Comment une IA décide-t-elle quelles marques mentionner ?

La question de fond

Une décision que nous ne voyons pas

Quand un système d'intelligence artificielle répond sur une catégorie, il ne mentionne presque jamais toutes les marques qui existent. Il en choisit quelques-unes, en omet d'autres et, dans bien des cas, il ne sait même pas que certaines sont là. La question raisonnable est de savoir comment il décide. La réponse honnête est qu'il n'existe aucune règle publiée qui l'explique : ce qu'il y a, ce sont des facteurs que l'on observe et que l'on peut étudier séparément.

Il vaut mieux commencer par ce que cela n'est pas. Ce n'est pas une enchère où celui qui paie le plus apparaît, ni une liste fixe de marques autorisées, ni un classement que quelqu'un pourrait inverser par une action précise. Un système de ce type génère du texte à partir de sources et de motifs, et ce faisant il décide qui il nomme. Cette décision est le résultat de conditions, pas d'une formule secrète que quelqu'un pourrait vous livrer.

Ce que le système doit pouvoir trouver

Avant d'entrer dans les détails, le point de départ. Un système de langage ne devine pas : il génère du texte en s'appuyant sur ce qu'il peut récupérer et sur les motifs qu'il a appris. Tout ce qu'il mentionne doit venir de quelque part. La première condition pour qu'il vous mentionne n'est donc ni la sympathie ni le budget, mais l'existence d'informations suffisantes et vérifiables sur votre marque.

Avec cela sur la table, voici les facteurs que nous observons le plus souvent lorsque nous étudions pourquoi une marque apparaît ou disparaît d'une réponse générée.

Les facteurs qui influent

1. Quelles informations publiques existent et sont lisibles par les machines

Ce qui n'est pas écrit n'existe pas pour ces systèmes. Et il ne suffit pas d'être présent : il faut être explorable et, surtout, extractible. Une description qui ne se comprend qu'en lisant la page entière depuis le début est bien moins utile qu'une donnée que l'on peut isoler. Noms complets, catégories explicites, villes, services, prix le cas échéant : tout cela fonctionne comme matière première. Si la donnée est enterrée là où elle ne se distingue pas du reste, pour le système c'est presque comme si elle n'était pas là.

2. Si la marque est associée à des entités claires

L'information ne vit pas seule : elle vit connectée. Un système a besoin de savoir que cette marque est une entreprise, qu'elle propose certains produits, qu'elle opère dans certains lieux et qu'elle est liée à des personnes ou à des projets précis. Quand ces connexions manquent, la marque reste un nom isolé. Et un nom isolé a peu d'occasions d'être récupéré quand quelqu'un pose une question sur la catégorie et non sur la marque.

3. La cohérence entre ce que vous dites de vous et ce que disent des tiers

Ce point est souvent le plus inconfortable. Le site propre est une source, mais pas la seule et rarement la plus crue. Ce que publient les médias, les annuaires, les plateformes sectorielles, les fournisseurs, les forums et d'autres entreprises fait aussi partie de ce qu'un système peut lire et des motifs avec lesquels il a été entraîné. Quand les sources se croisent et disent toutes la même chose, la marque gagne en cohérence. Quand il y a des contradictions, l'image s'affaiblit et la mention devient moins probable.

4. La structure du contenu

Le même contenu peut donner des résultats très différents selon la façon dont il est organisé. La différence pratique se situe entre une réponse explicite et une réponse qu'il faut déduire. Ces systèmes extraient ; ils ne résolvent pas de devinettes. Si, sur votre page, la réponse à une question précise est formulée dans une phrase claire, la probabilité qu'elle soit utilisée augmente. S'il faut la reconstruire à partir de trois sections différentes, elle baisse. Cela n'exige pas d'écrire pour les machines ni de sacrifier le style : cela exige de l'ordre.

5. La cohérence entre des sources distinctes

Dire la même chose partout avec les mêmes mots n'est pas non plus l'objectif, mais il aide qu'il n'y ait pas de versions incompatibles. Des noms qui changent, des catégories qui ne concordent pas d'un profil à l'autre, des descriptions qui se contredisent d'un annuaire à l'autre : chaque incohérence est un doute. Et le doute, dans un système qui doit produire une réponse brève, se résout le plus souvent en omettant.

6. L'actualité et la vérifiabilité des données

Une donnée ancienne est une donnée faible. Si l'information disponible semble abandonnée, le système n'a aucun moyen de savoir ce qui reste vrai. Dates, changements de service, déménagements, fermetures : tout cela, faute de mise à jour, devient du bruit. La vérifiabilité vise le même endroit sous un autre angle : que ce qui est affirmé puisse être confronté à quelque chose. Une affirmation qui n'existe que sur votre site est plus fragile qu'une affirmation qui apparaît étayée à plusieurs endroits.

7. Le point de départ : à quel point la marque est connue dans sa catégorie

Dans les catégories où la marque est peu connue, l'obstacle n'est pas d'arriver deuxième : c'est que le système ne sache pas qu'elle existe. C'est un problème différent et plus difficile. Pour un système, l'existence se construit par des mentions diverses et soutenues dans le temps, pas par une action ponctuelle. C'est pourquoi le travail ressemble davantage à accumuler des preuves qu'à exécuter un tour de passe-passe.

Ce qui ne peut pas être contrôlé

Jusqu'ici, des facteurs sur lesquels on peut intervenir. Mais il serait malhonnête de suggérer que l'affaire est sous contrôle.

• Les critères avec lesquels ces systèmes choisissent qui mentionner ne sont pas publics.
• Ils changent : un nouveau modèle, une mise à jour ou un ajustement peuvent modifier le résultat.
• Ils ne forment pas un bloc unique. Il existe plusieurs systèmes, avec des sources et des comportements différents.
• La même requête, posée deux fois, peut recevoir des réponses différentes.
• Ce qui fonctionne aujourd'hui peut ne pas fonctionner demain, et il n'y aura pas de préavis.

Cette opacité a une conséquence pratique : personne ne peut promettre une mention. Ce que l'on peut faire, c'est observer avec méthode : formuler des hypothèses sur les raisons pour lesquelles une marque apparaît ou non, intervenir sur un facteur à la fois et mesurer à nouveau. C'est la logique du cycle de travail de Sageo Estudio — enquêter, mesurer, interpréter, intervenir et mesurer à nouveau — appliquée à un terrain où la bonne réponse n'est pas publiée.

Interprétation, pas recettes

S'il y a une conclusion à tirer de tout ce qui précède, c'est que la visibilité dans les systèmes d'IA ne se règle pas avec une liste d'étapes. Elle ressemble davantage à la réputation qu'à la publicité : elle se construit avec ce que d'autres peuvent vérifier sur vous et elle tient par la cohérence. Travailler là-dessus implique d'accepter cette incertitude et de la transformer en méthode.

C'est pourquoi nous ne parlons ni de trucs ni de raccourcis. Nous parlons de comprendre d'abord quels signaux existent sur une marque, comment ils se relient entre eux et ce qui explique qu'un système la mentionne ou l'ignore. C'est le point de départ, et c'est aussi la limite de ce que l'on peut affirmer aujourd'hui.

Un système d'IA ne mentionne pas ce qu'il ne peut pas lire, ne comprend pas ou ne peut pas vérifier.

Sageo Estudio · Search Intelligence · Enquêter, mesurer, interpréter, intervenir, mesurer à nouveau

Découvrez la méthodologie Search Intelligence