Méthode & Transparence

Exemple de rapport d’audit IA : méthode, résultats et limites

Exemple de rapport d’audit IA : contexte, questions, réponses et limites d’interprétation. Distinguez données historiques, illustrations et calculs documentés.

Rapport archivé : vérifier les données avant de comparer

Nous avons réexaminé notre propre audit du 15 mai 2026. Cet exemple montre les contrôles à effectuer avant de tirer une conclusion d’un rapport de visibilité IA.

L’éditeur analyse sa propre marque AI Labs Audit. Il s’agit de données historiques et d’une démonstration de méthode, pas d’un résultat client ni d’un benchmark de modèles.

Périmètre recalculé depuis les lignes archivées
Identifiants de question / versions linguistiques35 / 70 (EN, FR)
Configurations / modèles de base9 / 5
Textes non vides sans erreur / lignes enregistrées609 / 630
Lignes vides ou en erreur / lignes enregistrées21 / 630
Questions contenant déjà la marque / versions linguistiques46 / 70

Ce qui empêche une comparaison naïve

  • 20 / 70 — questions contiennent une phrase marketing française répétée, y compris dans des questions anglaises. Les textes archivés sont conservés sans nettoyage.
  • 4 / 35 — identifiants changent de présence de marque entre leurs versions française et anglaise. Ces variantes ne sont donc pas des questions sémantiquement équivalentes.
  • Le texte enregistré n’est pas une copie immuable vérifiée de la requête complète envoyée au fournisseur. Les identifiants de réponse fournisseur et l’exécution réelle de la recherche web ne sont pas établis.

Ces données servent à vérifier les unités, les dénominateurs et le contexte des questions. Elles ne prouvent ni la supériorité d’un modèle, ni un effet du mode web, ni une stabilité dans le temps.

Un extrait fidèle, avec la marque fournie dans la question

Question originale en français, marque fournie
C’est quoi AI Labs Audit exactement?

AI Labs Audit est une plateforme européenne complète d'audit et d'optimisation de la visibilité de l'IA.

Extrait historique : Google Gemini 2.0 Flash (modèle déclaré), 15 mai 2026, réponse interne 6047.
Détails de provenance

Première phrase de la réponse enregistrée, en français. La marque est nommée dans la question : ce cas ne mesure pas une recommandation spontanée. Le marqueur :online est enregistré ; la recherche web réellement exécutée et l’identifiant de réponse du fournisseur ne sont pas vérifiés. Ce texte historique du modèle ne décrit pas l’offre actuelle.

La réponse est une sortie historique de modèle, pas une fiche produit vérifiée. La question française est conservée à l’identique, quelle que soit la langue de cette page.

Voir les lignes par configuration enregistrée

Ordre des identifiants, sans classement de performance. Le suffixe :online décrit une configuration stockée ; il ne prouve pas une recherche web effective. Les corps complets des réponses ne sont pas publiés.

Identifiant de configurationLignesTextes utilisablesErreurs
anthropic/claude-haiku-4.570700
anthropic/claude-haiku-4.5:online704921
google/gemini-2.0-flash-00170700
google/gemini-2.0-flash-001:online70700
openai/gpt-5-mini70700
openai/gpt-5-mini:online70700
perplexity/sonar70700
x-ai/grok-4.1-fast70700
x-ai/grok-4.1-fast:online70700

Refaire les contrôles hors ligne

Le jeu de données comprend les questions archivées, les identifiants, les dates, les configurations et les indicateurs utilisés. Le script Python fonctionne sans compte, sans clé API et sans appel à un modèle.

Télécharger les données JSON · Télécharger le script Python

python3 recompute-archived-audit-20260515.py.txt archived-audit-20260515.json --check

Les agrégats et les contrôles des questions sont recalculables. Les indicateurs dérivés des réponses proviennent de notre extraction : sans les corps complets, leur extraction ne peut pas être reproduite indépendamment. Une empreinte de fichier n’authentifie pas une requête fournisseur.

Exemples pédagogiques fictifs

Cet exemple numérique est entièrement fictif. Il explique le choix du dénominateur ; ce n’est ni un résultat client ni un score AGS. Il est distinct de l’archive réelle présentée plus haut.

LignesTextes utilisablesMentions lexicales
1083

3 / 8 = 37.5 % · 3 / 10 = 30 %

Trois mentions parmi huit textes utilisables donnent 37,5 %. Les mêmes trois mentions parmi dix lignes attendues donnent 30 %. Il faut préciser le dénominateur ; une occurrence de marque ne prouve ni une recommandation ni une citation.

Vos scénarios, votre expertise

Définissez les questions utiles à vos clients, contrôlez le contexte et les versions, puis interprétez les réponses et leurs limites. Notre infrastructure vous aide à constituer le dossier de mesure.

Configurer mon audit Découvrir le parcours agences Comparer les offres

Mesurez la visibilité réelle de vos clients dans les IA

Lancez un audit AGS et obtenez un score auditable, des limites assumées et un plan d'action concret.

Découvrir les tarifs