Les réponses d’IA sur une marque ne reposent pas uniquement sur son site. Dans 123 audits et 7 264 réponses, nous avons relevé les sources tierces citées par les modèles. LinkedIn apparaît dans 37 % des audits, devant Wikipedia et Trustpilot. Ce résultat décrit notre échantillon ; il ne dit ni quelle source est « meilleure », ni ce que toutes les IA utiliseront demain.
En bref
Notre relevé porte sur les URL que les modèles ont présentées comme sources au sujet de marques auditées. Une source est comptée une fois par audit, après exclusion du site de la marque. LinkedIn, Wikipedia, Trustpilot, les registres d’entreprises, les avis et les espaces communautaires ressortent souvent. Le travail utile consiste donc à vérifier les informations exposées sur ces surfaces, sans déduire qu’une présence y garantit une citation.
Ce que nous avons mesuré
Nous avons analysé 123 audits, soit 7 264 réponses d’IA. Pour chaque audit, nous avons extrait les URL indiquées comme sources quand une réponse parlait de la marque concernée. Les sites propres aux marques ont été retirés afin de ne conserver que les sources tierces. Enfin, une même source ne compte qu’une fois dans un audit. Cette règle évite qu’une marque ou une réponse très bavarde fasse mécaniquement monter un domaine.
Le pourcentage du tableau signifie donc « part des 123 audits dans lesquels la source apparaît au moins une fois ». Ce n’est pas un taux global de citations. Ce n’est pas non plus une moyenne de citations par réponse. Le tableau ne mesure ni le trafic d’un site, ni sa fiabilité éditoriale, ni l’intention d’un modèle. Il donne un repère de fréquence dans ce corpus précis.
Les sources tierces les plus souvent relevées
Voici le classement observé. Les catégories servent uniquement à lire les familles de sources ; elles ne classent pas leur qualité.
| Rang | Source | Part des 123 audits | Type |
|---|---|---|---|
| 1 | 37 % | Réseau professionnel | |
| 2 | Wikipedia | 35 % | Encyclopédie |
| 3 | Trustpilot | 32 % | Avis |
| 4 | Pappers | 24 % | Registre d’entreprises |
| 5 | YouTube | 23 % | Vidéo |
| 6 | 21 % | Communauté | |
| 7 | Societe.com | 19 % | Registre d’entreprises |
| 8 | 19 % | Réseau social | |
| 9 | G2 | 14 % | Avis B2B |
| 10 | PagesJaunes | 10 % | Annuaire d’entreprises |
| 11 | annuaire-entreprises.data.gouv.fr | 7 % | Registre public |
| 12 | Glassdoor | 7 % | Avis emploi |
Lire le tableau sans lui faire dire plus qu’il ne dit
LinkedIn apparaît dans 37 % des audits, Wikipedia dans 35 % et Trustpilot dans 32 %. Dans ce corpus, ces trois services sont donc visibles plus souvent que les autres sources tierces listées. Cela ne prouve pas que chaque fiche LinkedIn, article Wikipedia ou avis Trustpilot est repris. Une URL peut être exposée dans une réponse sans que son contenu soit la cause unique de la formulation produite.
Les écarts entre familles de sources comptent aussi. Pappers ressort dans 24 % des audits et Societe.com dans 19 %, ce qui reflète notamment la composante française de l’échantillon. Il serait abusif d’en conclure que les registres français dominent tous les marchés ou toutes les langues. La même prudence vaut pour PagesJaunes, annuaire-entreprises.data.gouv.fr et entreprises.lefigaro, qui sont des surfaces particulièrement pertinentes dans certains contextes.
Quatre familles qui reviennent dans les réponses
Réseaux, encyclopédie et profils publics
LinkedIn, Wikipedia et Facebook apparaissent dans le classement. Ces pages concentrent souvent des éléments d’identité : nom, activité, personnes associées, historique ou description publique. Ce sont des informations simples à comparer à une source primaire. Avant de vouloir « optimiser » quoi que ce soit, il faut vérifier qu’elles sont exactes, datées lorsque nécessaire, et cohérentes entre les surfaces que l’entreprise administre réellement.
Registres et annuaires
Pappers, Societe.com, PagesJaunes et annuaire-entreprises.data.gouv.fr appartiennent à cette famille. Les réponses peuvent y associer des faits structurés, par exemple une dénomination, une activité ou un statut. Ici, le réflexe n’est pas de réécrire l’histoire de l’entreprise. Il consiste à distinguer une donnée officielle, une donnée agrégée et une donnée descriptive, puis à corriger la source amont autorisée lorsqu’une erreur vérifiable existe.
Avis et retours d’expérience
Trustpilot, G2 et Glassdoor remontent dans notre relevé. Ils n’ont pas la même fonction : avis de clients, évaluation de logiciel ou expérience employeur ne répondent pas à la même question. Les réunir sous le mot « réputation » masque cette différence. Une réponse d’IA qui cite un avis ne transforme pas cet avis en vérité générale. Elle indique seulement qu’une surface tierce a été rendue visible dans la réponse observée.
Communautés et vidéo
YouTube et Reddit font partie des six premières sources du tableau. Leur présence rappelle qu’une marque est aussi racontée par des vidéos, commentaires, comparatifs et discussions. Ces formats sont hétérogènes. Il faut lire le contexte, la date, l’auteur et le sujet avant d’interpréter une citation. Une vidéo de démonstration, un fil de support et un avis personnel n’ont pas la même portée.
Un protocole de vérification praticable
Le bon point de départ n’est pas une liste universelle de plateformes à ouvrir. C’est le relevé des sources déjà visibles dans les réponses portant sur votre marque et vos questions. À partir de là, une vérification simple évite les décisions prises sur une impression.
- Conserver la question, le modèle, la date et le mode de réponse associés à chaque URL observée.
- Identifier la nature de l’URL : page officielle, registre, avis, communauté, média ou profil social.
- Vérifier séparément les faits d’identité, les affirmations commerciales et les jugements d’expérience.
- Corriger seulement les informations inexactes là où une correction est légitime et traçable.
- Rejouer le même panel de questions plus tard pour constater une évolution, sans attribuer automatiquement cette évolution à une seule action.
Cette méthode sépare un constat mesuré d’une explication. Le constat est : telle URL a été affichée dans telle réponse, dans telles conditions. L’explication demande davantage de preuves. Une fiche mise à jour peut coïncider avec un changement de réponse sans en être nécessairement la cause. À l’inverse, une URL non résolue ou absente d’une réponse n’est pas une preuve que l’IA a inventé une information.
Ce que l’étude change pour une marque
Elle déplace l’attention du seul site officiel vers l’écosystème de sources qui parlent déjà de la marque. Pas pour chercher à les manipuler. Pour établir une carte factuelle : où l’identité est-elle décrite, où les avis sont-ils publiés, où des données légales ou commerciales sont-elles reprises, et quelles pages reviennent réellement dans les réponses testées. Notre article sur la Source Authority détaille cette logique au niveau des URL.
La visibilité ne suffit pas à qualifier une réponse. Il faut aussi vérifier l’exactitude, la fraîcheur et le contexte. C’est pourquoi le baromètre de visibilité IA et l’étude sur les URLs inventées par les modèles complètent ce classement. Ils répondent à d’autres questions, avec leurs propres périmètres. Les mélanger produirait une conclusion plus spectaculaire, mais moins solide.
Limites à garder en tête
Les marques de ce corpus ont choisi de s’auditer. L’échantillon n’est donc pas représentatif de toutes les entreprises. Sa composante française explique en partie la visibilité des répertoires et registres locaux. Le classement ne porte que sur les sources tierces présentées dans les réponses relevées et ne prédit pas un comportement futur. Enfin, les modèles, les questions, la langue et l’accès ou non à la recherche web peuvent changer le résultat observé.
La conclusion est volontairement simple : votre site reste une source importante, mais il ne résume pas tout ce que des réponses d’IA peuvent exposer sur votre marque. Mesurez les sources observées, vérifiez les faits, documentez les corrections possibles et gardez la distinction entre fréquence relevée et causalité.
Ce qu’il faut enregistrer pour chaque source
Un registre de sources utile reste précis. Il ne suffit pas de noter qu’un modèle a cité LinkedIn ou un annuaire. Conservez la page exacte, la question posée, le modèle, la date, la disponibilité éventuelle de la recherche web et la phrase où la source apparaît. Une vérification ultérieure devient alors possible, sans transformer une observation sur un domaine en affirmation sur toutes ses pages.
Comparez ensuite l’information affichée avec une source primaire. La raison sociale, la forme juridique, l’adresse, le nom d’un dirigeant, une description de produit, une affirmation contenue dans un avis ou un ancien prix ne se traitent pas de la même manière. Certaines données relèvent d’un registre public, d’autres du titulaire d’un profil ou de l’auteur d’un avis. La bonne question n’est pas « comment faire apparaître cette page ? », mais « l’information visible ici est-elle exacte, attribuable et à jour pour cette question ? »
Consignez aussi le résultat avec précision : confirmé, obsolète, incomplet, opinion, non résolu ou non applicable. Une URL non résolue doit le rester dans le registre. Elle ne doit pas devenir l’affirmation qu’un modèle a inventé un fait. Lorsqu’un écart factuel existe, documentez la preuve primaire utilisée et, s’il existe, le canal légitime de correction.
Pour replacer ce relevé dans les données publiées, consultez l’Observatoire et la méthodologie AGS. Ces ressources décrivent des objets différents : elles ne transforment pas la fréquence relevée ici en moyenne, en causalité ou en prévision.
Cette traçabilité a un autre intérêt. Si une réponse évolue, l’équipe peut comparer des conditions équivalentes : même famille de questions, même modèle, même langue et même mode de réponse. C’est plus utile que de comparer deux captures sans conditions connues. Cela ne prouve pas une causalité, mais rend l’observation reproductible et exploitable par les équipes éditoriales, juridiques et de marque.
Questions et réponses
Quelles sources les IA citent-elles le plus au sujet des marques ?
Sur 123 audits, les sources tierces les plus citées sont LinkedIn (37 % des audits), Wikipedia (35 %), Trustpilot (32 %), Pappers (24 %), YouTube (23 %) et Reddit (21 %). Les registres d'entreprises et les plateformes d'avis pèsent particulièrement lourd.
Pourquoi mon site web ne suffit-il pas pour être visible dans les IA ?
Parce que les IA construisent l'image d'une marque à partir de sources tierces — réseaux professionnels, encyclopédies, avis, registres d'entreprises — et pas seulement à partir du site officiel. Si ces sources sont inexactes ou incomplètes, l'IA répète l'erreur.
Comparaison : LinkedIn ou Wikipedia comptent-ils plus que mon site ?
Dans notre échantillon, LinkedIn est la source tierce la plus fréquemment citée par les IA au sujet des marques, devant Wikipedia et Trustpilot. Une fiche LinkedIn à jour et une présence encyclopédique exacte ont donc un impact direct sur ce que l'IA dit de vous.
Comment cette étude a-t-elle été réalisée ?
Nous avons extrait les URLs que les modèles citent comme sources dans 123 audits réels (7 264 réponses), retiré les sites des marques elles-mêmes, puis compté chaque source une fois par audit pour mesurer une autorité transversale plutôt que le poids d'une seule marque.
Agences, consultants et équipes internes : comparez les réponses obtenues avec vos propres scénarios, langues et modèles sélectionnés. Notre infrastructure, vos scénarios, votre expertise.