Qu'est-ce que la visibilité de marque par l'IA ?

Une marque peut être bien classée sur Google, publier du contenu faisant autorité et pourtant être absente lorsqu'un utilisateur demande à un système d'IA quels fournisseurs, produits ou organisations il devrait considérer.

Elle peut également apparaître fréquemment pour des questions qui la mentionnent par son nom, tout en restant invisible dans les scénarios de découverte et de recommandation non marqués. Ces deux situations impliquent la visibilité par l'IA, mais elles en décrivent des formes très différentes.

La visibilité de marque par l'IA n'est donc pas un score universel attaché à une marque. C'est une observation faite dans un ensemble défini de questions, de systèmes et de conditions.

Définition de la visibilité de marque par l'IA

La visibilité de marque par l'IA est la présence observable d'une marque, d'un produit, d'un domaine ou d'une entité connexe au sein d'un ensemble défini de réponses, de scénarios et de systèmes générés par l'IA.

Dans sa forme la plus simple, elle répond à la question : la marque est-elle apparue ? Une mesure utile doit également indiquer où, pourquoi et dans quelles conditions l'observation a été faite.

Cela rend la visibilité par l'IA plus étroite que la représentation de la marque dans les grands modèles linguistiques. La représentation couvre également le rôle attribué à la marque, les recommandations, les attributs, le sentiment, les concurrents, les sources et l'exactitude factuelle. La visibilité est le point d'entrée de cette analyse plus large.

Qu'est-ce qui peut être considéré comme de la visibilité de marque ?

Compter un nom d'entreprise est utile, mais cela ne capture pas toutes les façons dont une entité peut apparaître. Une étude devrait distinguer au moins quatre formes de visibilité.

Présence de marque sollicitée

La marque apparaît parce que la question la nomme explicitement : « Quels services propose l'entreprise X ? » ou « L'entreprise X est-elle adaptée à ce projet ? »

Cela peut tester la reconnaissance, l'identification d'entité et la description factuelle. C'est une mesure faible de la découverte car le système n'a pas sélectionné la marque de manière indépendante.

Présence de marque spontanée

La marque apparaît dans un scénario de catégorie, de problème ou de recommandation même si la question ne la nomme pas. Par exemple : « Quelles plateformes peuvent surveiller la façon dont les systèmes d'IA décrivent une marque ? »

Cette forme est plus pertinente pour la découvrabilité car le système introduit la marque dans la réponse. Cela ne signifie pas automatiquement que la marque est recommandée.

Présence uniquement du produit

Un produit peut apparaître sans lien clair avec sa marque mère. L'inverse peut également se produire : l'entreprise est nommée, mais le produit pertinent est absent.

Cette distinction est importante pour les organisations ayant plusieurs gammes de produits, des filiales locales, des marques acquises ou des produits dont les noms sont mieux connus que leurs propriétaires.

Présence uniquement de la source

Le domaine d'une marque peut être cité comme source même si l'entreprise n'est pas mentionnée dans la réponse générée. Il s'agit d'une présence de source visible, et non d'une recommandation de marque.

Comment la visibilité de marque par l'IA est-elle mesurée ?

Un pourcentage de visibilité n'est significatif que lorsque son numérateur et son dénominateur sont explicites.

Commencer par l'unité d'observation

Une unité pratique est une réponse générée pour un scénario défini dans un système spécifié dans des conditions enregistrées. Si 100 réponses éligibles sont analysées et que la marque est correctement identifiée dans 28 d'entre elles, son taux de mention observé pour cette étude est de 28 %.

Taux de mention = réponses contenant une mention de marque valide ÷ toutes les réponses éligibles × 100 %

Ce n'est pas la probabilité qu'un utilisateur voie la marque. C'est la proportion observée dans l'échantillon de recherche défini.

L'expression « mention de marque valide » nécessite également une règle. Une référence passagère à une entreprise différente avec un nom similaire ne doit pas être comptée. De même, un produit ne doit pas être automatiquement attribué à sa marque mère lorsque cette relation est manquante ou incorrecte dans la réponse.

Définir les réponses éligibles

Avant de calculer un pourcentage, décidez comment gérer :

• les systèmes indisponibles ou les requêtes échouées ;

• les réponses qui refusent la tâche ;

• les scénarios dans lesquels la marque n'est pas réellement pertinente ;

• les scénarios dupliqués ;

• les réponses dans différentes langues ou marchés ;

• les mentions sollicitées et spontanées.

Modifier ces règles modifie le dénominateur et peut modifier matériellement le résultat. Deux pourcentages de visibilité ne sont pas comparables simplement parce qu'ils sont tous deux exprimés en pourcentages.

Mesurer la couverture des scénarios

Une seule moyenne peut masquer où la visibilité existe. La même marque peut être proéminente dans les questions d'information mais absente des comparaisons et des scénarios orientés vers l'achat.

Les groupes de scénarios utiles peuvent couvrir :

• la découverte de catégorie ;

• la reconnaissance de problème ;

• la comparaison de produits ou de fournisseurs ;

• les recommandations pour un public défini ;

• la vérification des affirmations, de la réputation ou de la pertinence ;

• les différentes étapes d'un processus de décision.

La couverture des scénarios montre où la marque entre dans une réponse, et pas seulement la fréquence de son apparition dans l'ensemble de l'étude.

Mesurer la couverture du système

Il n'y a pas de résultat d'IA universel unique. Les interfaces de chat, les fonctionnalités de recherche d'IA et les points d'API peuvent utiliser différents modèles, instructions, mécanismes de récupération et environnements sources.

Google déclare que les aperçus d'IA et le mode IA peuvent utiliser différents modèles et techniques et peuvent afficher différentes réponses et liens. Les résultats d'un système ne doivent donc pas être traités comme un proxy pour toutes les plateformes d'IA.

Une comparaison inter-systèmes doit conserver la même question de recherche tout en documentant les différences d'interfaces et de capacités disponibles.

Ajouter le contexte concurrentiel avec prudence

La visibilité peut être comparée à un ensemble défini de concurrents, mais la métrique doit indiquer ce qui est compté. La « part de voix de l'IA » peut faire référence à :

• la proportion de réponses dans lesquelles chaque marque apparaît ;

• la part de toutes les mentions de marque au sein d'un ensemble de concurrents ;

• la part des événements de recommandation ;

• la couverture à travers les scénarios ou les plateformes.

Ce sont des mesures différentes. Aucune n'est automatiquement équivalente à la part de marché, à la préférence client ou au potentiel de vente.

La visibilité par l'IA n'est pas la même chose qu'une recommandation

Une marque peut être mentionnée comme :

• un fournisseur ;

• une source d'information ;

• un exemple de fond ;

• un concurrent ;

• une option inappropriée ;

• une entreprise impliquée dans une controverse ;

• une entité confondue avec une autre organisation.

Seuls certains de ces rôles constituent une recommandation. Un taux de mention élevé peut donc coexister avec un faible taux de recommandation ou une représentation défavorable.

C'est pourquoi la mention, l'inclusion dans une liste restreinte, la recommandation et la recommandation principale doivent être traitées comme des observations distinctes. Les appeler toutes visibilité peut être pratique dans un résumé exécutif, mais cela supprime la distinction nécessaire pour diagnostiquer le résultat.

La visibilité par l'IA n'est pas un classement de recherche

La visibilité de recherche traditionnelle est souvent construite autour de pages classées, d'impressions, de clics et de la demande estimée pour les requêtes. Les réponses génératives ne fournissent pas toujours une liste ordonnée stable. Elles peuvent mentionner une marque dans un texte, la placer dans un tableau, l'utiliser comme source ou la recommander conditionnellement après une mise en garde.

La recherche originale évaluée par des pairs sur l'Optimisation des Moteurs Génératifs a formalisé la visibilité au sein des réponses générées et a inclus des mesures ajustées en fonction de la position. La proéminence textuelle peut être importante, mais elle n'est pas identique à un classement organique conventionnel.

Le SEO reste une partie de l'infrastructure de support. Les directives de Google stipulent que les fondamentaux du SEO existants continuent de s'appliquer à ses fonctionnalités d'IA et qu'aucun schéma d'IA spécial n'est requis. Une forte visibilité organique ne garantit cependant pas qu'une marque sera mentionnée dans chaque système ou scénario génératif.

Pourquoi la visibilité de marque par l'IA varie-t-elle ?

Le libellé et l'intention changent

« Quelles plateformes surveillent la visibilité de marque par l'IA ? » et « Comment une équipe de relations publiques peut-elle détecter des affirmations inexactes de l'IA concernant une entreprise ? » concernent des problèmes connexes mais peuvent produire des ensembles de marques différents.

Une vaste étude TACL a révélé que différentes paraphrases d'instructions peuvent produire des résultats de modèle matériellement différents. L'étude ne se limitait pas aux requêtes de marque, mais elle démontre pourquoi la visibilité ne doit pas être déduite d'un libellé pratique.

Le système et l'environnement source changent

Certains systèmes utilisent la récupération web actuelle ; d'autres s'appuient sur différentes combinaisons de connaissances du modèle, de recherche et d'instructions de produit. Certains affichent des citations, d'autres non. Une interface utilisateur et un point d'API portant le même nom de fournisseur peuvent donc renvoyer des réponses différentes.

La langue, le marché et le temps changent

Une marque peut être visible en anglais mais absente en polonais, reconnue mondialement mais non associée à une filiale locale, ou décrite à l'aide d'informations qui ont depuis changé. Chaque résultat doit comporter une date, une langue et un contexte de marché.

La génération elle-même peut varier

Répéter le même scénario dans des conditions similaires peut produire une réponse différente. Ceci est distinct de la modification de l'invite et distinct de la répétition d'une étude un mois plus tard.

Un seul résultat est une observation. Ce n'est pas une preuve de visibilité stable. La surveillance mesure les changements entre les mesures, tandis que la stabilité nécessite une répétition dédiée dans des conditions contrôlées.

Comment mener une étude de visibilité par l'IA défendable

1. Définir l'entité

Enregistrer le nom officiel, les variantes, les produits, les filiales, les marchés et les relations qui permettent de distinguer une mention valide d'une confusion d'entité.

2. Définir l'objectif de la recherche

Décider si l'étude concerne la découverte, les recommandations, la visibilité des produits, la présence de la source, la comparaison concurrentielle ou la reconnaissance factuelle. Un échantillon ne doit pas être censé répondre à toutes les questions.

3. Construire des scénarios autour de besoins réels

Utiliser les publics, les problèmes, les produits, les étapes de décision et les critères de sélection. Ne pas commencer par une liste aléatoire d'invites choisies simplement parce qu'elles sont faciles à tester.

4. Sélectionner les systèmes et enregistrer les conditions

Documenter la plateforme, le modèle ou le point d'API si disponible, la langue, la date, l'accès à la recherche, les hypothèses de localisation et si le scénario nomme la marque.

5. Préserver toutes les preuves

Conserver la réponse, l'extrait pertinent, les sources visibles, les citations et la classification. Un pourcentage sans accès à ses observations sous-jacentes est difficile à auditer.

6. Rapporter les dénominateurs et les limitations

Indiquer le nombre de scénarios, de systèmes et de réponses, les règles d'éligibilité et ce qui n'a pas été testé. Éviter de présenter un échantillon ponctuel comme une propriété stable d'un modèle.

Pour un processus opérationnel plus large, Brand Semantics explique comment réaliser un audit de visibilité par l'IA sur les plateformes de recherche d'IA.

Comment interpréter le résultat ?

Une visibilité élevée n'est pas automatiquement positive

Une marque fréquemment mentionnée peut être attribuée à la mauvaise catégorie, associée à un produit obsolète, utilisée uniquement comme source ou critiquée à plusieurs reprises. La visibilité établit la présence ; elle n'établit pas l'exactitude ou la valeur.

Une faible visibilité n'est pas toujours un problème

L'absence n'est importante que dans les scénarios où la marque est réellement pertinente. L'ajout de questions larges mais non pertinentes peut réduire un pourcentage de visibilité sans révéler un écart commercial significatif.

Les comparaisons nécessitent un périmètre partagé

Les marques doivent être comparées en utilisant les mêmes scénarios, systèmes, langues, dates et règles de comptage. Même dans ce cas, le résultat décrit l'échantillon de l'étude plutôt que l'ensemble du marché.

Un seul score n'est pas un diagnostic

Un score composite peut être utile pour le reporting, mais l'action nécessite les dimensions sous-jacentes. Le modèle d'audit de représentation de l'IA 5P de Brand Semantics sépare la Présence, la Position, la Provenance, la Précision et la Persistance afin qu'une mention ne soit pas confondue avec une évaluation complète.

Que peut faire une marque avec les données de visibilité ?

La première tâche n'est pas d'« optimiser pour un score ». Il s'agit d'identifier le type d'écart :

• l'entité n'est pas reconnue ;

• le produit pertinent est manquant ;

• les concurrents apparaissent dans des scénarios où la marque n'apparaît pas ;

• la marque est visible mais non recommandée ;

• son site web est cité sans que l'entreprise n'entre dans la réponse ;

• la visibilité dépend d'un ensemble restreint d'invites ou de systèmes ;

• la marque apparaît avec des informations inexactes ou obsolètes.

Les réponses possibles incluent la clarification des relations d'entité, la mise à jour des informations détenues, l'amélioration de la couverture des questions réelles du public, l'alignement des descriptions de produits entre les sources et l'obtention de références externes faisant autorité. Aucun éditeur ne peut contrôler directement chaque réponse générée par un modèle externe, de sorte que les changements doivent être suivis d'une nouvelle mesure plutôt que d'une amélioration supposée.

Comment Semantio mesure plus que la présence

Semantio est une plateforme de recherche pour analyser et surveiller la façon dont les grands modèles linguistiques décrivent, comparent et recommandent les marques. Elle permet aux équipes d'examiner les mentions de marque ainsi que la recommandation, le sentiment, les caractéristiques attribuées, les produits, les publics, les concurrents, les sources visibles et les problèmes de représentation.

Les utilisateurs peuvent inspecter les réponses individuelles et leurs preuves à l'appui plutôt que de se fier uniquement à un score agrégé. Cela permet de distinguer une mention manquante d'une catégorie incorrecte, d'une comparaison défavorable ou d'une affirmation non étayée.

Créez un compte et mesurez la visibilité de votre marque par l'IA dans Semantio.

Foire aux questions

Quelle est la définition la plus simple de la visibilité de marque par l'IA ?

C'est la présence observable d'une marque ou d'une entité connexe au sein d'un ensemble défini de réponses générées par l'IA.

La visibilité par l'IA est-elle la même chose qu'être cité ?

Non. Un domaine peut être affiché comme source sans que la marque n'apparaisse dans la réponse. Une marque peut également être mentionnée sans citation visible.

Une mention est-elle la même chose qu'une recommandation ?

Non. Une marque peut apparaître comme source, exemple, concurrent, avertissement ou référence incidente. La recommandation doit être classée séparément.

La visibilité par l'IA peut-elle être exprimée en pourcentage ?

Oui, à condition que le numérateur, le dénominateur, les règles de mention valide et le périmètre de la recherche soient indiqués. Le pourcentage décrit l'échantillon, pas une probabilité universelle.

La surveillance prouve-t-elle que la visibilité est stable ?

Non. La surveillance compare les mesures au fil du temps. La stabilité nécessite des observations répétées dans des conditions suffisamment contrôlées.