Mesurer sa visibilité IA : la méthode en huit étapes

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.

Je propose de construire ce suivi de visibilité en huit étapes en partant des objectifs du projet et en passant par la constitution d'un jeu de prompts représentatif. On ne reviendra pas ici sur les limites du suivi de visibilité IA que nous avions vu dans un précédent article. L'objectif ici est de s'intéresser à la méthode pour mettre en place ce suivi avec une approche fiable qui tient compte des contraintes du marché et des enjeux de votre marque.

Pour le jeu de prompts, je suis resté sur l'approche proposée par Aleyda Solís dans son framework, qui pour ma part à fait ses preuves. Le protocole confirme ensuite le rythme du suivi et la méthode d'analyse.

Pour les outils, nous verrons Peec comme outil de suivi principal ainsi qu'Oncrawl côté analyses de logs, Search Console et enfin les outils de suivi déployés (GA4, Piano Analytics ou Matomo).

Sommaire

1. La présentation du cadre
2. Comment le suivi est mis en place
3. Ma méthode en huit étapes
4. La couche output
5. La couche retrieval
6. La couche latent
7. La mesure de l'impact business
8. Par où commencer

1. Le cadre du suivi en trois couches

Le suivi de visibilité IA se mesure à différents niveaux et je propose de le voir en trois couches distinctes avec une lecture propre à chaque niveau.

Selon les frameworks de la communauté GEO, cette distinction peut varier, mais on retrouvera toujours les mêmes couches d'analyse.

Dans mon cas, je propose de le voir en trois couches distinctes :

• L'output : Être cité ou mentionné dans une réponse IA
• Le retrieval : Vos pages sont accessibles et récupérées par les modèles
• Le latent : Votre marque et vos produits sont connus des modèles
• L'impact business : Le modèle vous a choisi et recommandé auprès de l'utilisateur.

À chaque couche, les indicateurs et outils de suivi changent. La vue d'ensemble nous donne les tendances avec une comparaison directe avec vos concurrents.

2. Comment le suivi se met en place en phase d'audit ?

Le suivi de visibilité IA n'est pas un travail dissocié de l'audit, c'est même une étape préalable nécessaire à prévoir rapidement au lancement d'un projet d'audit.

La raison est que ce suivi apporte des informations précieuses que nous verrons et qui alimentent les réflexions de l'audit. L'autre point est que le suivi de visibilité requiert une récolte de données qui peut prendre plusieurs semaines. Il faut donc l'anticiper rapidement afin qu'il soit exploitable dans le temps nécessaire.

C'est donc à l'étape de l'étude de marché et des personas que le jeu de prompts peut se construire. Avec l'ensemble de la synthèse de cette étude, les personas sont validés, les concurrents bien identifiés et catégorisés et les spécificités de la marque sont parfaitement maîtrisées.

Il est conseillé de construire son jeu de prompts juste après la liste de vos mots-clés pour le suivi organique. Le suivi organique reste un référentiel pour cela.

Une fois mis en place, le suivi de visibilité alimente toutes les analyses par pilier qui le nécessite : contenu, arborescence, EEAT, autorité off-site.

3. Le framework en huit étapes

La méthode que je propose passe en huit étapes et s'intègre dans le framework d'audit stratégique global. Le framework tient dans l'ordre que je le présente avec des étapes de préparation qui déterminent la qualité du rendu. Des outils sont nécessaires et je reviendrai sur mes choix opérationnels.

01. Le cadrage stratégique

C'est l'étape qui précède la constitution du jeu de prompts. Le passage du SEO à l'AI Search a changé le mode de suivi et les prompts ne sont pas des recherches dont le potentiel de trafic est donné par les plateformes IA. Aucune plateforme IA, même Google, ne fournit des données de volume de recherche par prompt, c'est une des limites que nous avions vues dans mon précédent article.

Afin donc de constituer un jeu de prompts représentatif de l'offre, de la marque, du positionnement et de la cible, l'étude de marché est la donnée qu'il faut absolument à cette étape. L'étude de marché va vous permettre de mettre à plat plusieurs données essentielles :

• La marque et son positionnement
• Son offre (produits, services, gammes)
• Sa cible (les personas)
• La concurrence (directe et indirecte)
• Le marché dans sa globalité (tendance, contexte, demande, actualités)

Ces données vont permettre de mieux définir les intentions et donc leurs enjeux et préoccupations. C'est de cette façon que les questions du jeu de prompts peuvent prendre forme.

L'étude sémantique SEO, celle qui permet de dresser une liste de mots clés avec cette fois un volume de recherche à côté, est un référentiel d'appui utile, car elle représente aussi votre cible.

L'ensemble de ces données peut apporter la matière requise pour la définition du jeu de prompts que nous allons voir juste après.

02. La constitution du jeu de prompts

Les prompts représentent l'équivalent des mots clés, mais sans la position ni le volume de recherche. On perd donc cette notion de potentiel qui alimente les rapports prévisionnels avec vos objectifs de l'année.

Le jeu de prompts fonctionne par estimation, tendance et représentation de ce que cible la marque. La compréhension de l'offre, de l'utilisateur cible et de ses préoccupations y est essentielle. Ce jeu de prompts doit être en mesure d'évaluer si votre marque apparaît dans les recherches IA, et ce, sur les trois couches de visibilité que nous analysons.

Pour bien établir ce jeu de prompts, plusieurs données doivent être établies :

• Les étapes du parcours du client de la découverte jusqu'au service après-vente
• Les différentes gammes de produits ou services
• Le positionnement et les valeurs de marque
• Les personas cibles (par famille)
• Les concurrents identifiés et leur positionnement de marque
• Le contexte et les tendances du marché
• Les spécificités culturelles, politiques et linguistiques
• Les priorités business (où le revenu porte réellement)
• Les contraintes du client (à établir pour chaque persona)

Avec ces informations, la marque, les utilisateurs et le produit sont parfaitement maîtrisés.
Le produit, l'audience, le marché et les étapes forment une matrice me permettant de constituer des prompts efficaces et représentatifs.

Les prompts peuvent être définis en partant de cette matrice.

Plusieurs règles viennent en support de cette matrice :

• La catégorisation de vos prompts
• Une formulation précise qui reflète au mieux la marque
• Les types de questions spécifiques qui reviennent souvent
• Les prompts de marque

La catégorisation de vos prompts

Elle compte beaucoup, car vos prompts mesurés ensemble ne disent pas grand-chose. Des prompts iront à l'avantage de votre marque et d'autres non. La moyenne du score ne sera pas représentative. La catégorisation doit donc se faire sur plusieurs angles :

• Topic et tag (pour les outils)
• Ligne produit / catégorie
• Audience / persona
• Étape du parcours
• Type de prompt
• Marché
• Langue
• Contrainte acheteur
• Priorité

Cette classification peut vous permettre de catégoriser vos prompts selon le sujet de l'analyse. Le score et la classification de votre marque par rapport aux concurrents prennent tout leur sens.

La précision de vos prompts

Si vous ciblez un marché de niche avec une offre très spécifique, attention au prompt générique qui risque de vous exclure des résultats. Vos prompts doivent être détaillés et représentatifs de l'offre. Ce qui vous démarque de la concurrence doit ressortir.

On peut ainsi mesurer si cette différenciation est reconnue par les LLM et vous permet de ressortir dans les résultats.

La formulation des questions qui influence la réponse

On ne cherche pas les prompts les plus utilisés contrairement au mot clé, on cherche en revanche une formulation qui influence différement la réponse. Un prompt peut appeler plusieurs typologies de réponses : des classements, des comparatifs, des tests, des avis, ...

L'assistant agit donc en fonction de la formulation du prompt qui oriente la réponse. Si vous utilisez un prompt avec "Meilleure", le classement sous forme de topitos sera la réponse que le modèle fournira dans une majorité de cas. On influence donc ainsi le format de la réponse.

La question est donc : que souhaitez-vous mesurer ? Si vous souhaitez mesurer les marques les plus mentionnées, vos prompts doivent influencer une réponse avec un classement fait par le modèle.

Les prompts de marque

Les prompts de marque se mesurent à part, mais sont essentiels pour des analyses de notoriété et de réputation. Ils permettent de situer ce que dit un modèle sur une marque et où il va chercher ses informations. À cette étape les avis clients et la gouvernance de marque comptent pour beaucoup.

03. Le protocole de relevé

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 ;
• les résultats par modèle ne sont jamais mis ensemble ;

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.

04. Les outils nécessaires à chaque couche d'analyse

La visibilité IA ne se mesure pas avec un KPI unique de visibilité. Chaque couche de visibilité passe par une méthode de suivi spécifique avec des outils et des méthodes de récolte de données propres à chacune.

On peut en dresser cinq familles passant par six sources de données :

• Les sessions des bots d'entraînement et d'indexation : analysables par les logs serveur
• Les bots de récupération à la demande : logs serveur également
• Les clics utilisateurs à partir d'une citation : mesurable sur les outils Analytics
• La présence dans les aperçus IA de Google : mesurable par la Search Console
• Les agents navigateurs qui parcourent le web : suivi également sur les outils Analytics

Le suivi au niveau de l'output

Pour ce qui est de la couche output, Peec est aujourd'hui mon outil de référence sur le marché même si les outils y sont nombreux. Le suivi s'oriente principalement sur le suivi des mentions et citations avec un score de visibilité mesuré sur le jeu de prompts de référence. La position moyenne et le sentiment accompagnent ce kpi.

Le suivi au niveau du retrieval

À ce niveau, on couple les logs serveur avec Oncrawl comme outil de référence qui classe les robots en trois familles et passe par les adresses IP pour confirmer leur identité.

De l'autre côté Peec remonte les pages récupérées et citées avec un taux de citation comme kpi de référence. On peut donc y voir ici les domaines et les pages les plus récupérées et pas uniquement celles de votre site, mais aussi des concurrents.

La donnée est ici précieuse pour savoir ce que les robots cherchent comme contenu sur une catégorie de prompt.

Bing Webmaster Tools intègre aussi un rapport de performance IA avec des requêtes et plus récemment une part de citation. Il faut bien savoir que ces requêtes ne viennent pas d'utilisateurs réels, mais du moteur pour trouver votre site. Je ne l'utilise donc pas comme outil de mesure.

Le suivi au niveau de l'impact business

Pour la conversion, vos outils Analytics resteront les plus performants avec évidemment une condition liée à l'attribution qui doit être correctement mise en place. La majorité des plateformes de suivi propose un classement des sources IA.

Vos données back-office restent précieuses, mais ne donnent pas la vue de l'attribution et donc de la part acquise par les moteurs IA.

Je laisse de côté pour le moment la Google Search Console qui propose un rapport de performance IA, mais pour le moment limité aux impressions.

05. Figer la baseline du suivi

Un suivi doit rester figé sur sa baseline pendant la période d'analyse. Ce détail est important et n'est pas précisé dans les outils. C'est un point important qu'il faut noter.

Le jeu de prompts est donc validé, il doit être lancé sur au moins cinq exécutions, et cela, sur une fenêtre prédéterminée, pour chaque modèle et chaque marché ciblé.

Voici les points importants que doit respecter la baseline :

• Date de lancement du suivi de référence
• Fenêtre fixe d'analyse
• Nombre de récurrences (recommandé entre cinq et sept)
• Un suivi par modèle séparé et aussi par marché ciblé
• Un relevé par famille (vos tags dans Peec)

Tout changement qui s'opère dans la fenêtre d'analyse peut altérer la lecture des résultats. Il est donc important de surveiller cette phase d'analyse et de repérer notamment des changements côté outils ou même du côté des LLM qui peuvent changer de version en cours de fenêtre.

06. La récolte des données et l'analyse

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.

L'outil peut récupérer de la donnée au quotidien, mais l'analyse doit se faire sur une échéance plus longue (au moins un trimestre). C'est à cette échelle que la mesure montre une réelle direction et le retour des optimisations peut être évalué.

À l'export des données, il faut donc sélectionner vos tags qui correspondent à ces différentes classes :

• Ligne produit / catégorie
• Audience / persona
• Étapes du parcours
• Type de prompt
• Marché
• Langue
• Contrainte acheteur
• Priorité

Il faut définir l'angle de l'analyse recherché avant même d'extraire la donnée.

La segmentation par modèle et marché vient ensuite.

07. Ne jamais présenter de score unique

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.

Sans valeur de référence, un score de visibilité ne dit rien et les évolutions visibles ne pourront pas être interprétées avec fiabilité. Si la tendance constatée est portée par une famille spécifique de prompts ou par un modèle en particulier, seule une analyse spécifique pourra vous le confirmer.

08. Maintenir le suivi et le faire évoluer

À chaque jalon stratégique de votre roadmap, le suivi peut évoluer en fonction des objectifs qui ont été fixés sur les mois à venir.

Une stratégie centrée sur une famille de produits ou sur un persona spécifique amène le jeu de prompts à être révisé.

À ce moment, le jeu de prompts de référence change avec une nouvelle fenêtre de suivi qui s'ouvre.

4. 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 tel 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.

Peec propose une alternative au volume de recherche par une note de 1 à 5 qui exprime une fréquence relative que j'utilise pour prioriser, mais jamais pour confirmer un potentiel.

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 bonne au niveau des mentions alors qu'un comparateur ou distributeur multimarque sera certainement moins bon au niveau des citations, car ces derniers ne sont pas l'objet de l'analyse, mais ils ont une source qui les présente.

Peec garde bien les deux mesures séparées, car ces deux mesures restent indépendantes l'une de l'autre.

L'impact du régime de raisonnement

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

5. 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 des pages est une condition essentielle de la récupération. Les analyseurs de logs distinguent trois familles de robots :

• Les robots d'entraînement (GPTBot, ClaudeBot, CCBot, Meta-ExternalAgent, Amazonbot) qui lisent vos pages pour alimenter la connaissance des modèles. Bloquer ces robots n'affecte pas la visibilité à court terme.
• Les robots d'indexation de recherche (OAI-SearchBot, PerplexityBot, Claude-SearchBot, Googlebot) qui construisent l'index à partir duquel les moteurs trouvent les réponses.
• Les robots de récupération à la demande (ChatGPT-User, Perplexity-User, Claude-User et Google-Agent) qui agissent sur demande directe de l'utilisateur. Le fichier robots.txt ne s'applique pas à cette dernière catégorie de robots.

Les deux dernières familles sont celles qui touchent directement la couche retrieval. Si ces bots sont bloqués, votre contenu ne pourra être récupéré et donc apparaître dans les réponses.

Oncrawl et Peec classifient ces robots de la même façon sous des noms légèrement différents : entraînement, recherche et utilisateur.
Oncrawl analyse distinctement les pages et les ressources et propose une analyse détaillée par bot et groupe de pages.

L'adresse IP du robot reste la preuve de son identification par le crawler et c'est précisément ce que fait Oncrawl pour confirmer l'identité du bot qui n'est pas simplement déclaré. Il part donc des IP publiées par Google, Bing, OpenAI, Anthropic, Perplexity ou Mistral.

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 code de réponse se lit par robot individuellement et Oncrawl propose justement le détail pour chaque page et ressource analysée.

Peec lit aussi votre fichier robots.txt en regardant ce qu'il bloque et ce qu'il autorise avec la liste complète des robots IA concernés. C'est le moyen rapide de diagnostiquer ce dernier.

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

Peec vous permet de mesurer distinctement le taux de récupération et de citation avec une classification du type de domaine : corporate, concurrent, éditorial ou référence.

L'analyse du gap concurrentiel peut vous permettre d'identifier les domaines qui citent vos concurrents, mais pas votre marque. Les citations sans mention de la marque sont également comptabilisées.

Cette analyse peut se faire au niveau de la page et apporte ici une information sur les contenus qui servent de source pour vos prompts. C'est aussi utile pour voir quelles pages les moteurs exploitent pour trouver du contenu autour d'une marque (la vôtre ou celle de vos concurrents). On pourra y voir, par exemple, des comparateurs servant de source pour citer des marques concurrentes.

Les logs serveur côté Oncrawl ne servent qu'à la mesure de l'accès à votre site, quel robot est passé, où et à quelle fréquence. Peec vous permettra d'aller plus loin en identifiant les sources des réponses via les prompts. Le croisement des deux outils est donc la clé pour une analyse complète vous permettant de mesurer chaque écart entre accès et sélection sur vos pages.

6. La couche latente : 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.

J'avais 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 montrent ce que le modèle connaît d'une marque

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 passant par une recherche web plus avancée.

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

Ce suivi se fait en suivant un protocole spécifique :

• Question : que savez-vous de [marque] ? sans faire de recherche web
• Un seul modèle suivi à la fois
• 10 exécutions successives
• lecture des attributs cités et absents, erreurs de faits et concurrents associés
• Test à faire environ une fois par semestre

Peec place cette analyse d'attributs dans le rapport perception qui compare votre marque à celle de vos concurrents.

7. La couche impact : ce qui aboutit sur le site

Cette mesure est celle qui peut présenter de nombreuses limites, car nous parlons de l'acquisition réelle à partir d'une plateforme IA avec la mesure habituelle par visite, session, évènement ou conversions. Cette mesure implique une action de l'utilisateur à laquelle l'attribution pourra se faire depuis une interface IA.

On le sait bien, depuis le passage du SEO à l'AI Search, les visites perdues en SEO ne sont pas toutes passées sur ces nouveaux canaux. La nature même des réponses des moteurs IA ne permet pas à un utilisateur d'aboutir sur votre site aussi facilement qu'en SEO.

L'acquisition ne tient plus uniquement à des positions, elle tient désormais à une multitude de facteurs difficilement maîtrisables (citation, mention, modèle, interface, contexte). Le clic n'étant plus une finalité de chaque demande, l'attribution est remise en question.

Une majorité des utilisateurs trouveront l'information qu'ils cherchent sans passer par les sites qui, à l'origine, proposaient la réponse.

Malgré tout, on peut néanmoins faire cette mesure sur la majorité des outils Analytics :

• Un canal AI Assistants sur GA4 qui regroupe les principaux modèles (Aperçus IA et Mode IA restent attribués à l'organique)
• Generative AI pour Piano Analytics
• AI assistants côté Matomo

Cette donnée peut être croisée avec celle de Peec et Oncrawl.

Vous le constaterez de façon évidente, ce que les outils Analytics remontent sur ces canaux IA représente une part très faible de ce que vos sites pouvaient faire en SEO. Ces canaux IA n'ont clairement pas vocation à devenir les principaux leviers d'acquisition.

La mesure côté impact ne se fera plus seulement par segmentation des canaux, il faudra mesurer votre performance globale et la segmentation devra se faire surtout entre ce qui vient des canaux payants et le reste.

Par où commencer pour la mise en place d'un suivi

On le voit clairement, il ne faut pas compter sur le suivi des outils analytics de type GA4 pour déployer un suivi de visibilité IA.

La visibilité qui en ressort est faible et non représentative de la visibilité réelle d'une marque sur les moteurs.

Les outils à privilégier selon cette méthode sont d'un côté les logs serveur pour l'accès à votre site et l'outil de suivi de citation et mention pour la sélection.

Le couple donc que je recommande ici :

• Oncrawl pour l'analyse des logs serveur
• Peec pour l'analyse des citations et mentions

Vous ne mesurerez pas de l'acquisition directe, mais votre visibilité pendant le processus de recherche IA. L'objectif n'est pas de confirmer si l'IA vous rapporte en tant que canal d'acquisition, mais si votre marque et votre site apparaissent lors de ce processus.

On peut y voir une limite majeure sur la pertinence de ce suivi, mais il permet néanmoins de soulever des problèmes et d'appuyer des propositions stratégiques.

Je termine en insistant sur l'importance des logs en AI Search qui deviennent un élément de suivi indispensable pour une visibilité complète de vos performances.