Comment les IA choisissent leurs sources : nos mesures

En bref

Les citations affichées par une IA montrent les sources qu'elle présente au lecteur, pas la recette interne de leur sélection. Nos études permettent d'observer des fréquences, des différences entre modes et des limites de mesure. Elles ne dévoilent pas les critères secrets des moteurs. Pour comprendre une réponse, il faut distinguer la source citée, l'affirmation qu'elle soutient et la présence effective de votre marque.

Comment les IA choisissent-elles leurs sources ? Nos mesures ne permettent pas de reconstituer ce choix de bout en bout. Elles montrent son résultat visible. Cette différence change la lecture d'un audit : voir un lien vers LinkedIn n'établit ni que le moteur privilégie systématiquement LinkedIn, ni que cette page a déterminé toute sa réponse. Nous pouvons examiner ce qui est affiché. Nous ne pouvons pas observer tous les documents envisagés puis écartés.

Deux corpus, deux questions différentes

Le baromètre de visibilité IA porte sur 6 820 réponses, 104 audits complets et 65 marques, entre septembre 2025 et juin 2026. Il couvre 44 modèles distincts. Son objet est la visibilité des marques, avec plusieurs sous-échantillons selon la mesure. Il ne fournit pas une répartition exhaustive des sources utilisées pour chaque réponse.

L'étude des sources citées sur les marques examine 123 audits et 7 264 réponses. Elle exclut les sites des marques auditées et ne compte une même source qu'une fois par audit. Son classement décrit donc la part des audits où une source tierce apparaît au moins une fois. Les pourcentages ne portent pas sur les 6 820 réponses du baromètre.

Pourquoi insister ? Parce qu'un mauvais dénominateur produit une mauvaise décision. La présence de LinkedIn dans 37 % des audits du second corpus ne signifie pas que 37 % de toutes les réponses d'IA reposent sur LinkedIn. Elle ne signifie pas davantage que 37 % des marques y gagnent une recommandation. Notre lecture conserve chaque résultat dans son périmètre.

Une citation ne révèle pas toute la chaîne de sélection

On peut décrire la question en plusieurs étapes : des informations peuvent être accessibles, certaines peuvent être consultées, un contenu peut contribuer à une réponse, puis un lien peut être montré. Ce découpage est une grille de lecture, pas la description vérifiée d'un moteur particulier. Une liste de liens finale ne permet pas, à elle seule, de retracer ces étapes.

Il manque notamment les candidats non retenus. Si votre page n'apparaît pas, nous ne savons pas, sur cette seule preuve, si elle était inaccessible, absente d'un ensemble de résultats, jugée peu adaptée ou simplement non affichée. Dire que le moteur l'a rejetée pour manque d'autorité serait aller trop vite. L'absence d'un lien ne livre pas le motif de cette absence.

L'inverse mérite la même prudence. Une URL affichée est une observation vérifiable. Affirmer qu'elle explique la totalité de la réponse demande une autre preuve. Une IA peut associer plusieurs affirmations à plusieurs références. Le lien le plus visible n'est pas forcément celui qui étaye le détail qui compte pour le lecteur.

Ce que les fréquences de sources disent vraiment

Quelques résultats suffisent à montrer la diversité des surfaces exposées dans l'étude des 123 audits :

• LinkedIn apparaît dans 37 % des audits, Wikipedia dans 35 %.
• Trustpilot apparaît dans 32 % des audits.
• Pappers, registre d'entreprises français, apparaît dans 24 % des audits.
• YouTube apparaît dans 23 % des audits et Reddit dans 21 %.

Ce n'est pas un classement de fiabilité. Un registre peut documenter une identité juridique ; un avis décrit une expérience ; une vidéo peut montrer un usage. Leur présence commune ne rend pas leurs preuves interchangeables. Pour comprendre la réponse, la question utile devient : quel type d'affirmation est associé à cette source ?

La composante française de l'échantillon compte aussi. La fréquence de Pappers ne permet pas de prédire le rôle des registres dans un autre pays. Traduire cet article ne transforme pas le corpus en étude locale espagnole, allemande, italienne, coréenne ou japonaise. Les chiffres restent ceux de la publication citée.

Le mode natif et la recherche web ne mesurent pas la même chose

Dans le baromètre, 63 audits permettent une comparaison des deux modes. Le score moyen de visibilité atteint 63,4 sur 100 en mode natif, sans recherche web, contre 70,5 sur 100 avec recherche web. Il s'agit de scores de visibilité, pas de taux de citation d'un domaine et encore moins d'un taux de clic.

Ces moyennes montrent que les deux conditions produisent des mesures différentes dans ce sous-échantillon. Elles ne prouvent pas que l'ajout de la recherche améliore chaque réponse, ni qu'une page récemment publiée sera citée. Elles ne permettent pas non plus d'attribuer l'écart à LinkedIn, Wikipedia ou un autre service : cette attribution n'est pas mesurée ici.

Dans AI Labs Audit, la comparaison natif et web est documentée comme un mode dual. Son intérêt pour cette question est de séparer les conditions d'observation. Comparer une capture sans recherche à une capture avec recherche, puis appeler la différence un effet de contenu, brouille le diagnostic. Le mode doit accompagner le résultat, pas rester dans une note oubliée.

Être cité comme source et être recommandé sont deux résultats

Une marque peut être nommée sans lien vers son site. Un site peut être cité pour un fait sans que la marque soit recommandée. Et une réponse peut afficher plusieurs sources tout en ne mentionnant pas l'entreprise que l'on mesure. Ces cas ne doivent pas partager un indicateur unique appelé visibilité sans autre précision.

Le baromètre mesure la présence spontanée sur un sous-échantillon de 657 réponses concernant 13 marques, avec extraction d'entités. Il y relève 106 mentions, soit environ 16 %. Ce résultat ne signifie pas que la proportion s'applique à l'ensemble des 6 820 réponses. Il ne mesure pas non plus la part des liens appartenant aux marques.

Notre position est simple : mieux vaut un indicateur étroit dont on comprend le dénominateur qu'un grand score qui mélange tout. Une équipe peut chercher à corriger une information sur sa société, à être citée pour une expertise ou à figurer dans une recommandation. Ce ne sont pas les mêmes objectifs. Le compte rendu doit nommer celui qui a réellement été testé.

Lire la relation entre une affirmation et son lien

Prenons un exemple pédagogique, pas un cas tiré de nos clients. Une réponse indique qu'une entreprise existe dans une ville, propose un service et reçoit de bons avis. Elle affiche un registre et une plateforme d'avis. Le registre peut étayer l'identité légale sans confirmer le service actuel. La plateforme d'avis peut documenter des opinions sans prouver la disponibilité du service.

Le contrôle porte alors sur chaque affirmation utile. Ouvrez la page exacte. Cherchez le passage qui la soutient. Vérifiez que l'entité correspond, que la date convient et que la portée n'a pas été élargie. Une opinion individuelle devenue jugement général dans la réponse constitue un problème d'interprétation, même si le lien fonctionne.

Quand le passage est introuvable, notez « appui non établi ». Cela ne suffit pas à affirmer que l'IA n'a consulté aucune autre information. Quand une page ne répond pas, notez le résultat du contrôle et ses conditions. Une erreur temporaire d'accès n'est pas, à elle seule, la preuve d'une URL inventée.

Tester une hypothèse sans raconter une causalité imaginaire

Supposons que vous corrigiez une ancienne description sur un profil que vous administrez. Le prochain test cite ce profil. Avez-vous démontré que la correction a provoqué la citation ? Non. Le résultat est compatible avec cette hypothèse, mais le modèle, ses outils, la formulation de la question ou les résultats disponibles ont pu changer.

Pour une comparaison lisible, conservez la question exacte, la langue, le marché demandé, le modèle annoncé, le mode et la date. Archivez la réponse et ses URL. Répétez les observations dans des conditions aussi proches que possible. Ce sont des précautions de mesure proposées ici, pas la description d'une expérience causale déjà conduite dans nos études.

Le critère de succès doit également précéder l'interprétation. Pour une correction factuelle, vérifiez si le fait erroné disparaît. Pour une citation, vérifiez la page présentée. Pour une recommandation, vérifiez la mention spontanée et son contexte. Une évolution sur l'un de ces objets ne démontre pas une amélioration sur les autres.

Que faire quand la cause du choix reste inconnue ?

Commencez par les erreurs dont vous possédez la preuve et un canal légitime de correction. Une adresse obsolète sur votre site ou une description périmée sur votre profil appelle une action précise. Un classement général de sources n'autorise pas à fabriquer des avis, à créer de faux profils ou à solliciter artificiellement des mentions.

Gardez aussi les observations négatives. Une page corrigée qui n'est toujours pas citée est un résultat, pas un échec à cacher. Elle rappelle que la présence d'une information exacte ne garantit pas son affichage dans une réponse. La documentation des limites rend les décisions suivantes moins arbitraires.

Pour les données et leurs périmètres, revenez aux deux études liées plus haut. Pour notre verdict, retenez ceci : nos mesures montrent des sources présentées et des différences de visibilité ; elles ne révèlent pas une formule universelle de sélection. La question la plus productive n'est donc pas « quelle plateforme les IA préfèrent-elles ? », mais « quelle affirmation cette réponse permet-elle réellement de vérifier ? »