Face à la multiplication des outils de mesure de la visibilité dans les moteurs de recherche génératifs, l’auteur d’une analyse publiée sur Search Engine Journal appelle les entreprises à ne pas confier leur stratégie à un logiciel. Selon lui, un marché encore immature expose les équipes à des outils instables, peu comparables entre eux et parfois difficiles à quitter.
Pour étayer son propos, l’auteur indique avoir recensé 194 outils lancés au cours des deux à trois dernières années, à partir de Product Hunt, G2 et LinkedIn. Selon lui, un peu plus de 60 % d’entre eux sont des expérimentations artisanales, des projets annexes ou des créations de fondateurs solo. Il estime le taux de mortalité de cette catégorie entre 55 % et 60 %, sans compter les outils qu’il n’a pas pu identifier. Chaque mois, selon lui, des services coupent leurs API, laissent expirer leurs noms de domaine ou se réorientent vers des applications sans rapport.
Le coût est, d’après l’auteur, le principal facteur de fragilité. Interroger un moteur de recherche classique et analyser son code HTML revient à une fraction du prix d’une série de requêtes complexes, en plusieurs échanges, sur des modèles d’IA avec navigation web active. Il cite aussi les efforts de Google pour lutter contre ce type de collecte, qui obligent les éditeurs de ces outils à réinvestir en permanence. Pour un outil en self-service facturé 100 dollars par mois, les marges seraient, selon lui, inexistantes. Une modification des tarifs d’inférence, des limites de requêtes ou de l’interface d’un fournisseur de modèles suffit à faire basculer ces projets.
Des mesures qui ne se ressemblent pas
Changer d’outil ne revient pas, selon l’auteur, à remplacer un instrument par un autre équivalent. Les contrats pluriannuels compliquent les départs, et l’export des données ne suffit pas toujours, car il n’existe pas de standard commun. Il cite à ce titre un document de l’IAB qui note l’absence de norme universellement acceptée pour mesurer les réponses des IA conversationnelles.
Les différences portent sur plusieurs points. Une plateforme peut interroger directement le modèle, quand une autre passe par une navigation web comparable à celle d’un internaute connecté. Certains outils se contentent de vérifier si la marque est citée, d’autres évaluent sa place et son ton. Un simple mention brève peut compter comme un succès sur l’un et pénaliser le score sur l’autre. Enfin, une plateforme peut présenter un classement fixe, tandis qu’une autre mesure la fréquence des variations sur plusieurs tests. Selon l’auteur, l’un peut annoncer une présence en tête dans 80 % des réponses, pendant qu’un autre ne mentionne jamais la marque, les réponses des IA variant de façon aléatoire.
Constituer ses propres données
Pour l’auteur, l’entreprise doit posséder en interne sa liste de requêtes, les ensembles de prompts et les réponses collectées. Il recommande de stocker ces éléments hors de tout abonnement externe, et de privilégier les plateformes qui permettent d’exporter les textes de réponse, les horodatages, les URL sources et les requêtes, par webhook, BigQuery ou CSV standardisé. Ainsi, si un fournisseur modifie sa méthode de calcul, l’historique brut reste exploitable.
L’auteur rappelle enfin que la visibilité est, selon lui, un résultat et non un levier. Les modèles de langage, qui génèrent les réponses, citeraient d’après lui des marques dotées de définitions d’entité solides, d’architectures et de schémas non ambigus, et d’une présence numérique active, plutôt que des marques ayant acheté un logiciel. Il prévoit que la consolidation du secteur s’accélérera et que la plupart des outils disparaîtront.
