« D’accord, mais ça a fait monter quoi ? »
Si vous avez déjà présenté un rapport de visibilité IA, la question vous est tombée dessus.
Le nombre d’apparitions, vous l’avez. Le fait que ce soit plus que le mois dernier, aussi. La suite, elle — est-ce que quelqu’un a fait quelque chose ? — reste en suspens.
Hex-ko s’est longtemps dit que c’était une question d’ordre : on fait d’abord monter le taux d’apparition, l’histoire business suivra.
La ligne de partage intéressante n’est pas celle de l’apparition. Elle est dans ce que les gens font après la réponse de l’IA.
Être cité par une IA change-t-il vraiment le comportement des gens ?
Oui, mais pas de la même façon selon la citation. Chez des personnes qui n’avaient eu aucun contact avec la marque la semaine précédente, une recommandation de l’IA augmente de 4,3 points la probabilité de rechercher cette marque par son nom dans les sept jours.
Les visites sur le site de la marque montent de 2,4 points, et les fiches produit sur les sites marchands de 1,0 point.
Ce ne sont pas des clics sur un lien, précisons-le. On compte aussi les gens qui ont lu la réponse, sont partis, et ont tapé le nom eux-mêmes dans un moteur.
Les chiffres viennent d’une prépublication (un article pas encore relu par des pairs) signée Michael Iannelli et Alan Ai, de Scrunch AI, publiée le 9 juin 2026 (l’étude).
La méthode : croiser, personne par personne, les conversations ChatGPT, Claude et Gemini avec l’historique de navigation d’un panel de volontaires.
Un panel de « clickstream », c’est l’enregistrement des sites réellement ouverts. Autrement dit : pas un sondage, donc pas le flou qui vient quand on demande aux gens de se souvenir.
La fenêtre d’observation est de sept jours après la réponse. Les intervalles à 95 % (la fourchette dans laquelle se situe raisonnablement l’estimation) valent 3,1–5,5 pour la recherche de marque, 1,4–3,5 pour le site de la marque et 0,3–1,7 pour les fiches produit.
Une précision qui compte : ce sont des points de pourcentage, pas des pourcentages. Passer de 3 % à 7,3 %, c’est 4,3 points ; lire « 4,3 % de plus » donne un tout autre chiffre.
Recommandé et simplement listé, ce n’est pas le même événement
C’est là que ça devient intéressant. Les auteurs ont trié les mentions en trois postures — recommandation, mention neutre, mise en garde — et comparé sur les mêmes personnes non exposées.
La mention neutre fait bouger la recherche de marque de 1,8 point, les visites sur le site de 1,1, les fiches produit de 0,3.
Face aux +4,3 / +2,4 / +1,0 de la recommandation, on tombe donc à deux à trois fois moins de mouvement, pour quelque chose qui, dans un rapport, a exactement la même tête.
Même marque, même semaine, une « mention » dans les deux cas. Mais que le modèle vous appuie ou qu’il vous range dans une liste, ça change le résultat d’un facteur deux à trois.
Compter les mentions sans les trier, c’est un peu comme tenir un entrepôt où les conserves et les fruits frais entrent au même poids.
À l’intérieur d’une même réponse, l’écart tient toujours
L’objection évidente, c’est la sélection : les gros utilisateurs d’IA sont peut-être déjà des acheteurs plus actifs, et les marques citées profitent simplement de ça.
Les auteurs ont donc comparé, dans la même réponse, les marques nommées et des marques de la même catégorie qui n’y figuraient pas.
- Nommées : +2,06 points de recherche de marque, +2,39 points de visites sur leur site
- Même catégorie, non nommées : +0,20 et +0,09 point
Même conversation, même contexte, même personne. Ce qui agit n’est donc pas le profil de l’utilisateur, mais le fait que le nom soit entré dans cette réponse-là.
Et les deux comportements voyagent ensemble : recherche de marque et visite du site apparaissent 5,2 fois plus souvent simultanément que s’ils étaient indépendants. Ce ne sont pas deux victoires distinctes ; n’en mesurer qu’une, c’est voir la moitié d’un seul mouvement.
Tout agréger revient à cacher vos propres résultats
Et là, la question de mesure coûte cher. Si on agrège toutes les mentions sans distinguer la posture, la hausse de recherche de marque tombe à 2,08 points.
Moins de la moitié des 4,3 obtenus par les seules recommandations. Un comptage grossier va donc plus loin que brouiller l’image : il vous fait paraître moins performant que vous ne l’avez été.
Il y a un second point à connaître. Les clients existants visitaient déjà le site 1,68 point au-dessus du niveau de base avant toute mention, et la mention n’ajoutait qu’environ 0,4 point.
L’équipe le lit ainsi : la recommandation de l’IA touche surtout des gens qui n’étaient pas encore dans le tunnel, plutôt qu’elle ne pousse un achat déjà engagé. Et concrètement, pour vous : ces chiffres relèvent de la discussion sur l’acquisition.
Ce que l’étude peut dire, et ce qu’elle ne peut pas
Avant que quelqu’un n’emporte le 4,3 en réunion, les limites, honnêtement :
- Scrunch AI vend de la mesure de visibilité IA : « être recommandé rapporte » est une conclusion avec un intérêt commercial derrière
- La taille du panel et les effectifs par cellule restent confidentiels, donc personne à l’extérieur ne peut vérifier l’ampleur de l’effet
- C’est une étude observationnelle, pas une expérience randomisée (les auteurs s’appuient sur des fenêtres placebo à 14, 21 et 28 jours avant, plus le contrôle interne à la réponse)
- Le panel est volontaire et couvre deux marchés anglophones — pas la France. Trois assistants, et Perplexity n’en fait pas partie
- Et ça reste une prépublication
Les effets bruts sont aussi plus élevés chez les utilisateurs de ChatGPT que chez ceux de Gemini. Mais l’écart disparaît quand on compare à l’intérieur d’une même personne : c’est une différence de qui utilise quoi, pas de ce que chaque modèle vous fait.
Voilà pourquoi je n’afficherais pas 4,3 comme objectif. Ce qui se transporte, c’est la forme : entre recommandation et mention neutre, il y a un facteur deux à trois.
ajoutez la colonne « est-ce qu’on nous recommandait ? »
Le nombre de mentions ne peut pas représenter l’effet des mentions. Une apparition recommandée et une apparition simplement listée sont deux choses très différentes pour la personne qui lit, et les moyenner vous fait perdre plus de la moitié de la hausse mesurée.
La correction est petite et structurelle. Ouvrez les réponses que produisent vos questions clés, classez celles qui vous nomment en recommandation, mention neutre et mise en garde, puis suivez cette répartition chaque mois sur les mêmes questions : une photo isolée ne dit pas dans quel sens ça bouge.
Une colonne et une habitude. Si votre rapport actuel n’a ni l’une ni l’autre, commencez par là avant d’ajouter une question de plus à la liste.
Sources
- Michael Iannelli, Alan Ai (Scrunch AI), « From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web », préprint arXiv 2606.10907, 9 juin 2026, arxiv.org (appariement personne par personne entre les journaux de conversation de ChatGPT, Claude et Gemini et un panel de clickstream sur consentement, avec observation des comportements pendant les sept jours qui suivent la réponse de l’IA. Chez les personnes sans contact avec la marque la semaine précédente, la recommandation fait monter la recherche de marque de +4,3 points de pourcentage [intervalle à 95 % 3,1–5,5], les visites sur le site de la marque de +2,4 points [1,4–3,5] et les fiches produit des sites marchands de +1,0 point [0,3–1,7]. La mention neutre donne, dans le même ordre, +1,8 / +1,1 / +0,3 point. Dans la comparaison à l’intérieur d’une même réponse, les marques nommées enregistrent +2,06 points de recherche de marque, +2,39 points de visites sur leur site et +0,51 point sur les fiches produit, contre +0,20 / +0,09 / +0,16 point pour les marques de la même catégorie qui n’ont pas été nommées. En regroupant toutes les mentions sans distinguer la posture, on obtient +2,08 / +2,37 / +0,52 point. Les clients déjà acquis se situent +1,68 point au-dessus de la ligne de base sur les visites du site avant même la mention, et la mention ajoute environ +0,4 point. Recherche de marque et visite du site surviennent ensemble 5,2 fois plus souvent que si elles étaient indépendantes. Les effets bruts sont plus élevés chez les utilisateurs de ChatGPT que chez ceux de Gemini, mais l’écart disparaît à l’intérieur d’une même personne. Limites : l’éditeur, Scrunch AI, vend de la mesure et de l’amélioration de visibilité dans les IA et a donc un intérêt commercial à cette conclusion. La taille du panel et les effectifs par cellule restent confidentiels pour des raisons commerciales, si bien que la valeur absolue de l’effet n’est pas vérifiable de l’extérieur. Ce n’est pas une expérience randomisée mais une étude observationnelle : les auteurs traitent la confusion par des fenêtres placebo à T−14, T−21 et T−28 jours et par le contrôle interne à la même réponse. Le panel repose sur le consentement et couvre deux marchés anglophones, il ne mesure donc pas le marché francophone, et Perplexity ne fait pas partie des assistants observés. Il s’agit d’un préprint qui n’a pas encore été relu par les pairs. Tous les effets sont en points de pourcentage, et non en variations relatives)
