« Meilleur CRM » : quelqu’un pose vraiment la question comme ça ?
Si vous mesurez la visibilité de votre marque dans les IA, votre liste de prompts ressemble sans doute à ça : « meilleur CRM », « meilleurs outils de gestion de projet ». Court, propre, facile à suivre.
Hex-ko aussi a commencé comme ça. C’est tellement plus simple à standardiser.
Sauf que repensez à la dernière fois où vous avez demandé une recommandation à ChatGPT. Vous n’avez pas tapé deux mots. Vous avez tapé un paragraphe : la taille de l’équipe, le budget, et la contrainte bizarre imposée par la direction.
Et donc, si les vraies questions ressemblent à ça, un test bâti uniquement sur des « meilleur X » mesure une conversation qui n’existe presque pas. Bonne nouvelle : cet écart, quelqu’un l’a mesuré précisément.
Les vraies questions sont 71 % plus longues (et bien plus personnelles)
Thomas Peham, d’Otterly AI, a comparé des centaines de prompts réels envoyés à ChatGPT avec les prompts estimés que génèrent les outils de suivi (l’analyse).
Les écarts ne sont pas subtils :
- Longueur moyenne : 8,8 mots pour les prompts estimés, 15,1 pour les réels, soit 71 % de plus
- Pronoms personnels : 18,8 % contre 52,1 % (2,8 fois plus)
- Formulations orientées problème : 7,1 % contre 21,1 % (le triple)
- Premier mot : les prompts estimés surjouent « best » ; les réels commencent par « what » et « I »
Autrement dit, les vrais utilisateurs ne demandent pas un classement. Ils décrivent une situation : « on est cinq, voilà le budget, qu’est-ce qui est réaliste pour nous ? ». Ce n’est plus une requête de recherche, c’est une consultation.
Ce qui compte, ce n’est pas le mot, c’est la question
Alors, suffirait-il de remplacer « best » par « top » ? Pas vraiment.
Une étude présentée à NAACL 2025 par Errica et ses collègues a quantifié la variation de précision des modèles quand on reformule une même question sans en changer le sens : entre 3,2 et 10 % (l’étude). C’est mesurable, mais ce n’est pas là que ça se joue.
Là où ça se joue, c’est la structure du sens. Demander un classement ou demander une décision sous conditions, ce sont deux questions différentes — et le modèle produit deux réponses de nature différente.
Et la seconde, c’est précisément celle que les vrais utilisateurs tapent à longueur de journée.
Vos prompts de test sont eux-mêmes à vérifier
Un troisième résultat complète le tableau. L’équipe de Mburu a étudié les questions d’enquête générées par IA : rapides à produire, mais sujettes à la verbosité et aux (l’étude).
Parce que oui : le questionnaire qui sert à mesurer est lui-même un objet à contrôler. Demandez à une IA de « générer des questions types de clients », et vous obtiendrez surtout des questions courtes et commerciales — exactement la dérive qu’Otterly a chiffrée.
La solution n’est pas d’arrêter de générer des prompts. C’est d’y mélanger volontairement les longues questions à conditions que le générateur ne produira pas tout seul.
Conclusion : ne testez plus « le meilleur » tout seul, testez la consultation
Si votre suivi de visibilité IA repose uniquement sur des prompts courts type « meilleur X », vous mesurez quelque chose de réel, mais d’étroit. Les questions des vrais acheteurs embarquent une équipe, un budget, des contraintes.
Deux gestes concrets. D’abord, construisez votre jeu de prompts en deux couches : gardez les « best » courts (ils se comparent bien dans le temps) et ajoutez des consultations avec de vraies conditions. Ensuite, passez votre contenu au même filtre : vos pages savent-elles répondre à « lequel convient dans cette situation », ou seulement aligner des fonctionnalités ?
C’est en mesurant les deux qu’on voit comment l’IA parle de votre marque au moment où la décision se prend vraiment.
Sources
- Thomas Peham (Otterly AI), “Real vs Estimated Prompts: I Analyzed 100s of Real ChatGPT Queries”, 2026-02-03, Otterly AI
- Federico Errica, Giuseppe Siracusano, Davide Sanvito, Roberto Bifulco, “What Did I Do Wrong? Quantifying LLMs’ Sensitivity and Consistency to Prompt Engineering”, NAACL 2025, arXiv:2406.12334
- Mburu, T. K., Rong, K., McColley, C. J., & Werth, A., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 114(3), e70012, 2025, DOI:10.1002/jee.70012
