Dans un test d’acheteur composite, quelqu’un demande à un système d’IA « les meilleurs partenaires logiciels français pour le retail mid-market », ajoute une expression de catégorie légèrement fausse, et la réponse place une marque en premier, atténue la deuxième, et oublie une troisième qui vend deux fois plus. C’est cet écart que j’étudie. Mon travail compare la manière dont les marques sont nommées, classées, recommandées ou laissées de côté dans ChatGPT, Perplexity, Gemini et les surfaces de réponse appuyées par la recherche, en français et en anglais, face aux concurrents qui structurent la réponse.
Le travail compare des séries de prompts en français et en anglais dans des catégories de services B2B, avec une attention particulière à ce qui fait passer certaines marques de « également mentionnées » à un langage de recommandation en première position. La méthode reste proche des pistes de sources, du vocabulaire de catégorie et des petites formulations qui font hésiter un modèle.
Je viens de l’ouest de la France et je travaille depuis seize ans près des endroits où le langage devient confiance commerciale : stratégie de recherche, audits de preuves de marque, comparaisons de prompts et analyse du vocabulaire de catégorie. Je lis en même temps la phrase visible et les preuves qui la soutiennent — qui est nommé en premier, qui est seulement inclus, et qui disparaît alors que le marché le connaît déjà. Mon travail consiste à rendre l’ordre des réponses lisible, mention par mention.
Apportez une catégorie, trois concurrents et les questions d’acheteur qui comptent. Je testerai l’ordre, lirai les sources et montrerai ce qui maintient le nom à sa place.
Lancer un audit de visibilité