« On est connus dans notre secteur, l’IA devrait donc nous décrire correctement »
Vous demandez à l’IA le nom de votre marque, et elle répond. Le taux de mention de votre rapport de visibilité dépasse même la moyenne du secteur.
Le taux de mention, c’est la part des réponses de l’IA qui citent votre marque, tout simplement.
En réunion de suivi, le réflexe habituel est de pointer cette barre du graphique et de passer au point suivant.
Vérifier d’abord si l’on est mentionné, c’est le bon ordre : sans nom dans la réponse, il n’y a rien à vérifier.
Mais si on force l’IA à accoler une URL source à sa réponse, puis qu’on ouvre vraiment cette URL, la page n’est parfois pas là. Et apparemment, ça arrive plus, pas moins, aux entreprises connues.
J’ai lu l’étude qui a compté ça citation par citation, et ça a changé ma façon de lire nos propres rapports.
Que faut-il vraiment mesurer pour une marque connue ?
Si les URL sources citées par l’IA ouvrent vraiment — en plus du taux de mention.
Sur les questions qui exigeaient une URL ou une référence documentaire, 52,69% des citations concernant 50 entreprises hongroises connues — sociétés cotées et filiales locales de marques mondiales, toutes reconnues à l’international — n’ouvraient pas. Pour 50 PME hongroises discrètes, ce chiffre était de 37,87%. L’écart : 14,82 points, dans le sens inverse de celui attendu.
C’est l’inverse de l’hypothèse de départ.
Zoltán Varga, chez Neural Awareness à Budapest, a vérifié une à une les citations produites par l’IA pour 100 entreprises B2B (R).
C’est une prépublication, mise en ligne le 19 juin 2026, pas encore relue par les pairs. La page de titre ne mentionne que cette seule affiliation, et un seul auteur.
Le protocole : 1 400 requêtes, chacune imposant une URL
Les 100 entreprises ont été réparties en deux groupes selon leur notoriété.
- Groupe connu : 50 entreprises — sociétés cotées et filiales locales de marques mondiales, toutes couvertes par les médias internationaux
- Groupe discret : 50 PME hongroises à faible présence internationale et peu couvertes en anglais
Les questions étaient de sept types, toutes en hongrois : politique , certification ISO, procédures réglementaires, immatriculation au registre du commerce. Chacune exigeait une URL ou une référence documentaire dans la réponse.
Deux modèles ont répondu : Claude Sonnet 4.6 et GPT-4o, sans recherche en direct pour aucun des deux — les deux répondent à partir de ce qu’ils ont appris à l’entraînement, pas d’une recherche fraîche.
Chaque entreprise a reçu les mêmes 7 questions posées une fois à chacun des deux modèles, soit 1 400 requêtes pour 100 entreprises. Il en est sorti 2 062 citations, vérifiées une à une par un script, pas jugées par une autre IA. « N’ouvre pas » couvre une URL qui ne renvoyait pas une page normale, et un DOI (le numéro d’enregistrement des articles et documents) introuvable dans le registre.
Les entreprises discrètes recevaient déjà moins de citations au départ
Par question exigeant une URL, la part de réponses qui en incluaient bien une : Claude citait une source 85,7% du temps pour les entreprises connues, 74,3% pour les discrètes. GPT-4o citait une source 30,0% du temps pour les connues, contre seulement 14,3% pour les discrètes — GPT-4o refusait donc souvent de citer quoi que ce soit pour les petites entreprises.
Selon Varga, quand le modèle ne connaît pas une entreprise, il a tendance à se retenir plutôt qu’à citer. C’est pour ça que les échecs du groupe discret penchent vers « pas de citation » plutôt que « citation cassée ».
Alors pourquoi le groupe connu a-t-il eu plus de citations cassées, et non moins ?
Varga baptise ce phénomène « le paradoxe de l’hallucination de marque ». Sa lecture : le modèle connaît assez bien une entreprise célèbre pour construire une URL qui a l’air juste, sans avoir appris assez pour la relier à une page qui existe vraiment.
C’est une lecture, cela dit, pas un test contrôlé : c’est une observation entre deux groupes existants, alors qu’un vrai test aurait fait monter la notoriété d’une même entreprise et suivi le taux de citations cassées au fil de cette hausse. Les deux groupes diffèrent aussi par la taille des entreprises, et l’article ne sépare pas la part de l’écart due à la notoriété de celle due à la taille.
Mélanger des questions réglementaires fait ressortir l’échec qu’on veut vraiment repérer
Taux de citations cassées par type de question : les questions sur les procédures réglementaires ou les amendes des trois dernières années arrivent en tête à 56,77%, suivies de près par les questions de politique RGPD à 53,05%.
La question d’immatriculation au registre du commerce, utilisée comme contrôle, se situait à 37,59% ; la question de certification ISO (35,33%) ne s’en distinguait pas clairement.
Sur les 946 citations qui n’ouvraient pas, 478 renvoyaient directement une « page introuvable ». Le domaine existait ; seule la page précise manquait.
C’est un peu comme se voir indiquer la bonne gare, mais le mauvais numéro de sortie.
Sur ces 478, 51,9% pointaient non vers le site de l’entreprise elle-même, mais vers l’autorité hongroise de la concurrence, de la protection des données, la banque centrale ou les tribunaux.
Combien de vos propres jeux de questions portent sur l’historique réglementaire ou la conformité RGPD ? Si la réponse est zéro, vous mesurez en excluant justement les types de questions que cette étude a trouvés les moins fiables.
Ce chiffre est hongrois, et les questions étaient conçues pour forcer une URL
Demander une URL à chaque réponse pousse volontairement le modèle à en inventer une — les sept types de questions partagent cette forme. Est-ce que ça veut dire que la moitié des citations du quotidien, sans cette contrainte, sont aussi inventées ?
L’article ne permet pas d’aller jusque-là. Le chiffre de 52,69% vient avec plusieurs conditions.
- Les deux modèles testés se passent de recherche en direct ; la mesure a eu lieu à un seul moment, le 22 mai 2026
- Perplexity, qui recherche en direct, reste hors du test principal
- 1 881 des 2 062 citations viennent de Claude ; les chiffres de GPT-4o par groupe ne sont pas donnés séparément
- Le taux est un plafond : il compte tout ce qui n’a pas pu être vérifié
- Les entreprises sont des B2B hongrois, les questions sont en hongrois, et cet article ne contient aucune mesure en français
- C’est une prépublication
Une petite comparaison latérale sur 2 entreprises donne à Perplexity un taux de citations cassées de 7,32% sur 123 citations, contre 32–44% pour les deux modèles sans recherche. Environ 16,4% des citations marquées « cassées » étaient simplement inaccessibles — accès bloqué, par exemple — sans confirmation qu’elles n’existent pas. Et l’article compte comme données distinctes plusieurs citations d’une même entreprise pour une même question, ce que l’auteur lui-même signale comme rendant peut-être un peu trop généreux le test qui dit si cet écart peut venir du hasard.
Coller ce 52,69% dans votre propre prévision demande au chiffre de voyager plus loin que ses conditions ne le permettent. Ce que cette mesure appuie vraiment, c’est plus étroit : les deux groupes ont échoué différemment, et cette différence mérite d’être vérifiée.
décidez de quel côté vous êtes, puis choisissez un seul échec à traquer
La répartition tenait sur une seule ligne : sociétés cotées et filiales locales de marques mondiales avec couverture médiatique internationale d’un côté, PME hongroises à faible présence internationale de l’autre. Les entreprises intermédiaires étaient hors comparaison.
Si votre marque se situe clairement du côté connu, on ajouterait la vérification des sources à ce que vous mesurez déjà pour le taux de mention : récupérez les citations que l’IA accole à votre nom et ouvrez-les vraiment, en mêlant des questions réglementaires et RGPD. Ce sont les types de questions qui ont produit le plus de citations cassées ici.
Si votre marque se situe clairement du côté discret, l’ordre s’inverse : vérifiez d’abord seulement si votre nom et une citation apparaissent, avant de vous soucier de savoir si cette citation ouvre.
L’exactitude de ce qui est cité, une fois que ça ouvre, c’est la couche suivante — ChatGPT vous cite : et si on lisait ce qu’il vous fait dire ? prend le relais. Changer d’échec à traquer fait parfois ressortir un écart que le taux de mention n’a jamais montré.
Sources
- Varga, Z., « Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration », arXiv:2606.21595, 19-06-2026, https://arxiv.org/abs/2606.21595
