Mesurer sa présence IA : output, retrieval, latent

La mesure de visibilité n'est pas simplifiée avec l'AI Search, et pourtant la nécessité de mettre en place un suivi reste essentielle. Il n'est pas envisageable de définir une stratégie sans KPI de suivi fiables.

Dans cet article, je propose qu'on aborde une approche qui repose sur trois couches de visibilité et qui permet une mesure complète à chaque niveau avec évidemment des contraintes et limites à chacune d'entre elles.

Voici déjà ces trois couches dont certaines ont déjà été introduites dans des articles précédents.

• L'output : ce que l'IA dit d'une marque ou d'une entité dans la réponse.
• Le retrieval : ce qu'elle récupère sur vos pages au moment de la réponse.
• Le latent : ce que le modèle a retenu d'une entité lors de son entraînement.

Voici un schéma qui représente ces trois couches :

Les deux premières relèvent de la visibilité dynamique, qui est récupérable, observable et influençable. Ce sont les deux niveaux que vous pouvez maîtriser le mieux et qui fourniront les KPI de suivi les plus utilisés. La dernière est la visibilité paramétrique, certainement la plus difficile à approcher et aussi beaucoup plus longue à se former.

Sommaire

1. La couche d'entrée : un jeu de prompts représentatif
2. La couche output : ce que l'IA dit de vous
3. La couche retrieval : ce que le moteur récupère de vos pages
4. La couche latent : ce que le modèle retient de vous
5. La discipline qui rend la mesure fiable

La couche d'entrée : un jeu de prompts représentatif

Avant même de parler des 3 niveaux, il faut commencer par les prompts utilisateurs car ils sont le point de référence de votre suivi. Ils remplacent la liste de mots-clés suivis en SEO, avec des limites évidentes et que nous reverrons dans un article sur les limites de la visibilité IA. Je ne m'étends donc pas sur ce sujet.

Ce qui est essentiel à cette étape, c'est que le jeu de prompts soit représentatif des questions qui peuvent se poser autour d'une marque afin de pouvoir en extraire les informations sur les outils de suivi.

Aleyda Solís a formalisé cette étape et propose un Framework très efficace pour constituer ce jeu de prompts. Il s'agit d'un système d'échantillonnage représentatif et qui compte pour une marque.

On y retrouve plusieurs catégories :

• L'étape du parcours
• Le produit et l'offre en général
• L'audience et le marché
• Les contraintes réelles de l'acheteur

La dernière catégorie est une des plus importantes et elle est souvent oubliée. On peut y retrouver les contraintes de budget, de conformité, de taille d'entreprise.

Il est essentiel que la marque puisse légitimement entrer en compétition sur le prompt suivi sans quoi celui-ci ne constitue pas une base de suivi fiable. Il donnera la place à des concurrents différents et portera atteinte aux résultats obtenus de l'outil.

J'ai personnellement mis en place un Framework qui se base sur ce modèle et que j'utilise à chaque lancement de projet. Je récupère toute la donnée nécessaire et je lance la génération de prompts sur cette connaissance de la marque que j'ai rassemblée.

Un relevé qui ne fixe pas ses conditions mesure autre chose

La particularité du suivi de prompts par rapport au mot-clé, c'est que ce suivi, pour être fiable, doit respecter des conditions strictes. Car un prompt n'est pas un mot-clé avec un volume de recherche défini et une position précise et connue.

J'y intègre donc ce protocole :

• trois à cinq exécutions par prompt ;
• sur une fenêtre de 24 à 72 heures ;
• en session propre et déconnectée ;
• langue et marché définis, plateforme et version notées.

En effet le contexte d'analyse doit être neutre et c'est l'objet de l'article sur les limites et angles morts du suivi de visibilité. Un test de visibilité n'est pas une donnée fiable sur un test isolé pris dans un contexte spécifique. Chaque utilisateur peut voir des choses différentes sur une même question.

Dans le test, il faut donc un contexte neutre et une fréquence pour mesurer l'évolution dans le temps. L'objet n'est pas de garantir une citation ou mention, c'est factuellement impossible mais de mesurer une tendance par rapport à vos concurrents.

On évite enfin de mesurer un score unique entre les différentes plateformes, qui ne mesurent pas de la même façon.

La couche output : ce que l'IA dit de vous

Passons maintenant à la couche output qui est celle que l'on suit tous mais pas forcément de la bonne façon. Qu'est-ce que l'IA dit de vous dans une réponse générée ? Votre marque est-elle mentionnée, quelles sont les sources et de quelle façon ?

L'AI Signal Rate ou être vu par les moteurs

John Lovett (Seer Interactive), le ramène à trois questions déjà croisées ici :

• Être vu
• Être cru
• Être choisi

On n'y revient pas, et le premier est justement celui qui désigne l'output. Lovett l'appelle l'AI Signal Rate : le nombre de réponses où une marque apparaît, rapporté au nombre de questions posées dans une catégorie.

Chaque outil de suivi tels que Peec (celui que j'utilise personnellement) remonte ce KPI, c'est devenu un standard de suivi.

Un point crucial qui fait pont avec les angles morts du suivi de visibilité est l'absence de volumétrie agrégée, à savoir aucun volume de recherche fiable disponible. On ne mesure donc pas un estimatif de trafic mais plutôt une tendance par rapport à la concurrence.

Vous pouvez le déduire, la fiabilité de ce KPI dépend de votre jeu de prompts.

La distinction entre la citation et la mention

Un autre point est de bien distinguer la citation, souvent désignée par les sources récupérées, et les mentions de marque explicites dans la réponse.

Les deux ne sont pas systématiques, et j'ai pu le constater selon les profils suivis.

Une marque forte avec un historique important sera bon au niveau des mentions alors qu'un comparateur ou distributeur multimarques sera certainement moins bon au niveau des citations car ces derniers ne sont pas l'objet de l'analyse, mais ils une source qui les présente.

Le régime de raisonnement change la mesure radicalement

Le niveau de raisonnement affecte beaucoup la réponse et ce critère n'intègre pas le suivi sur les outils, c'est un piège à bien prendre en compte dans la mesure. Il fait partie des angles morts qui affectent le résultat suivi. Il peut être suivi séparément, mais ne doit jamais être intégré au suivi de base.

L'exactitude se mesure contre un référentiel de marque

Un autre indicateur de Lovett, qu'il appelle l'Answer Accuracy Rate, est la précision de ce qui est dit par rapport à la réalité. Il est noté sur la base d'un référentiel de marque que Seer appelle le Brand Canon : mission, valeurs et faits qui concernent la marque.

Il se décompose en 3 critères :

• Exactitude factuelle
• Alignement avec le référentiel
• Présence d'hallucination

La couche retrieval : ce que le moteur récupère de vos pages

Ici on revient en terrain connu, car la récupération a déjà été abordée à plusieurs reprises dans le blog.

On est sur la couche la plus proche du SEO classique tel qu'on le connaît. Indexation, exploration, recherche vectorielle en sont les étapes. On ne va pas revenir sur son fonctionnement.

Les familles de robots concernées

L'éligibilité de vos pages est une condition essentielle, et deux familles de robots sont identifiables. Il convient de bien les distinguer, car elles n'influencent pas la même chose.

• Les robots de récupération : OAI-SearchBot, ChatGPT-User, PerplexityBot, Perplexity-User, Googlebot pour l'AI Mode
• Les robots d'entraînement : GPTBot, CCBot.

Les robots qui nous intéressent pour cette couche sont les premiers que je cite. Ce sont eux qui doivent réussir à trouver votre contenu sans barrière.

À défaut, un échec aboutit à un abandon et réduit à 0 les chances d'être cité.

Lors de vos analyses de logs il est important de classifier ces catégories de bots. Nous verrons la seconde catégorie un peu plus tard.

Un code 200 ne prouve pas que le moteur a vu ce qui compte

Même si l'éligibilité est essentielle, elle ne suffit pas à elle seule et un code 200 ne constitue pas une preuve que le moteur a vu ce qui compte pour votre marque.

Les exemples sont multiples, en voici les plus récurrents :

• Le rendu serveur : tout ce qui est rendu à l'utilisateur uniquement dans son navigateur, et non côté serveur, peut être manqué par le robot IA. Désactivez le JavaScript de vos pages et vous verrez potentiellement ce qu'un bot voit réellement.
• Le contenu sur les visuels ou vidéos : tout ce contenu n'est pas lisible par un bot de récupération. Et cela même si un modèle sait lire une image. Dans un contexte de récupération, c'est une chose totalement différente.
• Le contenu masqué par une interaction est également un contenu potentiellement ignoré.
• Les pages orphelines représentent une situation fréquente de contenu qui ne sera pas récupéré.

Le taux de sélection remplace le taux de clic

La récupération se caractérise par une phase de sélection et seulement une fraction du contenu rassemblé est réellement retenue. Le taux de sélection est la métrique qui compte ici.

Duane Forrester décline cette mesure en deux indicateurs distincts :

• La fréquence de récupération de vos passages
• La confiance du modèle à les retenir

L'ensemble de ce que nous avons sur la récupération peut se mesurer avec les logs serveur, ce qui en fait la couche la plus mesurable et la plus influençable.

La couche latent : ce que le modèle retient de vous

La couche latente est celle qui est la plus difficile à suivre et à influencer. Pour ma part, je ne la place pas en tant que KPI de suivi direct. Je m'y intéresse surtout dans une approche plus globale, au moment où il faut définir une stratégie, quels que soient les enjeux et la typologie de la marque.

Nous avions introduit son fonctionnement dans mon article sur la mémoire de marque.

On rappelle qu'elle concerne tout ce qu'un modèle sait de votre marque avant même de procéder à une récupération. Cela inclut des informations acquises pendant l'entraînement et qui sont stockées dans la mémoire paramétrique des modèles.

Cette couche distingue les entités ou marques qui ont un historique fort de celles qui émergent ou débutent. Vous le verrez facilement, une marque historique (Dyson ou Renault, par exemple) n'aura aucune difficulté à occuper cette mémoire. Le modèle doit en effet disposer d'une connaissance aussi complète que possible afin de répondre aux demandes de l'utilisateur.

Les réponses non ancrées donnent à lire la mémoire brute

Ce qui caractérise cette couche est que la réponse vient avant toute étape de recherche et il suffit de demander au modèle de ne pas faire de recherche web pour solliciter la mémoire paramétrique.

Celle-ci génère une réponse instantanée et c'est cette mémoire qui est utilisée par les versions les plus légères des différents modèles. Un modèle qui suit un raisonnement élevé intègre un fonctionnement en boucle avec des phases de récupération.

Je sollicite régulièrement les modèles tels que ChatGPT de cette façon pour évaluer sa connaissance d'une entité ou marque. La limite est que cette démarche est plus difficile à mettre en place de façon mécanique.

Ce que vous lisez est la mémoire d'un modèle, pas celle du marché

Dan Petrovic a effectué un test majeur, que je trouve très intéressant : il a demandé 200 000 fois à Gemini 3 Flash de nommer cent marques au hasard. Le résultat n'a bien entendu rien d'uniforme, et cette non-uniformité est justement le signal majeur qui en ressort.

Dan Petrovic est donc allé plus loin en construisant un graphe d'associations de 2,9 millions de marques et en y appliquant un PageRank personnalisé. Il en retire donc un ancrage associatif qui correspond à la profondeur d'intégration dans la structure du modèle.
Une marque rarement citée peut obtenir un score élevé si elle occupe un carrefour dense d'associations.

Il a ensuite répliqué cette analyse sur un autre modèle, Gemma 4 et y a retrouvé une partie similaire et aussi des points de divergence.

Il faut donc être clair, la couche latente ne se mesure pas en tant que telle et tout ce qu'on vient d'en dire appuie ce constat.

Pour l'analyser, la seule méthode consiste à échantillonner des analyses, modèle par modèle, avec un protocole reproductible.

On ne va pas se mentir, lire les trois couches ensemble relève d'un défi important et d'une discipline méthodologique.

La discipline qui rend la mesure fiable

Un suivi qui doit respecter une fréquence

Mesurer à un instant T dans un contexte qui n'est pas neutre ne produit pas une donnée exploitable et représentative.

En l'absence de volumétrie agrégée et d'une position réelle comme en SEO, un suivi de prompts doit se faire par fréquence avec une récurrence minimum pour interpréter les résultats.

Les sources citées se renouvellent plus vite que votre reporting

Une étude SISTRIX révèle, par un suivi de 82 619 prompts sur une durée de 17 semaines, que Google AI Mode renouvelle 56 % de ses sources chaque semaine, et ChatGPT 74 %.

Cette forte fluctuation des sources montre que le suivi n'est pas soumis à des conditions statiques. C'est donc la récurrence de votre suivi qui détermine sa fiabilité. Une fréquence trop faible ne parvient pas à suivre ce rythme intensif d'évolution du côté des modèles.

Search Console masque les trois quarts des impressions

La Search Console que l'on utilise tous en SEO subit elle aussi une limite qu'il ne faut pas oublier. Kevin Indig avait mesuré cet effet : environ 75 % des impressions et 38 % des clics y sont masqués. Ce n'est donc pas un détail.

La seule parade est donc de croiser les données en n'oubliant pas les logs serveurs, généralement assez fiables si on est capable de les récupérer.

Aucun chiffre unique pour mesurer la visibilité IA

Chaque couche mesure un aspect de la visibilité mais jamais l'ensemble et chercher à proposer un score unique serait contre-productif et reviendrait à faire une moyenne de positionnement entre deux moteurs distincts (Google et Bing).

Il faut prendre ces différentes couches indépendamment, ne pas mélanger le suivi entre les différents modèles, qui fonctionnent différemment.

Pour la couche latente, on l'a dit, elle ne se mesure pas ; elle peut simplement faire l'objet d'un suivi de fond qui appuiera vos choix stratégiques.

Mon conseil est de commencer par le jeu de prompts, c'est l'étape clé où votre suivi va pouvoir partir sur de bonnes bases et pour cette étape je vous renvoie au framework d'Aleyda Solís, qui est ma référence à date.

Bibliographie

• John Lovett, Seer Interactive — The 3 New KPIs for AI Search, 26 novembre 2025. seerinteractive.com ·
• Dan Petrovic, DEJAN — AI Brand Authority Index, mars 2026. dejan.ai ·
• Dan Petrovic, DEJAN — Gemma 4 Brand Authority Map, avril 2026. dejan.ai ·
• Jason Barnard, Search Engine Land — The micro-macro shift, mai 2026. searchengineland.com ·
• Kevin Indig, Growth Memo — GSC data is 75% incomplete, février 2026. growth-memo.com
• Aleyda Solís — A 3 Layer Framework to Measure AI Presence, Readiness and Business Impact, avril 2026. aleydasolis.com