Comment les IA interprètent une marque : ce que montrent 43 287 réponses de 7 IA
Par Johnny Lagneau · Publié le 16 novembre 2026
Le 14 novembre, j'ai demandé à sept IA (ChatGPT, Claude, Gemini, Grok, Mistral, Perplexity et Muse Spark) de présenter Cebi, un équipementier automobile installé à Steinsel, au Luxembourg.
Trois d'entre elles en ont fait une société italienne : Claude, Grok et Muse Spark.
Sans la recherche web, 31 % des réponses en anglais placent son siège en Italie (13 sur 42). Mistral la décrit comme française, puis la confond avec un fabricant turc de pièces en aluminium.
Cebi a été fondée au Luxembourg en 1976 (elle fête d'ailleurs ses 50 ans cette année).
Imaginez un acheteur qui cherche un fournisseur luxembourgeois et qui lit cette réponse. Il passe au suivant, sans vous appeler.
J'ai voulu savoir si Cebi était un cas isolé. J'ai repris toutes mes mesures de septembre à novembre 2026 : 911 audits et 43 287 réponses.
En bref
- Sans la recherche web, 26 % des réponses qui présentent une société contiennent au moins une erreur factuelle. Avec la recherche web, 12 %.
- Une IA décrit une société même quand elle ne la connaît pas. Sur Cebi, 7 réponses sur 96 seulement disent ne pas la connaître.
- Sur 47 marques, l'écart entre le français et le néerlandais passe de 5,9 points sans la recherche web à 10,6 points avec.
- Deux villes de même langue n'ont que 2 % des entreprises proposées en commun. Celles qui passent d'une ville à l'autre sont surtout les grands groupes.
- L'IA interrogée pèse autant que la marque : 27 % des écarts de citation chacune. La formulation de la question, 10 %.
- Le même jour, 17,5 % des réponses changent quand je repose la même question. Sept IA en deux passages ramènent l'écart type d'une mesure à 2,8 points.
Trois mots, pour éviter les malentendus
Chez VectorGap, je mesure trois choses différentes.
- Présence : quand un acheteur cherche un fournisseur sans nommer la marque, l'IA la propose-t-elle ?
- Perception : quand l'acheteur nomme la marque, que dit l'IA d'elle ? Ce qu'elle fait, d'où elle vient, ce qu'elle vaut, avec les erreurs au passage. C'est l'interprétation de la marque par l'IA.
- Préférence : quand l'acheteur compare plusieurs marques, laquelle l'IA choisit-elle ? Pour quelles raisons ?
Une marque peut être absente, mal décrite ou écartée au moment du choix. Ce sont trois problèmes différents, qui demandent trois actions différentes.
Comment j'ai mesuré
Une mesure porte sur une marque, dans une langue et un lieu, pour un type d'acheteur. Pour chaque mesure, je pose 8 questions d'acheteur à chaque IA.
J'interroge sept IA : ChatGPT, Claude, Gemini, Grok, Mistral, Perplexity et Muse Spark (jusqu'au 7 octobre, DeepSeek tenait la place de Muse Spark).
Je mesure dans deux modes. Sans la recherche web, l'IA répond avec ce qu'elle a appris pendant son entraînement. Avec la recherche web activée, elle cherche sur le web avant de répondre. J'interroge Perplexity seulement avec la recherche web.
Je passe par l'API de chaque modèle. J'écris chaque question comme un acheteur la poserait, dans sa langue, avec son besoin et son marché. Par exemple : « Quels sont les meilleurs courtiers en assurance à Bruxelles ? ». La marque mesurée n'est jamais citée dans les questions de Présence, pour éviter de tricher sur les réponses.
Les chiffres viennent de deux sources.
| Toutes mes mesures | Test sur six industriels | |
|---|---|---|
| Dates | du 1er septembre au 12 novembre 2026 | le 14 novembre 2026 |
| Audits | 911 | 48 |
| Réponses | 43 287 | 1 083 réponses de Perception vérifiées |
| Marques | 130, plus 21 panels de métier (un métier dans une ville, sans marque visée) | 6 sociétés de Belgique et du Luxembourg |
| Langues | français (379 audits), anglais (315), néerlandais (177), allemand (36) | deux langues par société |
Pour le test sur les six industriels, j'ai comparé chaque réponse de Perception au site de la société. Quand le site ne permet pas de vérifier une affirmation, je ne la compte pas comme une erreur.
Je donne les pourcentages clés avec leur intervalle de confiance à 95 %.
Ces chiffres sont un échantillon de mes mesures. Les études locales que je publie sur Bruxelles, Luxembourg, Paris et Montréal vont dans le même sens.
L'IA dit-elle vrai sur une société ?
Les IA se trompent deux fois plus souvent sans la recherche web qu'avec.
Sur les six industriels, 26 % des réponses sans la recherche web contiennent au moins une erreur factuelle (132 sur 502 ; intervalle de 23 à 30 %). Avec la recherche web, 12 % (72 sur 581 ; de 10 à 15 %). L'écart est net (test z, p < 0,001).
À IA égales, sans Perplexity qui ne répond que dans le second mode, le taux avec la recherche web est de 14 %.
Six industriels : les réponses qui contiennent une erreur
6 sociétés, 2 langues chacune, 6 à 7 IA, 7 questions qui nomment la société. Mesure du 14 novembre 2026.
- Cebi57,1 % → 21,6 %
- Société A31,7 % → 10,2 %
- Société B23,8 % → 5,2 %
- Société C20,2 % → 6,2 %
- Société D14,3 % → 10,2 %
- Société E10,7 % → 21,1 %
Réponses avec au moins une erreur factuelle (%)
- Sans la recherche web
- Avec la recherche web
Voir les chiffres
| Sans la recherche web | Avec la recherche web | |
|---|---|---|
| Cebi | 57,1 % (48 sur 84) | 21,6 % (21 sur 97) |
| Société A | 31,7 % (26 sur 82) | 10,2 % (10 sur 98) |
| Société B | 23,8 % (20 sur 84) | 5,2 % (5 sur 97) |
| Société C | 20,2 % (17 sur 84) | 6,2 % (6 sur 96) |
| Société D | 14,3 % (12 sur 84) | 10,2 % (10 sur 98) |
| Société E | 10,7 % (9 sur 84) | 21,1 % (20 sur 95) |
| Six industriels : les réponses qui contiennent une erreur | 26,3 % (132 sur 502) | 12,4 % (72 sur 581) |
Cebi est le cas le plus marqué. Sans le web, 57 % de ses réponses contiennent une erreur (48 sur 84 ; de 47 à 67 %). Avec le web, 22 % (21 sur 97 ; de 15 à 31 %).
Ces erreurs touchent le pays du siège, les usines, les effectifs et l'histoire du groupe.
La recherche web réduit les erreurs. Elle ne les supprime pas. Chez la Société E, elles augmentent même : 11 % sans le web (9 sur 84), 21 % avec (20 sur 95 ; p = 0,06). Avec le web, Claude, Gemini et Grok y reprennent l'ancien nom d'un de ses actionnaires (11 réponses).
Une IA décrit-elle une marque même quand elle ne la connaît pas ?
Sur Cebi, presque toujours.
Sans la recherche web, j'ai reçu 96 réponses sur Cebi. 7 seulement disent ne pas connaître la société (de 4 à 14 %).
Ces 7 réponses viennent toutes de Claude. Dans 4 d'entre elles, Claude décrit Cebi quand même : « Cebi est, à ma connaissance, le nom d'un groupe italien ».
ChatGPT réagit autrement. Dans 5 réponses, il demande de quelle Cebi je parle. Il ne fait aucune erreur (0 sur 14).
Mistral ne pose pas de question. 12 de ses 14 réponses contiennent une erreur.
Une erreur sur une marque vient donc souvent d'un manque d'information. L'IA complète avec ce qu'elle associe au nom.
La langue change-t-elle ce que l'IA répond ?
La langue de la question change la réponse, surtout quand l'IA cherche sur le web.
Cebi est proposée dans 16 % des réponses en anglais avec le web (18 sur 111, deux passages ; de 11 à 24 %), contre 4 % en français (4 sur 109 ; de 1 à 9 %). L'écart est net (p = 0,002).
J'ai mesuré 47 marques en français et en néerlandais.
Sans le web, le taux de citation est presque le même dans les deux langues : 20,4 % et 19,9 %. La corrélation entre les deux langues vaut 0,94 (de 0,89 à 0,97).
Avec le web, le taux reste à 20,4 % en français et tombe à 14,0 % en néerlandais. La corrélation descend à 0,77 (de 0,62 à 0,87).
Marque par marque, l'écart entre les deux langues grandit avec le web. L'écart moyen passe de 5,9 à 10,6 points. 23 marques sur 47 ont au moins 10 points d'écart avec le web, contre 12 sans.
Chaque marque, en français et en néerlandais
47 marques mesurées dans les deux langues, du 1er septembre au 12 novembre 2026. Même ordre dans les deux tableaux.
Sans la recherche web
écart moyen entre les langues : 5,9 points
- Marque 162,5 % → 54,8 %
- Marque 212,5 % → 20,8 %
- Marque 318,8 % → 18,8 %
- Marque 437,5 % → 25,0 %
- Marque 58,3 % → 10,0 %
- Marque 60,0 % → 0,0 %
- Marque 760,9 % → 72,5 %
- Marque 88,7 % → 8,5 %
- Marque 90,0 % → 0,0 %
- Marque 1037,6 % → 44,6 %
- Marque 110,0 % → 0,0 %
- Marque 1223,9 % → 39,5 %
- Marque 130,0 % → 0,0 %
- Marque 140,0 % → 0,0 %
- Marque 152,1 % → 0,0 %
- Marque 160,0 % → 0,0 %
- Marque 170,0 % → 0,0 %
- Marque 180,0 % → 0,0 %
- Marque 194,5 % → 0,0 %
- Marque 202,2 % → 2,1 %
- Marque 2183,3 % → 100,0 %
- Marque 2238,6 % → 17,8 %
- Marque 230,0 % → 4,0 %
- Marque 2427,1 % → 19,0 %
- Marque 258,5 % → 6,8 %
- Marque 2611,6 % → 17,4 %
- Marque 2733,3 % → 46,5 %
- Marque 2814,6 % → 12,5 %
- Marque 2920,8 % → 38,1 %
- Marque 3016,3 % → 0,0 %
- Marque 314,3 % → 0,0 %
- Marque 320,0 % → 11,9 %
- Marque 3318,8 % → 4,2 %
- Marque 3438,1 % → 35,4 %
- Marque 3527,4 % → 29,4 %
- Marque 364,4 % → 2,1 %
- Marque 374,3 % → 0,0 %
- Marque 3866,7 % → 63,8 %
- Marque 3910,4 % → 14,6 %
- Marque 403,2 % → 1,4 %
- Marque 4125,0 % → 0,0 %
- Marque 4267,4 % → 70,1 %
- Marque 4314,6 % → 12,5 %
- Marque 4459,1 % → 61,7 %
- Marque 4576,7 % → 64,9 %
- Marque 463,3 % → 5,3 %
- Marque 472,1 % → 0,0 %
Réponses qui citent la marque (%)
Avec la recherche web
écart moyen entre les langues : 10,6 points
- Marque 19,3 % → 30,8 %
- Marque 27,1 % → 25,0 %
- Marque 328,8 % → 45,1 %
- Marque 439,3 % → 51,8 %
- Marque 53,9 % → 14,3 %
- Marque 60,0 % → 7,1 %
- Marque 771,4 % → 75,0 %
- Marque 83,8 % → 7,3 %
- Marque 95,8 % → 8,2 %
- Marque 103,7 % → 6,0 %
- Marque 114,1 % → 5,7 %
- Marque 1222,5 % → 23,2 %
- Marque 130,0 % → 0,0 %
- Marque 140,0 % → 0,0 %
- Marque 150,0 % → 0,0 %
- Marque 160,0 % → 0,0 %
- Marque 170,0 % → 0,0 %
- Marque 180,0 % → 0,0 %
- Marque 190,0 % → 0,0 %
- Marque 200,0 % → 0,0 %
- Marque 2182,1 % → 82,0 %
- Marque 221,9 % → 0,0 %
- Marque 234,3 % → 2,0 %
- Marque 243,6 % → 0,0 %
- Marque 253,9 % → 0,0 %
- Marque 2618,5 % → 14,3 %
- Marque 2731,5 % → 25,0 %
- Marque 289,4 % → 0,0 %
- Marque 2932,7 % → 23,1 %
- Marque 3010,7 % → 0,0 %
- Marque 3111,8 % → 0,0 %
- Marque 3221,2 % → 9,1 %
- Marque 3314,0 % → 1,8 %
- Marque 3422,2 % → 9,1 %
- Marque 3523,2 % → 9,3 %
- Marque 3632,1 % → 17,0 %
- Marque 3716,1 % → 0,0 %
- Marque 3838,0 % → 21,4 %
- Marque 3937,5 % → 20,0 %
- Marque 4032,7 % → 14,3 %
- Marque 4126,8 % → 7,4 %
- Marque 4235,7 % → 16,0 %
- Marque 4334,0 % → 11,3 %
- Marque 4446,0 % → 19,2 %
- Marque 4560,2 % → 29,6 %
- Marque 4652,4 % → 12,5 %
- Marque 4757,1 % → 16,4 %
Réponses qui citent la marque (%)
- En français
- En néerlandais
Voir les chiffres
Sans la recherche web
| En français | En néerlandais | |
|---|---|---|
| Marque 1 | 62,5 % | 54,8 % |
| Marque 2 | 12,5 % | 20,8 % |
| Marque 3 | 18,8 % | 18,8 % |
| Marque 4 | 37,5 % | 25,0 % |
| Marque 5 | 8,3 % | 10,0 % |
| Marque 6 | 0,0 % | 0,0 % |
| Marque 7 | 60,9 % | 72,5 % |
| Marque 8 | 8,7 % | 8,5 % |
| Marque 9 | 0,0 % | 0,0 % |
| Marque 10 | 37,6 % | 44,6 % |
| Marque 11 | 0,0 % | 0,0 % |
| Marque 12 | 23,9 % | 39,5 % |
| Marque 13 | 0,0 % | 0,0 % |
| Marque 14 | 0,0 % | 0,0 % |
| Marque 15 | 2,1 % | 0,0 % |
| Marque 16 | 0,0 % | 0,0 % |
| Marque 17 | 0,0 % | 0,0 % |
| Marque 18 | 0,0 % | 0,0 % |
| Marque 19 | 4,5 % | 0,0 % |
| Marque 20 | 2,2 % | 2,1 % |
| Marque 21 | 83,3 % | 100,0 % |
| Marque 22 | 38,6 % | 17,8 % |
| Marque 23 | 0,0 % | 4,0 % |
| Marque 24 | 27,1 % | 19,0 % |
| Marque 25 | 8,5 % | 6,8 % |
| Marque 26 | 11,6 % | 17,4 % |
| Marque 27 | 33,3 % | 46,5 % |
| Marque 28 | 14,6 % | 12,5 % |
| Marque 29 | 20,8 % | 38,1 % |
| Marque 30 | 16,3 % | 0,0 % |
| Marque 31 | 4,3 % | 0,0 % |
| Marque 32 | 0,0 % | 11,9 % |
| Marque 33 | 18,8 % | 4,2 % |
| Marque 34 | 38,1 % | 35,4 % |
| Marque 35 | 27,4 % | 29,4 % |
| Marque 36 | 4,4 % | 2,1 % |
| Marque 37 | 4,3 % | 0,0 % |
| Marque 38 | 66,7 % | 63,8 % |
| Marque 39 | 10,4 % | 14,6 % |
| Marque 40 | 3,2 % | 1,4 % |
| Marque 41 | 25,0 % | 0,0 % |
| Marque 42 | 67,4 % | 70,1 % |
| Marque 43 | 14,6 % | 12,5 % |
| Marque 44 | 59,1 % | 61,7 % |
| Marque 45 | 76,7 % | 64,9 % |
| Marque 46 | 3,3 % | 5,3 % |
| Marque 47 | 2,1 % | 0,0 % |
Avec la recherche web
| En français | En néerlandais | |
|---|---|---|
| Marque 1 | 9,3 % | 30,8 % |
| Marque 2 | 7,1 % | 25,0 % |
| Marque 3 | 28,8 % | 45,1 % |
| Marque 4 | 39,3 % | 51,8 % |
| Marque 5 | 3,9 % | 14,3 % |
| Marque 6 | 0,0 % | 7,1 % |
| Marque 7 | 71,4 % | 75,0 % |
| Marque 8 | 3,8 % | 7,3 % |
| Marque 9 | 5,8 % | 8,2 % |
| Marque 10 | 3,7 % | 6,0 % |
| Marque 11 | 4,1 % | 5,7 % |
| Marque 12 | 22,5 % | 23,2 % |
| Marque 13 | 0,0 % | 0,0 % |
| Marque 14 | 0,0 % | 0,0 % |
| Marque 15 | 0,0 % | 0,0 % |
| Marque 16 | 0,0 % | 0,0 % |
| Marque 17 | 0,0 % | 0,0 % |
| Marque 18 | 0,0 % | 0,0 % |
| Marque 19 | 0,0 % | 0,0 % |
| Marque 20 | 0,0 % | 0,0 % |
| Marque 21 | 82,1 % | 82,0 % |
| Marque 22 | 1,9 % | 0,0 % |
| Marque 23 | 4,3 % | 2,0 % |
| Marque 24 | 3,6 % | 0,0 % |
| Marque 25 | 3,9 % | 0,0 % |
| Marque 26 | 18,5 % | 14,3 % |
| Marque 27 | 31,5 % | 25,0 % |
| Marque 28 | 9,4 % | 0,0 % |
| Marque 29 | 32,7 % | 23,1 % |
| Marque 30 | 10,7 % | 0,0 % |
| Marque 31 | 11,8 % | 0,0 % |
| Marque 32 | 21,2 % | 9,1 % |
| Marque 33 | 14,0 % | 1,8 % |
| Marque 34 | 22,2 % | 9,1 % |
| Marque 35 | 23,2 % | 9,3 % |
| Marque 36 | 32,1 % | 17,0 % |
| Marque 37 | 16,1 % | 0,0 % |
| Marque 38 | 38,0 % | 21,4 % |
| Marque 39 | 37,5 % | 20,0 % |
| Marque 40 | 32,7 % | 14,3 % |
| Marque 41 | 26,8 % | 7,4 % |
| Marque 42 | 35,7 % | 16,0 % |
| Marque 43 | 34,0 % | 11,3 % |
| Marque 44 | 46,0 % | 19,2 % |
| Marque 45 | 60,2 % | 29,6 % |
| Marque 46 | 52,4 % | 12,5 % |
| Marque 47 | 57,1 % | 16,4 % |
La distribution des écarts le montre aussi. Son écart type passe de 8,8 points sans le web à 13,4 points avec. Sa moyenne glisse de -0,5 à -6,4 points, au détriment du néerlandais (test t apparié, p < 0,01).
Avec le web, l'écart entre les langues s'élargit
47 marques. Barres : les écarts mesurés. Courbes : loi normale de même moyenne et de même écart type.
Nombre de marques
Écart néerlandais moins français (points de pourcentage)
- Sans la recherche web : écart type 8,8 points
- Avec la recherche web : écart type 13,4 points
Voir les chiffres
| Écart néerlandais moins français (points de pourcentage) | Sans la recherche web | Avec la recherche web |
|---|---|---|
| -60 – -55 | 0 | 0 |
| -55 – -50 | 0 | 0 |
| -50 – -45 | 0 | 0 |
| -45 – -40 | 0 | 1 |
| -40 – -35 | 0 | 1 |
| -35 – -30 | 0 | 1 |
| -30 – -25 | 0 | 1 |
| -25 – -20 | 2 | 1 |
| -20 – -15 | 1 | 7 |
| -15 – -10 | 3 | 6 |
| -10 – -5 | 2 | 3 |
| -5 – 0 | 14 | 6 |
| 0 – 5 | 16 | 14 |
| 5 – 10 | 3 | 1 |
| 10 – 15 | 3 | 2 |
| 15 – 20 | 3 | 2 |
| 20 – 25 | 0 | 1 |
| 25 – 30 | 0 | 0 |
| 30 – 35 | 0 | 0 |
| 35 – 40 | 0 | 0 |
| 40 – 45 | 0 | 0 |
| 45 – 50 | 0 | 0 |
| 50 – 55 | 0 | 0 |
| 55 – 60 | 0 | 0 |
| Sans la recherche web | μ = -0,5; σ = 8,8 |
|---|---|
| Avec la recherche web | μ = -6,4; σ = 13,4 |
Je l'explique ainsi : ce que l'IA a appris d'une marque vaut pour toutes les langues, alors que les pages qu'elle trouve sur le web dépendent de la langue de la recherche. Une marque sans contenu en néerlandais perd des citations dans les recherches en néerlandais.
Le lieu de l'acheteur change-t-il la réponse ?
Le lieu change la liste encore plus que la langue.
J'ai comparé les entreprises que les IA proposent pour un même métier (avocat, comptable, courtier en assurances, dentiste, agent immobilier, agence de marketing ou de référencement) à Bruxelles, Luxembourg, Paris, Montréal et Québec, avec la recherche web.
Dans une même ville, deux langues ont en moyenne 21 % des entreprises en commun (45 comparaisons). Dans une même langue, deux villes n'en ont que 2 % (67 comparaisons).
Changer de ville change presque toute la liste
Entreprises proposées par les IA, avec la recherche web, pour un même métier. Bruxelles, Luxembourg, Paris, Montréal, Québec.
- Même ville, autre langue
- Même langue, autre ville
Voir les chiffres
| Même ville, autre langue | 20,8 % des entreprises en commun (45 comparaisons) |
|---|---|
| Même langue, autre ville | 2,4 % des entreprises en commun (67 comparaisons) |
Les noms qui passent d'une ville à l'autre sont surtout ceux des grands groupes : Aon, AXA et Marsh pour les courtiers, Dentons, Linklaters et Norton Rose Fulbright pour les avocats.
Pour les entreprises locales, c'est une autre histoire : les IA les proposent dans leur ville, rarement ailleurs.
Je mesure donc une marque dans chaque ville de ses acheteurs, puis dans chaque langue de cette ville.
Toutes les IA lisent-elles une marque de la même façon ?
L'IA interrogée pèse autant que la marque elle-même.
Sur 5 820 réponses de Présence avec la recherche web (51 marques, du 29 septembre au 12 novembre), j'ai décomposé la variance du taux de citation. La mesure (la marque, sa langue, son lieu, son type d'acheteur) en explique 26,7 %. L'IA interrogée en explique 26,7 % aussi. La formulation de la question en explique 9,8 %. Les 36,8 % restants mêlent le hasard et les combinaisons entre ces facteurs.
Pour les marques citées entre 20 % et 80 % du temps, la part de l'IA monte à 37 %, contre 12 % pour la question.
D'où viennent les écarts de citation
Part de la variance, avec la recherche web. 51 marques, 5 820 réponses, du 29 septembre au 12 novembre 2026.
- La mesure (marque, langue, lieu, type d'acheteur)
- L'IA interrogée
- La formulation de la question
- Le reste (hasard et interactions)
Voir les chiffres
| La mesure (marque, langue, lieu, type d'acheteur) | 26,7 % |
|---|---|
| L'IA interrogée | 26,7 % |
| La formulation de la question | 9,8 % |
| Le reste (hasard et interactions) | 36,8 % |
Sur les six industriels, Gemini propose la société dans 58 % de ses réponses (55 sur 95 ; de 48 à 67 %). Mistral la propose dans 16 % (15 sur 96 ; de 10 à 24 %).
Claude ne propose aucune des quatre sociétés les moins connues (0 sur 64). Leur nom n'apparaît même pas dans ses réponses. Gemini propose l'une d'elles dans toutes les siennes (16 sur 16).
Six industriels, vus par chaque IA
6 industriels, 2 langues chacun, avec la recherche web, 12 audits. Mesure du 14 novembre 2026.
Réponses qui proposent la société à l'achat (%)
- Avec la recherche web
Voir les chiffres
| Réponses qui proposent la société à l'achat (%) | |
|---|---|
| Gemini | 57,9 % (55 sur 95) |
| Grok | 49,0 % (47 sur 96) |
| Perplexity | 45,3 % (43 sur 95) |
| ChatGPT | 44,1 % (41 sur 93) |
| Muse Spark | 34,1 % (31 sur 91) |
| Claude | 21,1 % (20 sur 95) |
| Mistral | 15,6 % (15 sur 96) |
Les IA ne proposent pas non plus les mêmes entreprises. À la même question, deux IA différentes ont en moyenne 9 % d'entreprises en commun (20 629 comparaisons). La même IA, le même jour, en reprend 41 % (112 comparaisons).
Une IA donne-t-elle toujours la même réponse ?
Une même question ne donne pas toujours la même réponse.
Le 14 novembre, j'ai posé deux fois les mêmes questions dans la journée, pour 7 sociétés. 17,5 % des réponses ont changé (84 sur 480 ; de 14 à 21 %), pour les marques citées entre 20 % et 80 % du temps. L'heure compte peu : 16 % de changements à 4 minutes d'écart, 18 % à 11 heures.
Environ un tiers de ces changements vient de ma lecture des réponses, pas des IA. C'est vrai pour tout outil qui compte des noms dans des réponses.
La précision d'une mesure dépend donc du nombre de réponses. D'un passage à l'autre, son écart type vaut la racine de p ÷ 2n : p est la part des réponses qui changent entre deux passages, n le nombre de réponses de la mesure.
Pour les sept IA réunies, p vaut 17,5 %. Pour ChatGPT seul, p vaut 37 % (20 réponses sur 54). J'obtiens :
- ChatGPT seul, 8 questions : écart type de 15,2 points, soit ±30 points à 95 % ;
- 7 IA en un passage (56 réponses) : écart type de 4,0 points, soit ±7,7 points ;
- 7 IA en deux passages (112 réponses) : écart type de 2,8 points, soit ±5,5 points.
Ce que peut donner une seule mesure
Marque citée dans 40 % des réponses. Écarts types tirés des deux passages du 14 novembre 2026 ; entre parenthèses, intervalle à 95 %.
valeur réelle : 40 %
Taux de citation mesuré (%)
- ChatGPT seul, 8 questions : écart type 15,2 points (±29,8)
- 7 IA, 1 passage (56 réponses) : écart type 4,0 points (±7,7)
- 7 IA, 2 passages (112 réponses) : écart type 2,8 points (±5,5)
Voir les chiffres
| valeur réelle : 40 % |
| ChatGPT seul, 8 questions : écart type 15,21 points (±29,82) |
| 7 IA, 1 passage (56 réponses) : écart type 3,95 points (±7,75) |
| 7 IA, 2 passages (112 réponses) : écart type 2,80 points (±5,48) |
Un papier de GetMint Research arrive au même ordre de grandeur pour ChatGPT : ±28 points pour une question mesurée un seul jour, sur plus d'un million de réponses (Amine Aziz Alaoui, « A Measurement Model for Brand Visibility in ChatGPT Answers », 5 octobre 2026).
Une IA écrit-elle votre nom comme vous ?
L'IA ne reprend pas toujours le nom exact de la marque.
Elle colle parfois un produit, un pays ou une forme juridique au nom : « Nom S.A. », « Nom France », le nom suivi d'une gamme. Chez la Société C, reconnaître ces formes fait passer sa Présence en anglais de 59 % à 75 % (de 66 à 83 réponses sur 111).
Le nom peut aussi être ancien. Cette société a changé de nom. 42 % des réponses à « qu'est-ce que c'est ? » donnent encore l'ancien (11 sur 26).
Ce que j'en retiens pour une marque
- Commencer par la Perception. Avant de chercher à être cité, je vérifie ce que les IA disent d'une marque quand on la nomme.
- Publier les faits de base dans chaque langue des acheteurs. Siège, date de création, effectifs, produits, marchés. Les erreurs sur Cebi portent sur ces faits-là.
- Nettoyer ce qui est périmé. Ancien nom, anciens actionnaires : les IA les reprennent, même avec la recherche web.
- Mesurer dans chaque ville et chaque langue des acheteurs. Deux villes de même langue n'ont que 2 % des entreprises proposées en commun.
- Mesurer plusieurs IA, dans les deux modes, en deux passages. Avec 7 IA et deux passages, l'écart type d'une mesure tombe à 2,8 points, contre 15,2 points pour ChatGPT seul.
- Refaire la même mesure plus tard. Sinon, impossible de savoir si une action a changé quelque chose.
Les places à prendre
Les IA répondent avec ce qu'elles trouvent, ville par ville et langue par langue. Elles se trompent deux fois plus sans la recherche web.
Les grands groupes tiennent dans toutes les villes. Pour les entreprises moyennes et locales, que les IA connaissent encore mal, les places sont à prendre.
Vous savez ce que les IA disent de votre marque dans la langue et dans la ville de vos acheteurs ?
