Méthode & Transparence

Limites connues & variabilité de la mesure

Mesurer la visibilité d'une marque dans des IA génératives n'est pas une science exacte : les modèles évoluent. Nous la documentons et expliquons notre méthode.

Quelle méthode s’applique à ce résultat ?

AGS P/I/Q, readiness AEO, composites techniques et Hero Grades décrivent des mesures différentes. Des voies de stockage, recalcul et repli existent, avec des règles distinctes pour les valeurs manquantes et zéro. Identifiez la source du résultat, sa méthode, sa version et sa couverture avant de comparer dashboard et rapport.

Référence documentaire vérifiée le 16 novembre 2026 par lecture du code. Ces chemins disponibles ne démontrent pas un incident dans un audit donné. Si la provenance ou la version manque, la comparaison reste non vérifiée ; aucune métrique interne n’est une métrique officielle Google.

1Les réponses des IA varient d'une exécution à l'autre

Une même question peut produire des variantes. Leur amplitude dépend du modèle, du protocole et du corpus ; aucune proportion universelle de variation n’est établie sur cette page.

Notre réponse : Examinez les répétitions et les incertitudes disponibles. Un intervalle absent ne signifie pas une incertitude nulle ; un intervalle calculé reste conditionnel à son échantillon et à sa méthode.

2Chaque modèle a son comportement

Les modèles ne se valent pas : certains citent davantage les sources techniques, d'autres sont plus instables sur les requêtes locales, d'autres encore varient selon la langue.

Notre réponse : L’audit porte sur les modèles et modes sélectionnés, selon leur disponibilité. Consultez la couverture réelle et les résultats par modèle ; le catalogue ne constitue pas un nombre garanti de modèles exécutés.

3Les scores bougent quand les fournisseurs changent leurs modèles

Quand OpenAI, Google ou Anthropic mettent à jour un modèle, les réponses: et donc les scores: peuvent bouger sans que la marque n'ait rien changé.

Notre réponse : Pour comparer deux audits, vérifiez le protocole, les questions, le corpus, la langue, le marché, les modèles et modes, la période, la version et la couverture. Un même judge_config_hash ne suffit pas.

4Une mesure ponctuelle ne suffit pas

La visibilité IA est instable dans le temps : une seule mesure est trompeuse.

Notre réponse : Audits programmés / récurrents et suivi de tendance: on regarde l'évolution, pas un instantané.

5La part « recherche web » vs « mémoire du modèle »

Une réponse change selon que le modèle a fait une recherche web (retrieval) ou répond depuis sa mémoire interne (paramétrique).

Notre réponse : Diagnostic différentiel natif vs web pour distinguer les deux et savoir sur quel levier agir.

6Les résultats dépendent de la formulation du scénario

Deux façons de poser la même question peuvent produire des réponses: donc des scores: différents.

Notre réponse : Scénarios normalisés, versionnés et documentés (taxonomie de scénarios par intention) ; on n'improvise pas la question, on applique un protocole reproductible et on suit la même grille dans le temps.

7Le contexte géographique et linguistique change la réponse

Une IA peut répondre différemment selon le pays (France, Belgique, Canada, États-Unis…) et la langue.

Notre réponse : Chaque audit est réalisé dans un contexte linguistique et géographique documenté (audits par langue avec contextualisation marché, concurrents locaux): on précise toujours dans quel marché la mesure a été faite, plutôt qu'un score « hors-sol ».

Ce que cela implique honnêtement

Un score est une mesure interne liée à une méthode et à un corpus. Documentez source, version, périmètre, couverture et traitement des absences avant toute comparaison. Les diagnostics techniques et les grades ne doivent pas être fusionnés avec AGS sous une formule universelle.

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