Mémoire de marque : être retenu, pas seulement récupéré

Le 7 mai 2026, un changement majeur s'est produit sur ChatGPT, les noms de marque dans les réponses générées sont devenus cliquables permettant ainsi un trafic direct vers le site de la marque. Plusieurs études ont analysé le changement et son impact.

Tout d'abord Profound qui a relevé une hausse de plus de 60 % de trafic en provenance de ChatGPT puis Similarweb également avec une hausse plus importante dépassant les 157 %.

Ce ne sont pas ces chiffres qui intéressent ici mais le changement opéré et surtout ce qui influence l'affichage du nom de marque sous forme de lien.

Pour l'avoir constaté personnellement, cette hausse ne s'est pas fait ressentir pour tout le monde et la raison logique à cela est que les mentions de marque qui portent ce lien ne bénéficient pas à toutes les marques mais seulement celles que le modèle a retenues.

Dans cet article, nous n'allons pas revenir sur la notion de récupération que nous avons déjà vue plusieurs fois mais sur ce que le modèle retient d'une marque avant même d'effectuer la moindre récupération d'un site. On parle ici de la mémoire paramétrique que le modèle a acquise lors de son entraînement.

Un dernier point essentiel que nous verrons est que la citation ne signifie pas qu'une marque peut être nommée. Ce sont bien 2 choses distinctes et nous verrons pourquoi.

Sommaire

1. La citation fantôme : cité sans exister
2. Deux formes de visibilité qui définissent les modèles
3. 3 questions suffisent à piloter cette mémoire
4. 3 leviers pour rentrer dans la mémoire des modèles
5. Plus l'utilisateur délègue et moins une marque a sa place

La citation fantôme : cité sans exister

Citation et mention : deux événements distincts

Avant d'approfondir cette distinction, il faut rappeler précisément ce qui distingue une citation d'une mention car la confusion est forte et l'analyse sur les outils le provoque souvent.

La citation est quand votre page est citée comme source (soit dans le corps de la réponse ou en annexe). La mention d'une marque est le nommage dans le texte mais n'ayant rien à voir avec une source utilisée pour générer la réponse.

Kevin Indig mène une étude en avril 2026 qui analyse cette distinction et pose plusieurs chiffres clés qui appuient cette distinction. Son étude porte sur 3 981 apparitions de domaines, 115 prompts, 14 pays et 4 moteurs.

Les chiffres clés qui en ressortent :

• 61,7 % sont des citations sans mentions
• 25,1 % des mentions sans citations
• 13,2 % cumulent les 2

L'analyse montre aussi que ces chiffres varient selon les modèles avec Gemini qui nomme davantage qu'il cite (83,7 % de mentions pour 21,4 % de citations) et ChatGPT l'inverse (87 % de citations contre 20,7 % de mentions)

La citation fantôme dont nous parlons est donc le cas où nous sommes cités sans être mentionnés et c'est une situation qui se reproduit très souvent en AI Search et elle est difficilement maîtrisable. Pour ma part, j'ai pu rencontrer cette situation dans le cas d'un site distributeur multimarques qui fournit un contenu riche et plus particulièrement des formats que les modèles apprécient (topitos et comparatifs entre autres) et ce sont les marques qui se retrouvent mentionnées et non le site qui propose l'analyse.

La mention est réservée à l'entité qui fait l'objet de l'analyse et n'a rien à voir avec le site qui est à l'origine de la réponse. Ce sont bien 2 choses différentes et qui sont souvent dissociées.

La marque d'abord, la source ensuite

Une étude de Seer sur 362 188 réponses a cherché à démontrer si la citation venait avant ou après la mention de marque. On pourrait instinctivement penser qu'elle vient avant mais en réalité elle arrive après la mention.

Le chiffre à retenir : 53,1 % de citation quand une marque est mentionnée et ce taux tombe à 10,6 % quand aucune marque n'est mentionnée.

L'idée serait que l'IA cherche d'abord dans sa mémoire paramétrique pour ensuite procéder à une récupération qui servira d'appui au lieu que celle-ci définisse directement la marque à mentionner.

Il faut cependant garder en tête que rien ne prouve que la mention influence la citation et que c'est plutôt la force d'association entre un nom de marque et une catégorie. Kevin Indig référence ce mécanisme et le nomme « biais primaire ». L'idée qu'une marque puisse être associée à des attributs (exemple : luxe, pas cher, all inclusive) et que ces associations se font directement dans la mémoire paramétrique.

Deux formes de visibilité qui définissent les modèles

Deux mémoires que les moteurs ne sollicitent pas de la même façon

Cette analyse nous a donc montré que 2 systèmes de mémoires existent et qu'une marque peut exister dans les 2 en même temps. Duane Forrester a documenté ce phénomène en juin 2026.

On a donc d'un côté la visibilité paramétrique qui désigne ce que le modèle sait sans avoir à chercher sur le web et de l'autre la visibilité dynamique correspondant à la recherche et donc au processus de récupération dont nous avons déjà parlé.

La visibilité dynamique, nous l'avons vue plusieurs fois notamment dans mon article sur l'AI Search et son mécanisme de récupération. Je n'y reviens donc pas en détails, elle se produit au moment où la requête est soumise par l'utilisateur et consiste en une phase de récupération et de citation.

La visibilité paramétrique se produit, quant à elle, au moment de l'entraînement du modèle et donc disponible avant même que l'utilisateur pose sa question. Elle dépend de cycles d'entraînement qui peuvent durer des mois.

Ne pas chercher est un comportement fréquent

La décision du modèle à faire appel à sa mémoire paramétrique plutôt qu'à une recherche n'est pas du hasard, elle dépend aussi de la version du modèle qui est sollicité et donc aussi de son coût d'usage.

Une étude réalisée par Andrea Volpini démontre que la recherche web peut se produire jusqu'à 5 fois plus en version payante qu'en version gratuite.

Pour la majorité des utilisateurs qui utilisent les modèles dans leur version gratuite et généralement les modèles les moins coûteux, la recherche par récupération ne se fera pas dans une majorité des cas. Dans ce cas précis, il est peu probable que votre site soit cité sauf si votre marque a été retenue et qu'elle est nommée de mémoire.

Le désaccord des deux couches, invisible dans les rapports

De ce constat, on comprend qu'on fait face à 2 formes de visibilités indépendantes l'une de l'autre où chacune constitue une forme de visibilité mais pas obtenue de la même façon.

Trois questions suffisent à piloter cette mémoire

Ce qu'un sondage de modèle produit vraiment

Une façon assez simple de tester la mémoire d'un modèle sur une marque ou une entité est de désactiver la recherche web. Ce test que l'on peut faire sur l'ensemble des entités que l'on analyse permet d'évaluer les associations de positionnement autour de l'entité questionnée. C'est le moyen d'identifier une erreur d'association ou même une association jugée insuffisante par rapport au positionnement réel de la marque.

Ce test révèle les associations de thématique, offres et autres entités qui se rattachent à celle faisant l'objet de la recherche.

Attention, chaque test reste affecté par la génération probabiliste que nous avions déjà vue dans un précédent article, donc la mesure se fait évidemment par des tests répétés sur une fréquence définie.

Cela nous ramène à un suivi qui se décompose en 3 phases à savoir si le modèle nous perçoit bien en tant que marque pour ensuite évaluer si ce qu'il dit de cette marque est correct pour enfin évaluer si cette marque est choisie face aux autres marques concurrentes.

Trois leviers pour rentrer dans la mémoire des modèles

Le premier passe par le contenu

Une marque jeune non présente dans la mémoire des modèles doit se faire connaître par le contenu qui parle d'elle. C'est par la phase de récupération et de recherche sur le web que le modèle va identifier de nouvelles entités.

Le contenu que vous proposez, quel que soit son emplacement, doit explicitement mentionner cette entité avec des affirmations claires que le modèle est susceptible de retrouver à plusieurs endroits.

Les pages de gouvernance ou d'auteur sur un site favorisent cette détection d'entité et doivent être correctement alimentées en informations pour servir d'entraînement.

Les données structurées pour alimenter les graphes de connaissances

Les données structurées qui ont souvent été mises à l'écart des facteurs de citations restent une information qui alimente les graphes de connaissances. Ce sont donc des informations à fournir et le coût de les mettre en place est généralement faible. Sur le moyen et long terme ces informations accélèrent les associations d'entités et permettent de confirmer les informations qui sont récupérées dans les contenus.

Les contenus externes qui parlent de vous

Un autre levier assez évident et probablement le plus important est de faire parler de soi sur des sites externes et idéalement des sites à forte autorité. Ce sont ces mentions qui alimentent la connaissance des modèles et forgent cette connaissance des entités.

AirOps a mené une étude pour confirmer ce point et a relevé que 85 % des mentions de marque proviennent de domaines que l'on ne possède pas.

Ce qui confirme une chose assez évidente, parler de soi sur son site est un socle de base mais c'est ce qui vient de l'extérieur qui appuie ces informations comme vraies ou fausses.
La qualité et la quantité de ces sources renforcent cette tendance.

Plus l'utilisateur délègue et moins une marque a sa place

Terminons cet article par une analyse de Jason Barnard sur le spectre de la délégation.

Le passage du SEO classique à l'AI Search et même plus récemment à la recherche agentique, ce que l'on confie à un moteur constitue une responsabilité et elle est plus grande sur ces nouveaux leviers de recherche.

Avec un assistant IA, le modèle engage sa crédibilité et doit donc appuyer ses affirmations. Ce qu'il décide de retenir repose donc sur des critères plus stricts qu'en SEO classique où le tri reste dans les mains de l'utilisateur.

Avec la recherche agentique où le bot agit pour le compte de l'utilisateur, on est encore un cran au-dessus et toute entité incomplète ou contradictoire sera définitivement écartée.

La marque qui gagne n'est pas celle que l'utilisateur a choisie mais celle qui a survécu aux dizaines de décisions prises par le moteur.

La visibilité se construit en 2 temps

Si on doit retenir un constat, c'est que la visibilité se construit en 2 temps.

Le premier se joue par la récupération et peut se travailler sur une période plus courte. Je n'y reviens pas, c'est l'objet de mon précédent article sur l'AI search.

Le second temps est représenté par la couche latente qui se travaille au niveau de l'entité. Celle-ci nécessite un travail beaucoup plus long qu'on ne peut mesurer à court terme surtout quand la marque est jeune et peu reconnue sur son secteur.

C'est un travail de fonds qui ne se mesure pas avec les kpis que nous proposons en reporting mensuel et toutes les actions qui contribuent à cette visibilité ne portent leur fruit sur une temporalité qu'il est possible d'estimer.

Ce qui relève de cette visibilité doit surtout porter la stratégie globale et non ce qui relève du gain direct et mesurable.