Audit de la marque dans les réponses des IA : protocole en 20 questions et grille de notation

Quand un acheteur demande à ChatGPT, Gemini ou Copilot de lui présenter les prestataires d'un marché, la réponse qu'il lit n'a été relue par personne chez vous. Elle peut citer votre entreprise, l'oublier, ou lui prêter une offre que vous ne vendez plus. Réaliser un audit de marque dans les réponses des IA consiste à poser des questions réelles aux assistants, à rejouer chaque question plusieurs fois, puis à noter ce qui revient. Ce guide propose un protocole en 20 questions, une grille de notation à quatre critères et un registre des écarts, pour passer de l'impression ("ChatGPT parle plutôt bien de nous") à une mesure que l'on peut présenter en comité.

En résumé

Les assistants d'IA générative sont désormais utilisés par 48 % des Français de 12 ans et plus (Arcep et Crédoc, 2025), et une partie de leurs usages porte sur les produits et les marques. Le problème tient à la mesure : une même question ne produit presque jamais deux fois la même liste de marques (SparkToro, 2026). Un test unique ne prouve donc rien. Notre protocole repose sur 20 questions réparties en cinq familles, rejouées au moins cinq fois sur chaque assistant, et notées sur l'exactitude, la présence, le positionnement et la recommandation. Chaque écart est consigné dans un registre avec sa source probable, son responsable et sa date de nouveau test. Le résultat tient en trois taux, présentables au comité de direction chaque trimestre.

Pourquoi auditer ce que les IA disent de votre marque ?

L'argument n'est pas que les moteurs de recherche disparaissent. Selon le Baromètre du numérique 2026 réalisé par le Crédoc pour l'Arcep, 48 % de la population de 12 ans et plus a utilisé une IA générative en 2025, contre 20 % en 2023 [1]. Parmi ces utilisateurs, 73 % y recherchent de l'information au moins une fois par mois, et 21 % chaque jour. Pour s'informer, le moteur de recherche reste néanmoins le premier réflexe (55 % des répondants, contre 26 % pour l'IA générative).

Deux autres enquêtes montrent où se situe l'enjeu pour une marque. Dans le baromètre de l'agence Peak Ace, publié par CB News en juin 2026 (1 058 personnes, terrain en mars 2026), 44 % des usages informationnels de l'IA concernent les produits et les marques [2]. Dans l'étude de Havas Market de mai 2026 (2 000 personnes), 34 % des utilisateurs d'IA jugent ces outils plus fiables que les moteurs de recherche et les médias traditionnels [3]. Enfin, 20 % des Français déclarent avoir utilisé un outil d'IA pour préparer une décision d'achat au cours des douze derniers mois, d'après l'étude européenne Shopfully [4].

Ces chiffres ont des limites qu'il faut garder en tête. Peak Ace est une agence spécialisée en référencement et en visibilité dans les IA, donc partie prenante du sujet, et l'article de CB News ne renvoie pas vers l'étude d'origine. L'étude Shopfully couvre plus de 6 600 consommateurs européens, sans précision sur l'échantillon français. Ils suffisent pourtant à établir le point utile : une part croissante de vos prospects consulte une IA avant de vous contacter, et ce qu'elle leur dit relève de votre relation client, que vous le contrôliez ou non. Notre analyse sur la réputation de marque dans les IA génératives pose la question de la gouvernance. Ce guide en est la version outillée.

Pourquoi un test isolé ne prouve-t-il rien ?

Posez la même question deux fois à un assistant, vous obtenez deux réponses. Rand Fishkin (SparkToro) et Patrick O'Donnell ont mesuré l'ampleur du phénomène à l'automne 2025 : 600 volontaires ont posé 12 questions à ChatGPT, Claude et Google AI, ce qui a produit 2 961 réponses [5]. Leur conclusion tient en une phrase : la probabilité que deux réponses contiennent la même liste de marques est inférieure à une sur cent, et celle de les retrouver dans le même ordre est de l'ordre d'une sur mille. La liste, l'ordre et le nombre d'éléments varient d'une réponse à l'autre [6].

Cette étude a ses propres limites : elle porte sur les États-Unis, sur douze questions seulement, avec des volontaires utilisant leurs réglages par défaut, et son auteur déclare un lien avec un éditeur d'outils de suivi. Elle conduit néanmoins à une conclusion robuste, que les auteurs formulent eux-mêmes : une visibilité exprimée en pourcentage, sur de nombreuses questions rejouées plusieurs fois, est un indicateur raisonnable ; la position dans la liste ne l'est pas. Les éditeurs d'outils de suivi font la même recommandation : Ahrefs rappelle qu'un même prompt envoyé deux fois donne des réponses très différentes, et conseille de varier la formulation (trois à cinq variantes par angle d'intention) [7].

Retenez donc deux règles pour le reste de ce guide. On ne note jamais une réponse isolée, on note un taux sur plusieurs passages. Et on ne promet jamais à la direction une "première place" dans les réponses, cette notion n'ayant pas de sens stable.

Comment organiser l'audit : la méthode en six étapes

1. Nommer un responsable et cadrer le périmètre

Un audit sans propriétaire se perd. Désignez une personne, côté marketing ou expérience client, qui conduit le test, tient le registre et convoque les fonctions concernées quand une erreur vient de leur périmètre (juridique pour une mention légale, produit pour une offre, commercial pour un tarif). Fixez aussi le périmètre : la marque corporate, une gamme, une offre précise, ou les trois. Pour un premier passage, choisissez une seule marque et un seul marché.

2. Choisir les assistants et consigner les conditions de test

Retenez au minimum les assistants que vos clients utilisent. Dans le baromètre de l'Arcep, huit utilisateurs d'IA générative sur dix emploient ChatGPT, 31 % Gemini et 14 % Le Chat de Mistral, et 51 % se servent d'au moins deux outils [1]. Ajoutez Copilot si vos clients sont des grands comptes équipés de Microsoft 365. Pour chaque passage, consignez la date, l'assistant, sa version quand elle est affichée, la langue, et si la recherche web était activée ou non. Cette distinction compte : sans recherche web, l'assistant répond à partir de ce qu'il a appris ; avec, il cite des pages consultées au moment de la question, et les corrections ne se règlent pas de la même façon. Utilisez un compte neutre, sans historique, sans mémoire personnalisée. Incremys, éditeur d'outils de référencement, recommande la même traçabilité pour évaluer un modèle de langage [8].

3. Construire les 20 questions

Vingt questions, cinq familles de quatre. Remplacez les crochets par votre catégorie, votre marché et vos concurrents réels.

• Découverte (4 questions). "Quels sont les principaux prestataires de [catégorie] en France ?" ; "Qui accompagne les ETI de [secteur] sur [sujet] ?" ; "Que fait [marque] ?" ; "Qui sont les acteurs de [catégorie] dans [région] ?"
• Comparaison (4 questions). "[Marque] ou [concurrent] pour [besoin] ?" ; "Quelles alternatives à [leader du marché] ?" ; "Différences entre [marque] et [concurrent] ?" ; "[Marque] est-elle adaptée à une entreprise de [taille] ?"
• Choix d'un prestataire (4 questions). "Comment choisir un prestataire de [catégorie] ?" ; "Quels critères pour une consultation sur [sujet] ?" ; "Combien coûte [prestation] ?" ; "Quelles références demander à un prestataire de [catégorie] ?"
• Réputation et confiance (4 questions). "[Marque] est-elle fiable ?" ; "Quels avis sur [marque] ?" ; "[Marque] a-t-elle connu des controverses ?" ; "[Marque] est-elle conforme au RGPD ?" (ou toute exigence propre à votre secteur).
• Faits vérifiables (4 questions). "Où est située [marque] ?" ; "Qui dirige [marque] ?" ; "Quelles offres propose [marque] ?" ; "Quelles certifications ou références [marque] met-elle en avant ?"

Préparez, avant le test, la réponse exacte aux quatre questions de faits et la description officielle de votre positionnement. Sans réponse de référence écrite à l'avance, on note au ressenti.

4. Rejouer chaque question plusieurs fois

Chaque question est posée au moins cinq fois sur chaque assistant, dans des sessions séparées, avec une légère variation de formulation à chaque passage. Avec quatre assistants, cela fait 400 réponses à consigner. Ce volume est un choix de méthode de notre part, pas un seuil validé par une étude : il vise un compromis entre la stabilité des taux et la charge de saisie. Si la charge est trop lourde, réduisez le nombre d'assistants avant de réduire le nombre de passages. Étalez la saisie sur deux semaines, et ne mélangez jamais les conditions (recherche web activée ou non) au sein d'une même série.

5. Noter chaque réponse sur quatre critères

Chaque réponse reçoit une note de 0 à 2 sur chacun des critères suivants.

• Exactitude. 0 : au moins une erreur sur un fait qui compte (offre, tarif, implantation, référence) ; 1 : imprécision ou information datée ; 2 : exacte.
• Présence. 0 : la marque n'apparaît pas alors que la question la concerne ; 1 : citée parmi d'autres ; 2 : citée en premier ou présentée comme une réponse adaptée.
• Positionnement. 0 : description contraire à votre positionnement ; 1 : description neutre ou générique ; 2 : description conforme à ce que vous dites de vous.
• Recommandation face aux concurrents. 0 : un concurrent est préféré sans raison valable ; 1 : pas de préférence marquée ; 2 : la marque est recommandée pour le bon cas d'usage.

Ajoutez une case "erreur critique" : un fait faux susceptible de vous faire écarter d'une consultation (une offre inexistante, un tarif erroné, une certification que vous n'avez pas). Fixez vos seuils d'acceptation avant le test, pas après. Les seuils s'ajustent toujours au résultat quand on les écrit après, un travers que relève aussi Incremys pour les audits de modèles [8].

Le tableau de bord tient alors en trois taux : le taux d'exactitude (part des réponses notées 2 sur ce critère), le taux de présence (part des réponses où la marque apparaît, sur les questions qui la concernent) et le nombre d'erreurs critiques distinctes. Ces trois indicateurs sont ceux qu'un comité de direction peut suivre trimestre après trimestre.

6. Tenir le registre des écarts

Chaque écart constaté devient une ligne : l'erreur ou l'absence, l'assistant concerné, la fréquence observée (par exemple 4 passages sur 5), la source probable, la correction prévue, le responsable, la date de la correction et la date du nouveau test. La source probable se cherche dans ce que l'assistant cite quand la recherche web est active : votre site, un annuaire, un article de presse, une fiche d'avis. C'est là qu'on corrige, pas dans l'assistant.

Comment lire les résultats sans se tromper ?

Un taux de présence de 60 % sur vingt questions rejouées cinq fois ne se lit pas comme un classement. Il indique que, dans six réponses sur dix, la marque entre dans la liste. Comparez-le à celui de deux ou trois concurrents notés avec la même grille, sinon le chiffre n'a pas de référence.

Séparez systématiquement les résultats avec et sans recherche web. Une erreur qui disparaît quand la recherche est active vient du modèle lui-même et ne se corrigera qu'à la prochaine mise à jour de l'assistant. Une erreur qui persiste avec la recherche web vient presque toujours d'une page que l'assistant lit : elle est corrigeable.

Méfiez-vous enfin de la lecture par assistant. Les assistants se mettent à jour sans prévenir ; un écart constaté en octobre peut avoir disparu en novembre sans que vous ayez rien fait. D'où l'intérêt d'un nouveau passage trimestriel plutôt que d'un audit annuel.

Que faire des écarts constatés ?

Traitez d'abord les erreurs critiques, puis les absences sur les questions de choix d'un prestataire, car ce sont celles qui précèdent une prise de contact. Les corrections suivent presque toujours la même logique : rendre l'information exacte, explicite et disponible à plusieurs endroits.

Pour une erreur de fait, publiez la bonne information dans une page claire de votre site (page offres, tarifs ou FAQ avec des phrases complètes plutôt que des slogans), puis mettez à jour les fiches tierces qui la contredisent. Pour une absence, vérifiez d'abord que vos pages répondent à la question telle qu'un acheteur la pose ; notre analyse sur le GEO et l'organisation marketing rappelle pourquoi la visibilité dans les IA ne remplace pas la relation que vous entretenez vous-même avec vos clients. Pour un positionnement déformé, relisez ce que dit votre propre contenu : les assistants reprennent souvent l'incohérence entre vos pages, comme le montre l'analyse sur la cohérence de l'expérience client.

Côté pilotage, reliez les trois taux à votre reporting. Une visibilité qui progresse pendant que le trafic organique recule n'est pas une contradiction, comme l'explique l'analyse sur la mesure du trafic issu des IA.

Quelles erreurs éviter dans un audit de marque IA ?

La première consiste à poser trois questions, à constater que tout va bien, et à classer le dossier. La deuxième est de ne pas écrire à l'avance la réponse exacte : la notation devient alors une affaire d'humeur. La troisième, très fréquente, est de confier le sujet à l'agence de référencement sans propriétaire interne ; elle fera le test, mais personne ne pourra arbitrer les corrections qui touchent au juridique, au produit ou aux ventes. La quatrième est de mesurer sa seule marque : sans concurrents notés avec la même grille, on ne sait pas si 60 % est un bon ou un mauvais résultat. La cinquième est de promettre un classement. Enfin, on oublie souvent de refaire le test après une correction, alors que c'est la seule façon de savoir si elle a servi.

Une trame de synthèse d'une page pour le comité de direction

Présentez quatre blocs. Le périmètre : marque, assistants, nombre de questions et de passages, dates. Les trois taux (exactitude, présence, erreurs critiques) avec le niveau des deux concurrents de référence. Les cinq écarts prioritaires, avec leur source probable et leur responsable. Les décisions demandées au comité : arbitrage d'une correction qui engage un autre service, ressources pour la mise à jour des pages, date du prochain passage. Un comité ne retient pas davantage, et c'est suffisant pour décider.

Auditer sa marque dans les réponses des IA ne demande ni outil spécialisé ni budget, seulement de la discipline : des questions écrites, des passages répétés, une grille et un registre. La vraie difficulté est ailleurs. Une fois les écarts constatés, qui accepte de corriger une page produit, une mention légale ou un tarif publié sur un site tiers ? La réponse à cette question dit si votre organisation traite ce que les IA racontent de vous comme un sujet de relation client, ou comme une curiosité de service marketing.

Le regard de digitalie_

Chez digitalie_, nous considérons que l'audit de la marque dans les IA est d'abord un exercice de gouvernance : la mesure est à la portée de n'importe quelle équipe, mais les corrections traversent le juridique, le produit et les ventes, et c'est là que les démarches s'arrêtent. Si vous souhaitez comparer ce protocole à votre situation, nous vous proposons un échange de 30 minutes, ou un audit de l'expérience client qui intègre ce que les assistants disent de vous. Cette démarche s'inscrit dans notre accompagnement en expérience client et contenus créatifs.

Questions fréquentes

Comment savoir ce que ChatGPT dit de ma marque ?

Posez-lui vingt questions réelles d'acheteur (découverte, comparaison, choix, réputation, faits), depuis un compte neutre, et rejouez chacune au moins cinq fois. Consignez chaque réponse, puis calculez trois taux : exactitude, présence, erreurs critiques. Une seule question ne suffit pas, car les réponses changent d'un passage à l'autre.

Combien de fois faut-il poser la même question à une IA ?

Au moins cinq fois par assistant, dans des sessions séparées. Ce nombre est une convention de méthode, pas un seuil scientifique : l'étude SparkToro montre simplement qu'une réponse isolée n'est pas représentative. En cas de contrainte de temps, réduisez le nombre d'assistants plutôt que le nombre de passages.

Comment corriger une information fausse sur ma marque dans une IA ?

On ne corrige pas l'assistant, on corrige les sources qu'il lit. Identifiez la page citée quand la recherche web est active, publiez l'information exacte sur votre site dans une page claire, puis mettez à jour les fiches tierces. Refaites ensuite le test pour vérifier que l'erreur a disparu.

Qui doit être responsable de l'audit de marque dans les IA ?

Une personne côté marketing ou expérience client, avec un mandat pour convoquer le juridique, le produit et les ventes quand l'erreur vient de leur périmètre. Sans propriétaire identifié, le test est fait une fois, le constat est présenté, et les corrections n'aboutissent pas.

À quelle fréquence refaire l'audit ?

Une fois par trimestre, avec un nouveau passage ciblé après toute correction importante et à chaque changement notable d'assistant. Les modèles évoluent sans préavis : un écart constaté un mois peut disparaître ou apparaître le suivant, indépendamment de vos propres actions.

Sources

1.Crédoc pour l'Arcep, l'Arcom, le CGE et l'ANCT, Baromètre du numérique, édition 2026 (février 2026, 4 145 personnes de 12 ans et plus, 2025) : https://www.arcep.fr/uploads/tx_gspublication/barometre-du-numerique-edition-2026_RAPPORT.pdf

2.CB News, « L'usage de l'IA s'installe dans la recherche en ligne », 2 juin 2026, baromètre Peak Ace (agence SEO et GEO), 1 058 personnes, mars 2026 : https://www.cbnews.fr/etudes/usage-ia-s-installe-recherche-ligne

3.CB News, article du 17 juin 2026 sur l'étude Havas Market « Français, IA & Commerce », 2 000 personnes, 19 au 25 mai 2026 : https://www.cbnews.fr/etudes/francais-trois-juge-les-ia-plus-fiables-que-les-moteurs-recherche-les-medias

4.CB News, article du 16 juillet 2026 sur l'étude Shopfully « The State of Shopping 2026 » : https://www.cbnews.fr/etudes/francais-cinq-utilise-deja-ia-preparer-ses-achats

5.SparkToro (Rand Fishkin), « NEW Research: AIs are highly inconsistent when recommending brands or products », 27 janvier 2026 : https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/

6.Search Engine Journal, article du 30 janvier 2026 reprenant l'étude SparkToro : https://www.searchenginejournal.com/ai-recommendations-change-with-nearly-every-query-sparktoro/566242

7.Ahrefs, « How to Monitor Brand Mentions in ChatGPT », mis à jour le 7 avril 2026 (éditeur d'outils, source commerciale) : https://ahrefs.com/blog/monitor-brand-mentions-chatgpt

8.Incremys, « Audit LLM : juger un modèle de langage avant de l'adopter », mis à jour le 7 octobre 2026 (éditeur d'outils, source commerciale) : https://www.incremys.com/ressources/blog/audit-llm