis qui n'existent pas.
Votre marque est rangée dans la mauvaise catégorie — l'erreur la plus coûteuse commercialement.
Le modèle vous décrit comme un concurrent, un homonyme, ou vous positionne en suiveur.
Ancienne gamme, ancien positionnement, ancien prix : le modèle parle d'une marque que vous n'êtes plus.
Produits, fondateur ou valeurs attribués à la mauvaise entité.
En mode connecté, on trace d'où vient chaque erreur — pour savoir exactement quoi corriger.
Pourquoi ça compte
Une mauvaise reconstruction n'est pas un détail technique. Elle se paie.
Mauvais produits, mauvais secteur, faux concurrents recommandés à votre place. Des prospects qui ne vous trouvent jamais — ou trouvent quelqu'un d'autre.
Avis négatifs inventés, positionnement caricaturé, valeurs mal restituées. L'IA façonne la première impression, à grande échelle, sans vous.
Allégations inexactes sur vos produits ou vos engagements, attribuées à votre marque par un tiers que vous ne contrôlez pas.
La méthode Be The Source
Un protocole reproductible. Voici la logique — l'exécution complète, c'est l'Audit Complet.
On fige ce que votre marque est vraiment : secteur, produits, prix, cible, fondateur, faits clés. C'est l'étalon contre lequel tout écart se mesure.
Par intention : identité, produits, secteur, prix, comparatif, transactionnel, risque. Les familles « comparatif » et « risque » révèlent le plus de dérives.
Chaque question testée sur plusieurs modèles, plusieurs fois, avec et sans recherche web. C'est ce croisement qui rend la variance visible.
cœur de la méthode — réservé à l'auditChaque réponse notée sur cinq axes. On calcule un score d'exactitude et une amplitude de variance par question. Les questions instables sont priorisées.
On remonte à l'origine de chaque dérive, puis on agit là où ça compte : contenu, données structurées, entités, llms.txt — pour que les IA vous reconstruisent juste. C'est le cœur d'une stratégie GEO, et un score qu'on peut ensuite suivre dans un dashboard GEO.
Questions fréquentes
En posant systématiquement les bonnes questions, sur plusieurs modèles et plusieurs fois, puis en comparant chaque réponse à une référence factuelle. Une seule question test ne suffit pas : c'est la répétition qui révèle les erreurs et l'instabilité.
Le SEO optimise votre position dans les résultats de recherche classiques. Le GEO (Generative Engine Optimization) optimise la façon dont les moteurs génératifs — ChatGPT, Gemini, Perplexity — vous citent et vous décrivent. Le SEO vous fait apparaître ; le GEO contrôle ce qui est dit de vous quand vous apparaissez.
Parce que les LLM ne sont pas déterministes : la même question peut donner des réponses différentes d'un essai à l'autre. Une marque peut être correctement décrite une fois sur trois — ce qui veut dire que deux clients sur trois reçoivent une version fausse. Mesurer cette variance est aussi important que mesurer l'exactitude.
Aux boutiques Shopify et marques e-commerce établies (typiquement 1 à 20 M€) pour qui la façon dont les IA les décrivent a un impact commercial direct : recommandations produit, comparatifs, première impression d'un prospect qui interroge une IA avant d'acheter.
Un diagnostic chiffré de fidélité et de stabilité par modèle, la typologie des dérives constatées, la cartographie de leurs sources, et un plan de remédiation priorisé par niveau de risque commercial, réputationnel et juridique.
Premier appel de cadrage gratuit, 30 minutes en visio, sans engagement. Je regarde ta boutique avec toi et je te dis honnêtement quelle formule te conviendra le mieux — Express, Complet, ou un format sur-mesure.