Observation issue d’une exécution : comment le langage du site a rendu la marque invisible dans sa propre catégorie

Lors d’une exécution sur la catégorie « analytique pour le e-commerce de taille moyenne », l’une des marques testées se retrouvait de façon stable en 4e ou 5e position dans les réponses de ChatGPT et apparaissait à peine dans Perplexity. C’était inattendu : la marque n’est pas petite, elle dispose d’un site solide avec une documentation détaillée, d’un blog actif et de plusieurs cas clients avec de grands comptes. Dans la recherche Google classique, elle figure dans le top 5 sur les principales requêtes de sa catégorie. Selon tous les critères habituels, c’est une marque visible.

Mais dans les scénarios AI100 neutres, où l’on posait aux modèles des questions du type « que choisir pour une boutique en ligne de taille moyenne avec une équipe réduite », la marque perdait face à des concurrents objectivement moins connus.

L’analyse a mis en évidence trois problèmes qui se recoupaient.

Le premier, et le principal, était l’écart entre le langage du site et le langage de la demande. La marque se décrivait comme un « environnement modulaire d’analytique commerciale intelligente ». Les utilisateurs (et les modèles qui reflètent leur langage) demandaient plutôt un « service simple de reporting pour une boutique en ligne sans analyste dédié ». Ces deux langages ne se croisaient presque nulle part. Aucune page du site ne répondait directement à la question « à qui cela convient-il ? » dans les mots mêmes qu’emploie l’utilisateur pour décrire sa tâche.

Le deuxième problème était que le modèle reformulait la tâche dans une catégorie voisine. Au lieu de « analytique pour l’e-commerce », la réponse se construisait autour des « outils de BI pour les petites entreprises ». Résultat : la liste incluait deux solutions d’une catégorie adjacente que la marque ne considérait pas comme des concurrentes. C’est un cas classique de substitution de catégorie, décrit dans un autre article du corpus.

Le troisième point était le décalage de mise à jour. Deux mois avant l’exécution, la marque avait lancé une nouvelle offre tarifaire destinée aux entreprises de taille intermédiaire. Mais le modèle continuait à la décrire comme une solution pour les grandes entreprises — l’information sur cette nouvelle offre ne s’était diffusée ni dans les revues externes ni dans les données structurées.

Cette observation confirme plusieurs thèses que le corpus AI100 présente comme robustes :

La distinguabilité machine et la notoriété humaine sont deux choses différentes. Une marque bien connue des humains peut être fonctionnellement invisible pour le modèle si son langage ne coïncide pas avec le langage de la tâche.

La substitution de catégorie intervient avant la comparaison directe des marques. La marque n’a pas perdu face à un concurrent, mais face à un cadre de choix étranger. Le modèle a d’abord rebaptisé la tâche, puis assemblé une liste à l’intérieur de la nouvelle catégorie.

Le décalage de mise à jour n’est pas un retard abstrait. C’est une situation concrète où la marque a déjà changé un fait sur elle-même, mais où la machine n’a pas encore eu le temps de le voir.

Ajouter au site une page qui réponde directement à la question « à qui notre produit convient-il ? » dans les termes de la tâche de l’utilisateur, et non dans ceux de la catégorie marketing interne. S’assurer que la nouvelle offre tarifaire est décrite non seulement sur la page des prix, mais aussi dans les revues externes. Vérifier que le balisage structuré (Product, Offer) reflète les tarifs et le public visé actuels.

Une nouvelle exécution dans 6 à 8 semaines montrera si le tableau a changé.