Un développeur a conçu un système qui surveille la visibilité des marques à travers les principaux outils de recherche alimentés par l'IA — ChatGPT, Claude, Perplexity, Gemini et Google AI Overviews. Le projet démontre qu'un petit nombre d'appels API ne permet pas de dire à une marque si un utilisateur voit réellement son nom, car la réponse brute du modèle diffère souvent du résultat peaufiné affiché dans l'application grand public, et les réponses fluctuent d'une requête à l'autre.

Pourquoi la visibilité des marques dans la recherche par IA est cruciale

Les assistants de chat IA deviennent l'interface par défaut pour la découverte sur le web.

Les deux lacunes qui ont transformé un simple scraping en un marathon d'ingénierie

1. L'API n'est pas le produit. Appeler l'API d'OpenAI (ou le point de terminaison d'un autre fournisseur) renvoie la réponse interne du modèle. L'application ChatGPT, cependant, ajoute son propre système de récupération, ses prompts système et des augmentations par recherche web avant que l'utilisateur ne voie la réponse finale. Il en va de même pour Claude, Gemini et les autres services. Un appel API vous indique ce que le modèle sait ; l'application grand public montre ce que le client voit réellement. Ignorer ces couches supplémentaires revient à mesurer un produit différent.

2. Les réponses ne sont pas stables. Exécutez le même prompt cinq fois et vous obtiendrez probablement cinq réponses différentes. Les mentions de marque varient, l'ordre change et les URL des sources se déplacent. Une seule réponse API est l'équivalent d'un pile ou face, et non une donnée fiable pour un rapport de visibilité. Une étude citée dans les notes de développement a révélé que plus de la moitié des sources citées changent d'un jour à l'autre.

Ce que les API de 2026 vous offrent réellement

  • Perplexity : La plus adaptée aux développeurs. Son API renvoie des citations dans un format simple, mais la liste des citations diverge toujours de ce que l'application web Perplexity affiche.
  • Google Gemini : Propose l'ancrage (grounding) via Vertex AI, pourtant la logique de classement et de présentation dans l'application grand public Gemini diffère de la sortie brute de l'API.
  • OpenAI et Anthropic : Fournissent des modèles solides avec des outils de recherche web optionnels, mais ils n'exposent pas l'algorithme de classement exact utilisé dans les interfaces publiques de ChatGPT ou Claude.
  • Google AI Overviews : Aucune API publique n'existe. Le suivi nécessite le scraping des pages de résultats de recherche, une solution de contournement fragile et coûteuse.

La visibilité est un taux, pas un rang

La plupart des outils existants réduisent le problème à un test binaire « mentionné / non mentionné ». Cette approche ignore la nature probabiliste des sorties de LLM. Comme chaque requête peut produire une réponse différente, vous avez besoin d'une vue statistique plutôt que d'un instantané unique.

Une règle pratique issue de la conception du système consiste à traiter la visibilité comme un taux : exécutez le même prompt plusieurs fois, sur différentes zones géographiques et types d'appareils, puis calculez un intervalle de confiance. Si une marque apparaît dans la plupart des exécutions, vous pouvez rapporter un taux de visibilité élevé avec une marge d'erreur appropriée, plutôt qu'un « oui » ou un « non » définitif.

Comment l'outil de surveillance a été construit

  • Plusieurs exécutions par prompt : Au moins sept à huit exécutions pour lisser l'aléa.
  • Échantillonnage géographique et par appareil : Requêtes émises depuis différentes régions et simulées sur mobile versus bureau pour capturer la personnalisation spécifique à la plateforme.
  • Focus sur la détection de changements : Plutôt qu'un schéma fixe supposant des réponses statiques, le système signale les changements de fréquence de mention, de diversité des sources et de position de classement au fil du temps.

Ce qu'il faut surveiller ensuite

  • Transparence des plateformes : Tant que les fournisseurs ne publieront pas la logique exacte de récupération et de classement utilisée dans leurs applications grand public, les outils de surveillance tiers continueront de s'appuyer sur des approximations.

À retenir

Suivre la présence d'une marque dans la recherche pilotée par l'IA ne consiste pas à extraire une seule réponse d'API. Cela nécessite des requêtes répétées et géographiquement diversifiées, la compréhension que l'API n'est qu'une partie du produit grand public, et un modèle de rapport statistique qui capture la visibilité sous forme de taux. Tant que les fournisseurs de recherche par IA n'exposeront pas l'intégralité de leur logique orientée utilisateur, quiconque aura besoin de données de visibilité de marque fiables devra continuer à construire des approximations minutieuses.