Pourquoi ChatGPT ne recommande-t-il pas votre entreprise ?

Vous demandez à ChatGPT une liste de fournisseurs à envisager. Trois concurrents apparaissent. Votre entreprise, non. Une deuxième tentative produit une autre liste, et un collègue obtient encore une réponse différente.

L’inquiétude commerciale est légitime. Le diagnostic, lui, manque encore.

Une recommandation absente peut tenir à la question, au marché, aux informations disponibles ou à la réponse générée à ce moment-là. Elle peut aussi révéler une faiblesse concurrentielle durable. Une simple capture d’écran ne permet pas de distinguer ces hypothèses. Avant de modifier votre site, établissez ce qui manque réellement et si cette absence se répète dans les situations d’achat qui comptent.

L’objectif utile est une image fiable de votre ensemble de considération concurrentiel : les entreprises qu’un assistant retient pour un besoin client bien défini. Cela exige un système de mesure plus clair qu’un supposé « classement dans ChatGPT ».

Une mention, une recommandation et une citation sont des observations différentes

Une mention signifie que la réponse nomme une entreprise. Elle peut la citer comme option, comme concurrent, comme exemple historique ou comme choix à éviter.

Une recommandation est une sélection positive pour le besoin exprimé par l’utilisateur. « Envisagez l’entreprise A, car elle dispose de la certification requise » n’est pas la même chose que « l’entreprise A ne dessert pas ce marché ». Une recommandation peut être conditionnelle : pertinente pour un grand industriel mais inadaptée à une petite commande.

Une citation renvoie vers une source utilisée ou présentée dans la réponse. Cette source peut être le site du fournisseur, une publication professionnelle, un annuaire ou une page comparative. Un fournisseur peut être recommandé sur la base d’informations publiées par quelqu’un d’autre. Sa propre page peut être citée alors que la réponse recommande un concurrent.

Consignez les trois, ainsi que l’exactitude des faits. Sinon, une campagne peut sembler réussie parce que les citations ont augmenté, alors même que les recommandations pertinentes sur le plan commercial n’ont pas bougé.

La distinction n’est pas que théorique. Dans une petite expérience d’Ahrefs portant sur des contenus autopromotionnels à partir de février 2026, une page qui faisait la promotion d’une conférence était parfois citée sans que la conférence en question soit nommée. Le rapport constatait que la conférence était passée sous silence dans 43 % de ces cas de citation. Il s’agit d’une expérience spécifique, portant sur une conférence et un produit connu, et non d’un taux d’échec universel des listes de type « top 10 » ni d’une explication contrôlée du comportement de chaque assistant. L’expérience d’Ahrefs et ses réserves

Une liste instable peut contenir un schéma concurrentiel stable

L’étude de janvier de SparkToro et Gumshoe a recueilli 2 961 réponses à 12 requêtes sur ChatGPT, Claude et les expériences de recherche IA de Google, auprès de 600 volontaires. Les listes exactes se répétaient rarement, mais certaines marques apparaissaient fréquemment. La collecte a eu lieu en novembre et décembre 2025, avec les paramètres habituels des participants plutôt qu’avec des conditions uniformes de pays, d’historique et d’appareil. Les auteurs ont explicitement laissé ouvertes les questions de taille d’échantillon et d’équivalence avec l’API. Méthodologie originale de SparkToro

Ce serait une erreur de passer de « la liste complète a changé » à « rien ne peut être mesuré ». Une liste de cinq entreprises peut changer parce que la cinquième tourne, alors que les deux mêmes concurrents restent présents. La reproductibilité de la réponse exacte et la persistance au niveau des marques mesurent des propriétés différentes.

Une étude plus récente de Detailed a suivi plus de 70 000 réponses de ChatGPT et des AI Overviews de Google pendant 28 jours, à partir de requêtes à orientation commerciale. Son analyse publiée distingue un noyau de marques présentes au moins 80 % des jours du reste de la traîne. Le renouvellement d’un jour à l’autre était bien plus faible dans ce noyau. L’étude a aussi confronté les leaders identifiés pendant la première quinzaine à ceux de la seconde, ce qui réduit une forme de biais rétrospectif. Elle reconnaît néanmoins que ses requêtes ne sont que des approximations imparfaites de conversations réelles. L’étude de septembre de Detailed

Les taux de renouvellement quotidien publiés montrent la différence :

Plateforme et entité	Noyau	Traîne
ChatGPT : marques	13 %	78 %
Google AI Overviews : marques	11 %	65 %
ChatGPT : domaines cités	14 %	74 %
Google AI Overviews : domaines cités	12 %	61 %

Il s’agit des mesures agrégées de variation quotidienne de l’étude. Ce ne sont ni des taux d’erreur, ni la probabilité qu’une entreprise donnée disparaisse de la prochaine réponse. Les chiffres sont repris de l’analyse publiée par Detailed et n’ont pas été recalculés de manière indépendante à partir des réponses sous-jacentes.

Cela suggère une question pratique pour une entreprise : vos concurrents sont-ils présents de manière répétée alors que votre entreprise reste régulièrement en dehors de l’ensemble de considération ? C’est une raison plus sérieuse d’enquêter qu’un changement d’ordre dans la liste. Cela ne vous dit pas pour autant pourquoi la plateforme a fait ces choix.

01 Résultat de recherche · Detailed, septembre 2026

Certaines marques restent. D’autres changent.

Renouvellement quotidien des marques présentes dans les réponses de l’IA. Le noyau de marques fréquentes change beaucoup moins que le reste de la traîne.

• Noyau · Présent ≥ 80 % des jours
• Traîne · Autres marques

ChatGPTMarques · renouvellement quotidien

Noyau13 %

Traîne78 %

Google AI OverviewsMarques · renouvellement quotidien

Noyau11 %

Traîne65 %

À retenir en pratique : des listes de recommandations changeantes ne signifient pas forcément que toutes les marques sont aussi instables les unes que les autres. Repérez les concurrents qui réapparaissent sans cesse sur les questions pertinentes.

Source : Detailed, étude sur la volatilité de l’IA (septembre 2026). Mesures agrégées publiées du renouvellement quotidien, issues d’une analyse de plus de 70 000 réponses sur 28 jours. Ce ne sont ni des taux d’erreur, ni la probabilité qu’une entreprise donnée disparaisse de la prochaine réponse. Les valeurs sont citées d’après la source de l’article et n’ont pas été recalculées de manière indépendante.

Le marché et l’intention font partie de la mesure

« Recommande-moi un fournisseur d’emballages » n’est pas un test concurrentiel suffisamment défini. Un producteur alimentaire britannique qui cherche des emballages certifiés en petites quantités n’a pas les mêmes exigences qu’un distributeur américain qui achète un conteneur entier. La langue, la zone de livraison, le volume de commande, la certification et l’étape du processus d’achat peuvent tous modifier ce qui constitue une bonne réponse.

Le benchmark Royaume-Uni/États-Unis publié en octobre par Semrush confirme la nécessité de segmenter. De janvier à juillet, ses ensembles mensuels fixes de requêtes couvraient 2,5 millions de requêtes au Royaume-Uni et 25 millions aux États-Unis pour ChatGPT, Gemini et le Mode IA, avec un jeu de données distinct et variable pour les AI Overviews. Le chevauchement deux à deux parmi les 100 marques les plus citées était plus faible au Royaume-Uni qu’aux États-Unis. Ce sont des résultats de benchmark à l’échelle du marché, pas des scores de visibilité à attendre pour un fournisseur B2B. Communiqué de Semrush sur l’étude d’octobre

Dans les benchmarks publiés, deux plateformes quelconques partageaient entre 63 et 70 de leurs 100 marques les plus citées au Royaume-Uni, contre 70 à 78 aux États-Unis. Ces fourchettes décrivent le chevauchement observé dans le benchmark, pas des intervalles de confiance. Elles concernent l’appartenance à la liste, pas la concordance de l’ordre ni la part de l’ensemble des réponses qui mentionnent une entreprise.

L’univers de requêtes d’un outil de visibilité compte autant que le score qui en résulte. La page méthodologique actuelle de Semrush décrit son index présent, élargi ; l’étude d’octobre téléchargeable a son propre périmètre. Ne combinez pas des chiffres issus de l’index en ligne, qui évolue, avec un rapport historique en supposant qu’ils décrivent une seule et même expérience figée. Sa mesure de chevauchement compte les entrées communes aux listes, pas la concordance de l’ordre. Méthodologie de Semrush

Pour votre propre base de référence, une requête traduite constitue une nouvelle condition de mesure. Séparez les tests en français pour la France, pour la Belgique et pour la Suisse, et faites de même pour les tests en anglais. Si vous testez depuis Bruxelles en écrivant « en France » dans la requête, vous précisez le marché visé ; la session ne devient pas pour autant un test réalisé depuis la France. Consignez les deux informations.

Construisez la base de référence autour de vraies décisions d’achat

Un petit panel B2B devrait partir du langage de vos clients : demandes commerciales, exigences des acheteurs, échanges avec le support et raisons pour lesquelles des prospects écartent un fournisseur. Supprimez les détails confidentiels avant de les utiliser. Une liste de mots-clés Google peut suggérer des thèmes, mais elle ne reflète pas la répartition réelle des conversations dans ChatGPT.

Le pilote suivant est un protocole proposé par Search Orchard. Il n’a pas été réalisé, et cet article ne revendique aucun résultat d’expérience originale menée sur ChatGPT. Les comparaisons chiffrées proviennent ici d’études publiées et citées. Un petit test bâclé apporterait moins qu’une méthode reproductible dont les limites sont visibles.

Commencez par six questions portant sur une catégorie de service et un marché visé. Par exemple :

1. « Quels fournisseurs en France une petite entreprise agroalimentaire devrait-elle envisager pour des sachets doypack recyclables, avec de faibles quantités minimales de commande ? »
2. « Nous avons besoin de sachets doypack aptes au contact alimentaire, livrés à Lyon. Quels fournisseurs indiquent clairement leurs minimums de commande et leurs délais ? »
3. « Quels fournisseurs d’emballages en France prouvent la conformité de leurs sachets doypack au contact alimentaire ? »
4. « Quels fournisseurs une marque alimentaire française en croissance devrait-elle comparer pour des sachets recyclables imprimés et des commandes récurrentes ? »
5. « Quels fournisseurs conviennent à une entreprise française qui teste un nouveau produit alimentaire avant de s’engager sur une grosse commande d’emballages ? »
6. « Nous comparons des fournisseurs de sachets alimentaires recyclables en France. Quelles entreprises expliquent clairement les matériaux, les minimums de commande et les conditions de livraison ? »

Ce sont des exemples réalistes, pas une affirmation selon laquelle les fournisseurs proposés répondraient réellement à ces exigences. Les allégations de durabilité et de conformité des emballages doivent être vérifiées de manière indépendante. Ces requêtes volontairement proches testent différentes contraintes d’achat au sein d’une même catégorie, au lieu de mélanger des secteurs sans rapport pour obtenir un total impressionnant.

Posez chaque question cinq fois, à chaque fois dans une nouvelle conversation, ce qui donne 30 observations prévues par vague. Répétez le même panel à une deuxième date avant de modifier le site. C’est une taille de pilote pragmatique pour repérer des tendances et des problèmes de codage, pas un minimum validé statistiquement ni une part représentative de la demande client. N’ajoutez un panel équivalent pour la Belgique, la Suisse ou un marché anglophone que comme cohorte distincte.

Gardez constants la surface du produit, le nom du modèle affiché, le paramètre de recherche et le contexte du compte. Consignez l’horodatage, le fuseau horaire, l’appareil, la langue de l’interface, le marché visé, la localisation réelle de la session, ainsi que l’état de la Mémoire et des instructions personnalisées. Notez ce que l’interface affiche ; n’inventez pas de réglages de température cachés ni d’identifiants de version du modèle. Si vous utilisez plutôt une API, nommez le point de terminaison et l’identifiant du modèle, et présentez le travail comme une étude via API. Ses résultats ne sont pas automatiquement équivalents à ceux de l’interface grand public.

Enregistrez la réponse complète et les sources liées, pas seulement une capture des premiers noms. Consignez les erreurs, les refus et les réponses sans marque. Appliquez les mêmes règles d’inclusion à chaque vague.

02 Méthode proposée · Pas encore réalisée

Une réponse ne fait pas une base de référence.

Un protocole simple pour commencer : gardez le même marché et la même catégorie de service, faites varier les besoins réels de l’acheteur et répétez chaque question avant de comparer les résultats.

1. Étape 016Questions d’achatUne catégorie de produit ou de service. Un marché visé.
2. Étape 025×Nouvelles conversationsPosez chaque question cinq fois, dans des conditions consignées.
3. Étape 0330Observations prévuesConservez chaque réponse complète et ses sources liées.

Six besoins d’achat courants à tester

• Minimum de commande
• Délais
• Contact alimentaire
• Commandes récurrentes
• Petites séries d’essai
• Matériaux et livraison

Répétez à une deuxième date. Comparez les tendances sur deux vagues avant d’annoncer une amélioration ou une absence persistante.

Illustration de la méthode décrite dans cet article, et non une recherche achevée ni un décompte de recommandations observées. Trente est une taille de pilote pragmatique, pas un échantillon statistiquement représentatif. Séparez les exécutions échouées et consignez les conditions dans lesquelles les réponses ont été générées.

Mesurer la présence sans cacher le dénominateur

Le taux principal doit pouvoir se comprendre sans le logiciel qui l’a produit :

Fréquence de recommandation = réponses valides recommandant l’entreprise ÷ ensemble des réponses valides du panel défini.

Comptez une marque une seule fois par réponse, même si elle apparaît plusieurs fois. Incluez dans le dénominateur les réponses valides qui ne recommandent aucun fournisseur. Séparez les erreurs techniques et les exécutions échouées, et indiquez le taux d’achèvement. Un refus ou une demande de précision reste un résultat observé du produit ; indiquez comment vous l’avez classé et affichez son nombre au lieu de l’écarter discrètement.

Publiez séparément les fréquences de mention et de citation. Pour les citations, distinguez les liens vers le domaine de l’entreprise des sources indépendantes qui en parlent. Normalisez avec soin les noms alternatifs connus de l’entreprise, en gardant séparées les sociétés au nom similaire. Conservez le texte d’origine pour pouvoir vérifier les classements contestés.

Comparez les résultats question par question avant de les agréger. Quinze apparitions sur 30 réponses peuvent signifier qu’un fournisseur domine trois besoins et est absent des trois autres. Un chiffre unique de 50 % masque cette distinction utile. Dans une étude plus large, une matrice requêtes × marques devrait afficher dans chaque cellule le nombre et le dénominateur, les échecs étant signalés séparément des absences de recommandation.

Traitez les exécutions répétées comme des observations corrélées, pas comme 30 clients indépendants. Pour un petit pilote, présentez les effectifs, les dates et les écarts entre questions. Si des estimations formelles de l’incertitude sont nécessaires, tenez compte du regroupement par requête et par date. Un intervalle de confiance binomial étroit, qui suppose l’indépendance de chaque exécution, peut suggérer plus de précision que le protocole n’en permet.

Maintenez un panel de base fixe pour les comparaisons et documentez séparément les questions exploratoires. Ajouter des requêtes plus faciles au dénominateur après une mise à jour du site peut fabriquer une amélioration de visibilité sans aucun changement de la performance concurrentielle.

Qu’est-ce qui peut s’améliorer, et quelle est la solidité des preuves ?

L’accès technique joue un rôle documenté. OpenAI désigne OAI-SearchBot comme son robot d’exploration pour la recherche et le distingue de GPTBot, qui concerne l’éventuel entraînement des modèles. Bloquer le premier exclut un site des réponses de recherche de ChatGPT, même si des liens de navigation peuvent encore apparaître. Autoriser ce robot supprime un obstacle d’accès ; cela ne garantit pas une recommandation. Vérifiez le comportement de votre CDN et de votre pare-feu, en plus du fichier robots.txt. Documentation d’OpenAI sur ses robots

Des informations commerciales claires sont un investissement éditorial judicieux. Expliquez à qui s’adresse l’entreprise, où elle livre, ce qu’elle fournit et quelles contraintes s’appliquent. Placez des caractéristiques et des limites vérifiables sur les pages de services ou de produits concernées. Cela aide un acheteur potentiel à évaluer l’entreprise et fournit aux systèmes de recherche des éléments exploitables. Le gain de recommandations obtenu par une réécriture donnée reste à tester ; ce n’est pas un résultat garanti.

Les sources indépendantes méritent d’être examinées, sans règles de pondération inventées. Regardez quelles sources sont citées de manière répétée pour les situations d’achat de votre panel. Les organisations professionnelles, annuaires, publications spécialisées ou avis clients pertinents décrivent-ils l’entreprise correctement ? Corrigez les erreurs et recherchez une couverture légitime lorsqu’elle est utile aux clients. Une corrélation entre la notoriété auprès de tiers et la visibilité dans l’IA ne prouve pas qu’acheter des mentions entraînera une recommandation.

Les raccourcis de format appellent le scepticisme. Aucune preuve publique n’établit une formulation universelle, une combinaison de données structurées ou un fichier llms.txt qui ferait recommander un fournisseur par ChatGPT. Google indique explicitement que ses propres fonctionnalités de recherche IA ne nécessitent aucun fichier ni balisage particulier pour l’IA ; cette déclaration concerne Google et ne doit pas être présentée comme une spécification d’OpenAI. Traitez les expériences propres à une plateforme comme des expériences. Exigences documentées par Google

Une liste autopromotionnelle qui obtient des citations peut aussi recommander vos concurrents. C’est pourquoi l’expérience d’Ahrefs est importante : le résultat recherché doit être que l’entreprise soit correctement prise en compte pour le bon besoin, et pas seulement un lien vers une page que vous avez publiée.

Diagnostiquer l’écart avant de choisir le travail à faire

Si l’entreprise est absente de questions pertinentes et répétées, examinez l’accès, la couverture des informations factuelles et les sources indépendantes associées à sa catégorie. Si elle apparaît pour certains besoins mais pas pour d’autres, vérifiez si cette différence reflète une véritable limite de l’offre. Si elle est recommandée avec des informations erronées, l’exactitude est la priorité.

Si la visibilité s’améliore mais pas les demandes de contact, la question suivante est commerciale. Les besoins testés ont-ils de la valeur ? De vrais prospects posent-ils ces questions ? Les visites référées arrivent-elles sur une page utile ? Le lien entre le shopping assisté par l’IA et les ventes dépasse un simple décompte de mentions de marque, et les rapports IA de Google mesurent encore une autre plateforme et une autre unité.

Un audit de visibilité dans la recherche IA devrait expliciter ces limites. Il devrait vous laisser une base de référence définie, des preuves conservées et des priorités adaptées à votre entreprise, plutôt qu’une promesse d’être « premier dans ChatGPT ».

Votre entreprise a peut-être un problème de visibilité. L’établir avec rigueur est la première étape utile de l’optimisation.