« Est-ce que l’IA se souvient vraiment de ma marque ? »
Depuis quelque temps, un petit réflexe s’est installé chez pas mal de marketeurs : ouvrir ChatGPT, taper « les meilleures boîtes de mon secteur ? », et guetter si son nom sort. On relance une fois, deux fois, on regarde encore. C’est devenu le miroir de l’ère IA, et l’envie d’aller s’y regarder se comprend très bien.
Sauf que voilà le hic. Relancez la même question cinq minutes plus tard, et la liste a changé : des noms sont partis, d’autres sont arrivés, l’ordre s’est mélangé. De quoi rester devant l’écran à se demander : mais alors, est-ce que l’IA « se souvient » de moi, ou est-ce qu’elle improvise à chaque fois ?
Moi aussi je me suis fait avoir la première fois, à noter fièrement un classement qui, le lendemain, n’existait déjà plus. On se dit d’abord que le chiffre ne vaut rien. Mais si l’instabilité de surface cachait, dessous, quelque chose de parfaitement stable ?
C’est exactement ce que trois études permettent de démêler. On va voir qu’il existe bel et bien un signal fiable pour juger si une IA garde votre marque en tête — et, surtout, comment la rendre plus mémorable.
2 961 essais plus tard : la liste ne se répète (presque) jamais
Commençons par la mesure qui a mis le doigt sur le problème. L’enquête de SparkToro et Gumshoe, menée par Rand Fishkin, a fait tourner l’expérience en grand : 600 volontaires ont soumis des prompts à ChatGPT, Claude et Google AI.
Le protocole couvrait 12 types de prompts, à la fois en B2C et en B2B, pour un total de 2 961 exécutions. Autrement dit, pas un coup de sonde isolé, mais une vraie répétition, de quoi séparer ce qui tient de ce qui bouge.
Et ce qui bouge, ça bouge beaucoup. La liste de recommandation exactement identique ne revenait que dans moins de 1% des essais. Quant à l’ordre précis des marques, il ne coïncidait qu’environ 0,1% du temps.
Sur une réponse isolée, le classement d’une IA, c’est du bruit. Noter d’un air sérieux qu’on est 3e aujourd’hui et 8e demain, autant tenir le carnet des résultats d’un lancer de dé.
Le chiffre qui, lui, ne bouge pas : le taux d’apparition
Alors, tout serait aléatoire ? Non — et c’est là que l’étude devient intéressante. Un indicateur, lui, restait statistiquement stable d’une exécution à l’autre : le , c’est-à-dire la part des réponses où la marque est citée, sur l’ensemble des essais.
Le taux d’apparition (les auteurs parlent de « Visibility% »), c’est tout simple : sur 100 réponses, combien de fois votre nom sort-il ? Et concrètement, pour vous, c’est le seul chiffre de visibilité IA qu’on peut suivre d’un mois sur l’autre sans se faire balader par le hasard.
Les données le montrent bien. Une marque à forte visibilité apparaissait dans 97% des 71 exécutions qui la concernaient. Côté logiciels en ligne, les marques SaaS (les outils vendus en abonnement sur le web) affichaient des taux d’apparition de 55 à 77%. Des fourchettes nettes, reproductibles — bref, de quoi comparer sereinement.
Plus frappant encore : 142 prompts rédigés par des participants différents n’avaient qu’une très faible similarité entre eux (0,081, là où 1 signifierait « formulations identiques »). Et pourtant, leurs réponses convergeaient vers un même ensemble de marques.
Les mots de la question changent du tout au tout ; les marques qui remontent, elles, restent largement les mêmes. Ce qui déplace la vraie question : non plus « suis-je 3e ou 8e ce matin ? », mais « à quelle fréquence l’IA me cite-t-elle quand on l’interroge sur ma catégorie ? ».
Ce n’est pas le mot exact qui compte, c’est la catégorie de la question
Si des formulations aussi différentes mènent au même endroit, c’est qu’il faut regarder plus bas que la surface des mots. Une étude publiée à NAACL 2025 par Errica, Siracusano, Sanvito et Bifulco s’est justement penchée là-dessus : comment un modèle réagit-il quand on paraphrase une même question ?
Les chercheurs mesurent deux choses : la « sensibilité » (à quel point la réponse change quand on reformule) et la « cohérence » (à quel point le modèle reste d’accord avec lui-même). En pratique, ça revient à secouer la question dans tous les sens pour voir si le sens, lui, résiste.
Résultat : la variation de précision due à la paraphrase restait comprise entre 3,2% et 10%. Ce n’est pas rien, mais ce n’est pas non plus l’explosion à laquelle on pourrait s’attendre. Autrement dit, la manière de tourner la phrase joue un peu — la structure de sens, la catégorie sur laquelle porte la question, joue beaucoup plus.
Et concrètement, pour vous ? Inutile de vous épuiser à deviner « le » mot magique qui fera enfin sortir votre marque. Ce qui compte, c’est d’être solidement rattaché à la bonne catégorie dans ce que l’IA a lu. Le vocabulaire exact du prompt, lui, reste une variable de second ordre.
Se rendre mémorable : un rôle de catégorie cohérent d’une source à l’autre
Reste la vraie question du marketeur : bon, du coup, comment devient-on la marque que l’IA « garde en tête » ? Un troisième travail donne une piste, par analogie. Des chercheurs de Stanford et Google DeepMind ont construit des agents censés répondre comme une personne précise, à partir de 1 052 entretiens qualitatifs approfondis.
Le résultat est bluffant : ces agents reproduisaient à 85% les réponses de la vraie personne au General Social Survey (une grande enquête sociologique de référence), la barre étant fixée par les propres réponses de cette même personne, réinterrogée deux semaines plus tard. Ce qui rend l’imitation crédible, ce n’est pas un mot-clé isolé, mais la richesse du contexte accumulé.
Prudence sur l’analogie : reproduire l’attitude d’un humain n’est pas recommander une marque, et d’autres travaux devront confirmer jusqu’où la comparaison tient. Mais la leçon de fond, elle, se transpose plutôt bien.
Une IA « fait vrai » quand elle a de la matière cohérente à recouper, pas quand elle a croisé un mot isolé une seule fois. Pour qu’elle se souvienne de vous, votre rôle dans la catégorie doit raconter la même histoire d’une source à l’autre : site officiel, comparatifs, avis, articles de presse, discussions de forums. Si trois sources vous rangent dans la même case et qu’une quatrième vous décrit autrement, c’est le flou qui l’emporte, et le taux d’apparition en pâtit.
Conclusion : mesurez le taux d’apparition, construisez la cohérence
Récapitulons, parce que le fil est simple une fois posé. Un classement IA pris sur une seule réponse ne dit rien : moins de 1% de reproductibilité, on ne bâtit pas une décision là-dessus. Le signal qui tient, c’est le taux d’apparition mesuré sur des requêtes répétées de même intention. C’est lui, et lui seul, qu’il faut regarder pour juger si l’IA se souvient de votre marque.
Donc, première action : arrêtez de réagir à la capture d’écran d’un collègue (« regarde, l’IA t’a cité ! »). Fixez quelques questions de même intention, mesurez-les en boucle sur la même IA, et suivez votre taux d’apparition dans le temps. C’est la seule façon de distinguer un vrai progrès d’un simple caprice du hasard.
Seconde action, celle qui change vraiment la donne : rendez votre rôle de catégorie cohérent partout où l’IA va lire. Même case, même histoire, d’une source à l’autre. C’est ce travail de fond, bien plus qu’un mot magique glissé dans un prompt, qui transforme une apparition occasionnelle en présence stable.
Si vous voulez creuser le versant « mesure », on a détaillé quels chiffres croire et lesquels vous mènent en bateau dans ce guide sur le taux d’apparition. Et pour voir, sans attendre, à quelle fréquence les IA citent vraiment votre marque, c’est exactement ce qu’on suit chez HexScope, mois après mois.
Sources
- Rand Fishkin (SparkToro/Gumshoe), « NEW Research: AIs are highly inconsistent when recommending brands or products; marketers should take care when tracking AI visibility », 2026-01-27, sparktoro.com
- 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, arxiv.org
- Joon Sung Park et al. (Stanford University, Google DeepMind), « Generative Agent Simulations of 1,000 People », arXiv:2411.10109, 2024, arxiv.org
