« On est leaders, l’IA peut attendre un trimestre »
La phrase tombe en réunion de plan, et personne ne la conteste.
De l’autre côté de la même table arrive son miroir : « une boîte de notre taille, l’IA ne la sortira jamais, alors pourquoi dépenser ».
Hex-ko a assisté à une réunion où les deux phrases se sont dites à dix minutes d’intervalle. Et elle n’a su démonter ni l’une ni l’autre : les deux sont à moitié vraies, et c’est bien ce qui est gênant.
Sauf que quelqu’un a classé 533 marques par notoriété, a passé au crible 37 000 recommandations d’IA, et a regardé où chaque groupe décrochait. Les points de décrochage n’étaient pas les mêmes. Pas du tout, même.
La raison pour laquelle l’IA vous oublie dépend-elle de votre taille ?
Oui, et c’est tout l’intérêt de l’étude. Les grosses marques entrent presque toujours dans la liste de candidats puis perdent le choix final ; les petites n’arrivent même pas sur la liste.
En chiffres : les leaders de catégorie ne sortaient comme recommandation finale que dans 25 à 41 % des cas, alors qu’ils apparaissaient comme candidats à presque tous les coups. Les marques de longue traîne et les acteurs régionaux échouaient dès la première étape dans 48 à 52 % des passages, le modèle ne les faisant tout simplement pas remonter (l’étude, Unusual.ai, arXiv:2605.27439, publiée le 22 mai 2026).
L’audit couvre 37 000 recommandations d’IA, 533 marques et 19 secteurs, répartis en cinq niveaux de notoriété.
Les quatre auteurs travaillent chez Unusual.ai, qui vend de la mesure de visibilité IA. « À chaque niveau son levier » est précisément la conclusion qui fait vendre un produit de diagnostic.
L’entonnoir casse à trois endroits différents
L’équipe découpe la recommandation en trois étapes, et c’est ce découpage qui rend lisibles les écarts entre niveaux.
La première, c’est la découverte : le modèle vous trouve-t-il et accède-t-il à des informations sur vous ? La deuxième, c’est la mention : une fois qu’il vous a trouvé, écrit-il votre nom dans la réponse ? La troisième, c’est la sélection : une fois qu’il vous a nommé, vous désigne-t-il vainqueur de la comparaison ?
Les leaders passent la première étape presque à chaque fois et tombent à la troisième, avec ces 25 à 41 %. Ce n’est pas un problème de découverte : c’est de la différenciation qui perd un duel.
Les marques de longue traîne et régionales restent bloquées à la première étape dans la moitié des passages. La comparaison n’a jamais lieu, faute d’un modèle qui aille assez loin pour l’organiser.
Dans les deux cas, la plainte sonne pareil — « on n’apparaît pas dans les réponses IA » — et le mur n’est pas le même. Le budget non plus, du coup.
Le meilleur taux de conversion, c’est celui des challengers
Voilà le chiffre que Hex-ko n’attendait pas. Le niveau que l’étude appelle challengers installés convertit entre 37 et 52 % une fois qu’il entre dans la liste de candidats. C’est le meilleur taux de tous les niveaux mesurés.
Au-dessus des leaders de catégorie, qui plafonnent à 25-41 %. Et sans le problème de découverte qui dévore les niveaux du dessous.
Les marques de milieu de tableau, un cran en dessous, perdent aux trois étapes en même temps et atterrissent à 34-40 %. Passer de challenger à milieu de tableau, ce n’est donc pas une rampe qui descend doucement : la forme même de la défaite change.
Pas besoin d’être le plus gros nom du secteur pour remporter le choix. Une fois sur la liste, les chances sont réelles — meilleures, dans ces données, que celles du sortant d’en face.
À chaque niveau son levier
Comme l’étape où l’on perd bouge avec la notoriété, le levier bouge aussi. Ce qui aide un leader ne sert à rien à une marque régionale.
- Leaders de catégorie (trouvés mais pas choisis) : contenu de différenciation, défense de la position dans la comparaison
- Challengers installés (meilleur taux de l’étude) : affûter le discours par segment pour pousser ce taux plus haut
- Milieu de tableau (perd aux trois étapes) : hybride, financer découverte et différenciation ensemble
- Longue traîne et régional (disparaît avant la découverte) : entrer dans les sources qui font autorité, comparatifs sectoriels, classements, pages de sélection
Choisissez le levier d’un niveau qui n’est pas le vôtre, et l’effort ne rend rien : il passe complètement à côté.
Ce que cette étude ne couvre pas
Quatre limites, et Hex-ko les dirait à voix haute avant que le chiffre n’atterrisse dans une présentation.
La mesure a été faite sur les marchés américain, britannique et européen, sur 19 secteurs. Aucune mesure en français là-dedans : les frontières entre niveaux ne sont donc pas automatiquement les vôtres.
Deux fournisseurs seulement ont été testés, OpenAI et Anthropic. Gemini et Perplexity sont absents des données.
C’est une mesure sur une seule journée. Rien ici ne dit de combien les chiffres bougent dans le temps (monter une fois sur la balance et décrire son corps pour la décennie qui vient).
Reste la question des auteurs. L’entonnoir en trois étapes tient debout quel que soit l’éditeur ; la pente « achetez-vous un diagnostic », elle, se déduit à la lecture.
savoir à quelle étape vous perdez, avant de dépenser
Le premier geste n’est pas de choisir le levier de son niveau. Il vient avant.
Posez aux modèles les questions que vos acheteurs posent vraiment, et rangez les réponses en deux piles : les passages où votre nom n’apparaît jamais, et ceux où il apparaît mais où c’est un autre qu’on recommande. Ces deux piles n’ont en commun que la sensation de perdre.
Si presque tout tombe dans la première, l’argent va là où les modèles vont chercher : comparatifs, classements, pages de sélection sectorielles. Si presque tout tombe dans la seconde, il va dans la différenciation et dans les discours par segment.
Et si vous vous retrouvez dans le niveau challenger, c’est le meilleur taux de toute l’étude. Réfléchissez à deux fois avant de copier le leader de catégorie, qui convertit moins bien que vous.
Références
- Will Jack, Noah Lehman, Keller Maloney, Sarah Xu (Unusual.ai), « Prominence-Stratified Failure Modes in Retrieval-Augmented Commercial Recommendation: A 37,000-Run Audit », arXiv:2605.27439v1, publiée le 22 mai 2026, arxiv.org (37 000 recommandations d’IA, 533 marques, 19 secteurs, marchés américain, britannique et européen. La recommandation est modélisée en un entonnoir de trois étapes : découverte, mention, sélection. Les leaders de catégorie convertissaient de 25 à 41 %, les challengers installés de 37 à 52 %, le milieu de tableau de 34 à 40 % ; les marques de longue traîne et régionales échouaient dès la découverte dans 48 à 52 % des passages. Deux fournisseurs seulement, OpenAI et Anthropic ; mesure sur une seule journée, sans analyse de dérive ; les quatre auteurs sont employés d’Unusual.ai, qui vend de la mesure de visibilité IA.)
