Quelles questions un directeur marketing doit-il poser devant un chiffre de visibilité dans les IA ?

Par Gaétan Berthelot, fondateur d’Abysia · Publié le 24 octobre 2026 · Mis à jour le 24 octobre 2026

Un chiffre de visibilité vaut ce qu’il montre de sa méthode : le nombre de réponses, la marge d’erreur, la formulation des questions, les conditions de mesure. Six questions suffisent à le vérifier, quel que soit l’outil ou l’équipe qui le présente. Le résultat éclaire des constats à traiter, jamais une promesse de citation.

Quelles questions poser devant un chiffre de visibilité ?

Six questions suffisent à juger si un chiffre repose sur quelque chose. Elles portent sur l’échantillon, la formulation des questions, l’origine de la réponse, les conditions de mesure, la comparaison aux concurrents et la décision qui en découle. Le tableau les donne dans l’ordre, avec la page qui détaille chacune.

Question à poser	Pourquoi la poser	Où lire la suite
Combien de réponses, et quelle marge d’erreur ?	Un taux sans effectif ni marge ne dit pas s’il est stable ; la marge d’une proportion se calcule, d’après la page de référence du NIST	Taux de mention et marge d’erreur
Les questions nommaient-elles la marque ?	Une question qui cite la marque ne mesure pas ce que l’IA retient de la marque d’elle-même	Notoriété spontanée ou assistée
La réponse vient-elle de la mémoire du modèle ou d’une recherche ?	Les causes, donc les actions possibles, ne sont pas les mêmes	Mémoire du modèle ou recherche en direct
Quel service, quel mode, quelle version de la méthode ?	Deux mesures faites dans des conditions différentes ne se comparent pas	Se comparer à ses concurrents
L’écart avec un concurrent est-il confirmé ?	Un écart dans la marge d’erreur n’est pas un constat	Se comparer à ses concurrents
Que ferait-on différemment selon le résultat ?	Un chiffre sans décision liée ne sert à rien	Traduire la visibilité en actions

Comment lire une phrase de rapport avant d’en tirer une décision ?

Une phrase de rapport affirme souvent plus que ce que le chiffre permet. L’exemple ci-dessous prend trois phrases fictives, du type de celles que l’on lit dans une présentation, et note pour chacune ce qu’elle ne dit pas et la question à poser. Les marques et les chiffres sont inventés.

Exemple travaillé : marques fictives, chiffres inventés pour illustrer la lecture.

Phrase du rapport	Ce qu’elle ne dit pas	Question à poser
« La visibilité IA de la Marque Alpha est de 38 % »	Sur combien de réponses, avec quelle marge, pour quels services	Combien de réponses, et quelle marge d’erreur ?
« Nous avons gagné six points ce mois-ci »	Si la hausse sort de la marge d’erreur, et si la méthode est restée la même	La différence est-elle confirmée, avec la même version de méthode ?
« Nous passons devant la Marque Beta »	Si l’écart est confirmé ou dans la marge d’erreur, et combien de marques ont été comparées	L’écart tient-il après correction des comparaisons multiples ?

La troisième phrase est la plus fragile : comparer plusieurs marques deux à deux multiplie les occasions de voir un faux écart, comme le montre la page sur la comparaison aux concurrents.

Que peut décider un directeur marketing à partir de ces résultats ?

Des constats à traiter, pas des promesses. Un résultat de visibilité permet de repérer un blocage d’accès, un sujet où la marque est absente ou une information fausse à corriger. Il ne dit pas quelle action fera citer la marque : aucune source consultée ne le démontre, et le suivi d’une action se lit avec prudence.

Un robot est bloqué ou une page illisible : traiter l’accès d’abord, comme le décrit la page sur l’accès des robots.
La marque est absente d’une série de questions : chercher la cause avant d’agir, avec le diagnostic des causes d’absence.
Une IA dit des choses fausses sur la marque : suivre la marche à suivre pour les réponses erronées.
Une action a été menée : en lire l’effet avec la page sur la mesure de l’effet, sans conclure à une cause à partir d’un seul relevé.

Que montrer en comité pour que le résultat soit lu correctement ?

Le chiffre, mais jamais seul. Une diapositive de résultat doit permettre à un lecteur qui n’a pas suivi la mesure de savoir ce qu’elle vaut. La liste suivante reprend ce qu’il faut pouvoir lire à côté de tout chiffre, quelle que soit sa source.

Le taux, sa marge d’erreur et le nombre de réponses, côte à côte.
La nature des questions : nommaient-elles la marque, ou non.
Le service, le mode et la version de la méthode.
La comparaison avec le relevé précédent, qualifiée « écart confirmé » ou « dans la marge d’erreur ».
Ce que le résultat ne permet pas de conclure.

Questions fréquentes

Quel taux de visibilité faut-il viser ?

Aucune source consultée ne fixe de cible. Un taux dépend de la catégorie, des concurrents et de la formulation des questions. Mieux vaut suivre l’évolution d’un taux toujours mesuré de la même façon que fixer un objectif chiffré sans base.

Un seul relevé suffit-il pour décider ?

Non. Les réponses d’une IA varient d’une fois à l’autre : un relevé est une estimation, avec sa marge d’erreur. Une décision se prend sur une différence confirmée entre deux relevés faits avec la même méthode.

Un classement de marques dans un rapport est-il fiable ?

Seulement si les écarts entre les rangs sont confirmés. Deux marques voisines dans un classement peuvent être à égalité, une fois la marge d’erreur prise en compte. Demandez quels écarts sont confirmés, et lesquels sont dans la marge.

Que répondre à « sommes-nous cités par les IA ? »

Par une mesure sur des questions précises, avec son taux, sa marge d’erreur et la liste des services mesurés. Une capture d’écran isolée montre une réponse, pas une tendance, et ne peut pas être comparée à la suivante.

Ce qui a changé

24 octobre 2026 : Publication.

Sources

7.2.4.1. Confidence intervals (proportion de défauts) (NIST/SEMATECH e-Handbook of Statistical Methods), vérifiée le 23 octobre 2026