Organic Inference™

Nous avons rendu le raisonnement des IA lisible.

Nous avons identifié le modèle récurrent par lequel les assistants IA recherchent, évaluent et recommandent une marque, un produit ou un service.

Organic Inference™ reproduit les intentions d’un marché, observe les étapes visibles du raisonnement et transforme leurs recherches, critères, sources et preuves en données structurées.

Explorer le modèle

Fondements

Étude

Nous avons d’abord cherché à déterminer si le raisonnement visible des assistants pouvait être décrit comme une procédure.

Quatre questions fondamentales

Plusieurs années de R&D ont été consacrées à ce qui se produit avant la réponse finale. L’étude a progressé du constat le plus général — la stabilité éventuelle du raisonnement — vers les conditions exactes de sa reproductibilité.

Le raisonnement visible des grands modèles de langage suit-il un schéma stable ou varie-t-il de manière erratique ?
Comment le modèle définit-il et planifie-t-il les étapes de son raisonnement ?
La fonction de chaque étape est-elle apprise pendant l’entraînement du modèle ou déterminée par les instructions système qui encadrent l’assistant ?
Dans quelles conditions cet enchaînement devient-il une procédure reproductible ?

Observer le processus à grande échelle

Pour répondre à ces questions, nous avons conçu un même type d’agent Analyste, spécialisé dans la lecture des étapes visibles du raisonnement, puis déployé plusieurs instances de cet agent, toutes fondées sur le même protocole, pour observer des conversations indépendantes avec ChatGPT, Gemini et Claude.

Sur de grands volumes de conversations, chaque étape visible précédant une réponse a été lue et interprétée. Les informations utiles — planification, recherches, sources, acteurs, preuves et arbitrages — ont ensuite été extraites, normalisées selon un schéma commun, classées selon leur fonction dans le raisonnement, puis consolidées afin de rendre les séquences comparables.

Un périmètre de lecture explicite

L’analyse ne prétend pas révéler une pensée interne cachée. Elle porte sur les étapes visibles dans la fenêtre de contexte : définition du travail, planification, appels d’outils, recherches web, pages consultées, informations retenues et comparaison finale.

Cette méthode n’a pas présupposé l’existence d’un schéma unique. Elle a d’abord permis de comparer les séquences entre types de demandes, puis d’identifier celles qui se répétaient réellement.

Résultats

L’analyse du corpus fait apparaître quatre scénarios ; dans le cas de la recommandation, la chaîne de décision devient particulièrement récurrente.

Quatre grandes familles de demandes

Production de contenu libre: Produire un livrable textuel à partir de peu d’informations contextuelles, avec une latitude importante laissée au modèle.
Production de contenu dirigée: Produire un livrable textuel à partir d’un contexte riche, de contraintes explicites et d’attentes déjà largement définies.
Recherche de connaissances générales: Répondre à des questions portant sur des sujets variés, sans décision commerciale explicite.
Recommandation de produits, services ou acteurs: Identifier, qualifier et comparer des options à partir des attentes d’un utilisateur, qu’elles soient explicites, incomplètes ou très abstraites.

Le scénario dont la structure varie le moins

La recommandation de produits, de services ou d’acteurs a retenu notre attention. Les formulations, les sources et les options changent selon la demande, mais la fonction des étapes et leur enchaînement présentent, dans notre corpus, la plus faible variance. La séquence peut donc être considérée comme stable dans le périmètre étudié.

La procédure de recommandation en six phases

Clarifier ou définir les attentes
L’assistant reprend les attentes explicites de l’utilisateur. Lorsqu’elles sont incomplètes, il les complète avec les critères qu’il juge pertinents à partir des connaissances acquises pendant son entraînement. Si la demande est très large ou abstraite, il peut construire lui-même une première grille de décision.
Rechercher les attentes et tendances complémentaires
Les instructions qui encadrent l’assistant lui demandent de produire la réponse la plus pertinente possible. Il élargit donc le contexte initial : les avis et les sources communautaires l’aident à identifier les attentes vécues ; les médias et les sources récentes lui permettent de repérer les tendances qui comptent aujourd’hui.
Constituer les axes décisionnels
Les attentes exprimées, les critères ajoutés et les tendances recueillies deviennent des axes décisionnels : les dimensions communes sur lesquelles les acteurs pourront être évalués et comparés dans ce contexte précis.
Découvrir les acteurs pertinents
L’assistant explore des sources de découverte pour identifier les entreprises, produits ou services cohérents avec les axes activés. Il constitue ainsi une première liste d’options susceptibles d’entrer dans la comparaison.
Vérifier leur couverture axe par axe
Il mène ensuite des recherches ciblées sur chaque acteur. Les sources de couverture lui apportent, axe par axe, les informations et les preuves nécessaires pour qualifier les options qu’il vient de découvrir.
Comparer et formuler une recommandation
L’assistant confronte les acteurs à partir des informations réellement obtenues dans les sources de couverture. Il place généralement en tête le choix qu’il juge le plus adapté et présente les autres options comme des mentions alternatives, sauf lorsque plusieurs résultats lui paraissent approximativement équivalents.

Être identifié ne signifie pas être recommandé

Le choix recommandé apparaît explicitement en tête et reçoit la préférence de l’assistant ; les autres options restent de simples mentions. Par analogie de visibilité avec le SEO, être recommandé se rapproche d’une première position sur Google, tandis qu’une mention correspond à une présence plus basse dans la page.

Portée

La méthode repose sur une structure commune observée entre assistants, pas sur l’hypothèse que leurs exécutions seraient identiques.

Un invariant observé, des exécutions variables

Le modèle de recommandation a été retrouvé dans tous les assistants étudiés lorsqu’ils recherchent sur le web pour qualifier et comparer des acteurs. Les requêtes, les sources et les résultats peuvent varier ; la fonction générale des étapes reste suffisamment stable pour fonder une méthodologie commune aux LLM qui recherchent sur le web afin de recommander un produit, un service ou un acteur.

Une contrainte explicite peut imposer certaines sources ou modifier leur ordre de consultation. Elle change alors l’exécution, sans effacer la logique générale qui relie clarification, recherche, qualification, comparaison et recommandation.

Pourquoi les mêmes familles de sources reviennent

Plus de 70 % des datasets d’entraînement sont constitués de web crawlé.

Les sources fortement représentées dans les données d’entraînement deviennent plus familières aux modèles. Celles qui concentrent beaucoup d’informations dans une structure techniquement lisible et facile à filtrer sont aussi plus simples à intégrer dans les corpus, puis à reconnaître et à mobiliser.

Les constructeurs poursuivent des objectifs voisins de qualité, de filtrage et d’efficacité pour préparer leurs modèles présents et futurs. Hors contrainte explicite, leurs assistants convergent donc fréquemment vers les mêmes familles de médias, plateformes communautaires, comparateurs, annuaires et documentations — sans nécessairement consulter les mêmes URL à chaque recherche.

Des mécanismes à ne pas confondre

Les données d’entraînement construisent le socle de connaissances du modèle. L’ajustement oriente ensuite certains comportements et formats de réponse. Selon l’architecture, un cache peut réutiliser un résultat déjà calculé, tandis que la recherche web récupère des informations pendant l’interaction. La fenêtre de contexte contient enfin les informations que l’assistant peut mobiliser au cours de cette interaction.

La composition détaillée des datasets propriétaires n’est pas exposée ligne par ligne. Notre certitude porte donc sur la convergence structurelle observée et sur les propriétés documentées du web crawlé, pas sur l’identité exacte des corpus ou des recherches de chaque modèle.

Un périmètre opérationnel représentatif

99 % des scénarios grand public couverts.

Maple Labs concentre ses opérations sur ChatGPT, Claude et Gemini. Dans le périmètre défini par notre étude, ces trois assistants couvrent 99 % des scénarios grand public auxquels les utilisateurs finaux de nos clients peuvent être confrontés. Toute divergence susceptible de modifier les enseignements stratégiques est intégrée au protocole.

ChatGPT
Claude
Gemini

La méthodologie est générique parce que les mêmes fonctions décisionnelles reviennent d’un assistant à l’autre — non parce que leurs recherches, leurs sources ou leurs réponses seraient identiques.

Méthodologie

Cadrage

Un contexte de marché délimite la situation de décision que les agents Replica devront reproduire.

Observer un marché, pas une marque abstraite

Un contexte de marché est l’espace de décision précis dans lequel un prospect demande à un assistant IA d’identifier, de comparer ou de recommander des options. Il ne correspond ni à l’entreprise entière ni à une liste de mots-clés : il réunit des offres comparables, disponibles sur un terrain commercial défini, pour un besoin suffisamment homogène.

Une même entreprise peut donc relever de plusieurs contextes. Lorsque son offre, sa zone de commercialisation ou l’usage visé change réellement, les assistants peuvent mobiliser d’autres critères, d’autres sources et d’autres acteurs. Séparer ces contextes évite de diluer des comportements différents dans une moyenne artificielle.

Trois dimensions rendent les observations comparables

Secteur: Il définit la catégorie concurrentielle dans laquelle l’offre doit être comprise. Assez précis, il fait émerger les acteurs et les logiques de comparaison pertinents ; assez large, il laisse apparaître les alternatives crédibles sans enfermer artificiellement l’observation.
Périmètre commercial: Il borne l’endroit et la surface commerciale où l’offre peut être recommandée : pays, région, ville, Web, réseau physique ou canal déterminé. Il évite d’extrapoler un comportement local à un marché national dont les acteurs, les sources et les recherches peuvent différer.
Produits / services: Ils isolent un marché décisionnel homogène. Formulés comme des catégories comparables plutôt que comme un nom de marque ou de catalogue, ils doivent répondre à un même besoin et faire émerger des attentes, des critères, des concurrents et des sources proches ; sinon, ils relèvent de contextes distincts.

Précis, sans être artificiellement étroit

Ces trois dimensions forment le cadre stable de l’observation. La disponibilité des produits ou services dans le périmètre retenu doit d’abord être vérifiée. Des contraintes complémentaires — usage, audience ou niveau de budget — ne sont ajoutées que lorsqu’elles correspondent à une situation commerciale réaliste et modifient effectivement la décision.

Un ciblage trop large mélange des marchés qui ne se comparent pas. Un ciblage trop étroit masque au contraire des alternatives, des sources ou des critères que l’assistant aurait spontanément considérés. Le bon contexte maintient cet équilibre : assez cohérent pour comparer les sessions, assez ouvert pour observer le marché tel qu’il émerge.

Le ciblage configure directement les Replica

Le contexte devient le cadre commun de configuration des agents Replica. Dans ces mêmes limites commerciales, différents agents peuvent reproduire des comportements, des besoins, des niveaux de précision et des scénarios de recherche variés. Le ciblage ne réduit donc pas le marché à un persona et ne présélectionne ni les acteurs ni les sources ; il rend leur émergence interprétable entre des conversations indépendantes.

Protocole

Organic Inference™ organise trois rôles autour d’une conversation entre le Replica et l’assistant IA, observée latéralement par l’Analyste.

Une conversation, trois fonctions distinctes

Le contexte défini au ciblage ne devient pas une liste de prompts à répéter. Il sert à créer des situations de recherche réalistes, dans lesquelles un prospect exprime un besoin, précise ses contraintes et laisse l’assistant construire progressivement sa réponse.

Le triptyque opérationnel

Agent Replica: Configuré dans le contexte de marché commun, chaque Replica reproduit l’un des comportements plausibles d’un prospect : besoins, hésitations, contraintes et critères se formulent dans un échange naturel. Chaque agent dispose de sa propre session, de son propre scénario et de sa propre fenêtre de contexte.
Assistant IA: ChatGPT, Claude ou Gemini interprète la demande, la clarifie si nécessaire, explore les options, effectue ses recherches sur le Web, consulte des pages et construit sa recommandation. La méthode observe cette exploration native ; elle ne la remplace pas par un crawl extérieur.
Agent Analyste: L’Analyste actuel est une version améliorée de l’agent qui a servi à nos études initiales. Il reconnaît le modèle de recommandation en six phases présenté au chapitre précédent et applique un même protocole d’extraction à mesure que la conversation progresse, sans y participer.

Une lecture latérale, sans modifier l’échange

Pendant que le Replica et l’assistant dialoguent, l’Analyste associe chaque signal utile à la phase visible où il apparaît. Il observe la conversation depuis le côté et n’ajoute aucune instruction à l’assistant interrogé.

Il existe un seul type d’agent Analyste et un protocole commun. Plusieurs instances identiques peuvent suivre en parallèle plusieurs sessions Replica indépendantes ; elles appliquent toutes le même schéma d’extraction, sans devenir des Analystes spécialisés.

Des observations générales aux passes ciblées

Les premières conversations font émerger les axes, les sources et les acteurs structurants du marché. Des conversations ciblées peuvent ensuite approfondir chaque axe pour observer quels acteurs ressortent lorsque ce critère devient explicite, lesquels sont seulement mentionnés et lesquels sont recommandés.

Cette progression évite de décider à l’avance ce qui devrait compter. La méthode part de l’exploration générale de l’assistant, puis vérifie la récurrence et la solidité des signaux qu’elle a effectivement révélés.

Les données proviennent ainsi de ce que l’assistant a réellement recherché et mobilisé dans une situation de décision réaliste. Chaque observation reste reliée à la conversation et à l’étape qui l’ont produite.

Données

La méthode produit une matière analytique traçable : ce qui a orienté la décision, où l’assistant a cherché, quelles preuves il a utilisées et quels acteurs ont émergé.

Des traces reliées à leur contexte

Pour chaque session, l’analyse extrait les éléments utiles du parcours : intention formulée, axes activés, requêtes et outils employés, domaines rencontrés, pages ouvertes, informations effectivement exploitées, options intégrées ou écartées et issue de la comparaison.

Chaque signal reste relié à sa session, à la recherche, à la source et à l’étape où il apparaît. Les formulations équivalentes peuvent ainsi être rapprochées, puis leur récurrence mesurée entre des observations comparables sans perdre leur provenance.

Ce qui structure la décision

Axes décisionnels: Les formulations de critères, d’attentes et de tendances activées dans chaque session, avec leur origine, l’étape où elles apparaissent et leurs occurrences entre conversations comparables.
Sources de découverte: Les domaines et URL dont le rôle observé est de faire émerger des entreprises, produits ou services dans la première liste d’options, avec les requêtes et les occurrences correspondantes.
Sources de couverture: Les pages où l’assistant recherche, trouve ou ne trouve pas les informations permettant de qualifier un acteur sur un axe. Découverte et couverture décrivent le rôle observé d’une source dans une session, pas une catégorie rigide de sites.

Les habitudes de recherche et d’exploration

L’ordre des requêtes, leurs variantes, les outils appelés, les domaines consultés et les pages revisitées révèlent la manière dont l’assistant parcourt le marché. On distingue notamment la découverte générale des options de l’exploration ciblée d’un acteur, d’une preuve ou d’un axe.

Ces habitudes sont des récurrences observées entre les sessions, non des suppositions sur le comportement des utilisateurs. Elles permettent de voir quels chemins de recherche reviennent, quelles familles de sources structurent l’exploration et à quel moment une page devient réellement utile au raisonnement.

Recherches observées: Le volume de recherches et les formulations employées donnent une mesure de l’ampleur de l’exploration, sans réduire la méthode à un simple compteur de requêtes.
URL retournées: Elles correspondent aux pages apparues dans les résultats des recherches de l’assistant. Leur présence ne signifie pas encore qu’elles ont été ouvertes ni que leur contenu a pesé dans la décision.
Domaines consultés: Leur présence dans les recherches et leur récurrence montrent quelles sources occupent une place structurante dans le parcours de l’assistant.
URL explorées: Parmi les résultats retournés, les pages effectivement ouvertes sont comptées séparément, en distinguant les pages uniques des lectures répétées. L’analyse indique ensuite si leur contenu a pu être extrait et réellement mobilisé dans la décision.

Les acteurs qui émergent réellement

La méthode identifie les acteurs que les assistants intègrent à la comparaison, ceux qu’ils écartent et ceux qui émergent seulement sur un axe précis. Elle peut ainsi faire apparaître des spécialistes, des acteurs locaux ou des concurrents indirects au-delà de la liste initialement connue.

Pour chaque acteur, la matière brute conserve ses occurrences dans les recherches et les options considérées, les preuves retrouvées axe par axe et son statut dans chaque réponse. Les acteurs les plus représentés sont ceux qui reviennent le plus régulièrement ; leur niveau de couverture et leur présence dans les recommandations ou les mentions restent directement vérifiables dans les observations.

Occurrences: Chaque apparition dans la découverte, une recherche ou une liste d’options est reliée à la session qui l’a produite.
Preuves par axe: Les informations trouvées, absentes ou inexploitées restent associées à l’acteur, à l’axe, à la source et à la page concernée.
Recommandations et mentions: Une recommandation exprime la préférence construite par l’assistant ; une mention signale une présence sans obtenir cette préférence.

Avant la mise en forme du bilan

Le résultat brut désigne ici des données extraites, rapprochées et reliées à leur provenance — pas un dump de conversations ou de raisonnements complets. Le chapitre suivant montrera comment cette matière devient une restitution cohérente et immédiatement exploitable.

Analyse

Sources

Le livrable qualifie chaque source selon son rôle observé, son autorité dans le contexte étudié et le degré auquel son contenu a réellement été exploité.

Classer la fonction observée, pas le site

La matière décrite au chapitre précédent devient d’abord une lecture fonctionnelle. Une source est classée d’après ce qu’elle a permis de faire dans une conversation donnée : faire émerger des acteurs ou documenter leur couverture sur un axe décisionnel. Ce rôle n’est pas une propriété définitive du domaine.

Une même source peut servir à découvrir des options dans une recherche, puis à vérifier une information lors d’une autre étape. Le classement reste donc relié à la requête, à la page et à l’usage observé, au lieu d’enfermer chaque site dans une catégorie théorique.

Sources de découverte: Elles font émerger les entreprises, produits ou services que l’assistant considère comme des options possibles dans le marché étudié.
Sources de couverture: Elles apportent les informations qui permettent de qualifier un acteur, de le comparer sur un axe et de soutenir ou non sa recommandation.

Qualifier une autorité toujours contextuelle

L’autorité complète cette lecture sans créer un troisième rôle de source. Elle décrit la légitimité d’une information dans un contexte précis. Une source reconnue n’obtient donc pas un poids absolu qui s’appliquerait à toutes les questions.

La qualification tient compte de la nature de la source, de sa pertinence pour l’axe étudié, du rôle joué par l’information et de la cohérence entre le domaine, la page et son contenu. Le bon niveau d’autorité dépend toujours de ce que l’assistant cherche à établir.

Information réglementaire: Un registre officiel peut constituer la référence la plus légitime pour vérifier un agrément ou une obligation.
Attente utilisateur: Des avis ou des échanges communautaires peuvent être plus pertinents pour identifier un irritant ou une préférence vécue.
Tendance récente: Un média spécialisé ou une source contemporaine peut mieux documenter une évolution récente du marché.

Suivre le chemin réel de l’information

La présence d’une URL dans un résultat de recherche ne suffit pas à en faire une source effective. Le livrable conserve cinq états successifs afin de distinguer la visibilité d’une page de son influence réelle sur la comparaison.

Trouvée
L’URL apparaît dans les résultats consultés par l’assistant. Elle est repérable, mais son contenu n’a pas encore été lu.
Ouverte
L’assistant choisit d’explorer la page. Cette ouverture ne garantit pas qu’une information exploitable puisse en être récupérée.
Extraite
Le système parvient à récupérer un contenu utile malgré les éventuels blocages, formats complexes ou informations enfouies.
Contextualisée
L’information extraite est reliée à l’acteur, à l’axe décisionnel et à l’étape du raisonnement dans laquelle elle intervient.
Utilisée
L’information contribue effectivement à qualifier une option, à la comparer ou à justifier la préférence formulée.

Consolider les sources qui structurent réellement l’axe

Pour chaque axe décisionnel, les agents explorent généralement entre 8 et 20 sources de couverture. Le livrable en retient les cinq plus récurrentes. Cette consolidation ne signifie pas qu’il n’existe que cinq sources : elle isole celles qui structurent le plus régulièrement l’évaluation.

Une URL trouvée n’est ainsi jamais confondue avec une preuve utilisée. Les étapes intermédiaires restent lisibles afin d’expliquer à quel endroit une information devient exploitable ou, au contraire, cesse de l’être.

Axes

Les formulations issues des conversations sont rapprochées lorsqu’elles expriment une même idée, puis consolidées sans perdre les occurrences, les acteurs et les preuves qui les rendent explicables.

Partir de ce que les conversations font réellement émerger

Deux conversations peuvent exprimer la même logique de choix avec des mots différents. Avant toute consolidation, le livrable distingue l’origine dominante de chaque signal afin de préserver ce qu’il révèle du marché, des utilisateurs ou des exigences de comparaison.

Attentes, tendances et critères ne forment pas trois grilles décidées à l’avance. Ce sont les matières observées qui, une fois rapprochées, permettent de formuler les axes décisionnels propres au contexte étudié.

Attentes: Elles viennent notamment des avis, des retours d’expérience, des irritants et des préférences exprimées par les utilisateurs.
Tendances: Elles reflètent les évolutions récentes du marché, de la réglementation, des pratiques ou des sujets traités par les sources contemporaines.
Critères: Ils regroupent les standards, exigences et conditions de choix issus des connaissances consolidées, des standards sectoriels et des sources d’autorité pertinentes.

Transformer des formulations variables en axes stables

Le rapprochement porte sur le sens décisionnel, pas sur la seule ressemblance des mots. Il réunit les formulations qui décrivent une même attente, une même exigence ou un même mouvement du marché, tout en conservant leur provenance.

Reconnaître l’idée commune
Les formulations équivalentes sont rapprochées même lorsque le vocabulaire, le niveau de précision ou le point de vue diffèrent.
Vérifier la récurrence
Le signal est relu à travers des conversations comparables pour distinguer une occurrence isolée d’une constante décisionnelle du marché.
Consolider l’axe
Une formulation stable rassemble l’idée sans effacer les variantes, les contextes et les sources qui ont permis de la construire.

Conserver ce qui permet d’expliquer chaque axe

Un axe ne devient jamais un simple thème. Il reste relié aux éléments qui permettent de comprendre son importance et de vérifier sa couverture.

Occurrences: Les formulations d’origine, leurs sessions et les étapes où elles apparaissent permettent de mesurer la récurrence sans perdre le contexte.
Acteurs concernés: Chaque axe indique les options auxquelles l’assistant l’a associé et celles qu’il a effectivement comparées sur cette dimension.
Preuves: Les sources, les pages et les informations trouvées, absentes ou inutilisables montrent ce qui soutient ou limite la couverture de chaque acteur.

Distinguer trois problèmes avant de prescrire

Un axe non couvert constitue un constat, pas encore une conclusion. Il faut confronter les preuves observées à la réalité de l’offre avant de décider si l’action relève du produit, de la formulation ou de la visibilité de l’information.

Problème d’offre: La capacité ou la fonctionnalité attendue n’existe pas réellement. L’écart peut alors relever d’une décision produit ou de positionnement.
Problème de compréhension: L’offre existe, mais sa formulation est ambiguë, dispersée ou insuffisamment associée à l’axe pour être comprise correctement.
Problème de visibilité de l’information: Une preuve existe, mais elle n’est pas trouvée, extraite, contextualisée ou rendue assez exploitable pour soutenir la comparaison.

Cette traçabilité permet de relier chaque priorité à une cause vérifiable, sans transformer une absence de couverture en diagnostic automatique.

Concurrence

Le benchmark se construit à partir des acteurs réellement apparus dans les recherches, les options considérées et les réponses, puis explique leur position axe par axe.

Laisser le marché observé définir les acteurs

Le ciblage fixe une situation concurrentielle, mais le benchmark ne commence pas par un tableau fermé de concurrents à retrouver. Sa population se stabilise à partir des acteurs que les sources de découverte, les recherches et les recommandations font effectivement entrer dans la comparaison.

Les concurrents déjà connus peuvent naturellement y apparaître, sans être privilégiés par construction. Cette ouverture révèle aussi des spécialistes, des acteurs locaux, des offres de niche, des concurrents indirects ou de nouveaux entrants associés à un axe, une source ou une preuve particulière.

Quatre lectures à ne pas confondre

Présence observée: L’acteur apparaît dans les recherches, les sources, le raisonnement ou les options considérées. Il s’agit d’une dimension agrégée, pas d’un statut de réponse final.
Mention: L’acteur figure dans la réponse comme option possible, sans obtenir la préférence construite par l’assistant.
Recommandation: L’acteur est orienté comme le choix pertinent ou préféré dans le contexte de décision observé.
Absence: L’acteur n’est pas pris en compte dans la réponse ou la comparaison observée. Cette absence reste limitée au périmètre et aux conversations du bilan.

Comparer la couverture, axe par axe

Une mesure globale de présence ne suffit pas à expliquer un positionnement. Pour chaque axe, le benchmark vérifie les informations disponibles pour chaque acteur et conserve les sources, les pages et les preuves qui ont permis cette lecture.

Un acteur peu présent à l’échelle du marché peut être solidement associé à un critère précis. À l’inverse, un acteur fréquent peut manquer de preuves sur certains axes. La position devient alors explicite : comment l’acteur a été découvert, sur quels sujets il a été qualifié et ce qui a conduit à sa mention, sa recommandation ou son absence.

Couverture établie: Des informations exploitables relient clairement l’acteur à l’axe dans les sources consultées.
Couverture partielle: Certaines informations existent, mais elles restent incomplètes, ambiguës ou insuffisantes pour soutenir pleinement la comparaison.
Couverture non établie: Aucune preuve suffisamment exploitable n’a été obtenue dans les sources observées. Cela ne prouve pas, à lui seul, que l’offre correspondante n’existe pas.

Lire les écarts sans surinterpréter

Absence récurrente: Elle oriente l’analyse vers un problème de découverte, de couverture ou une combinaison des deux.
Mentions sans préférence: Elles indiquent que l’acteur est visible, mais que les axes, sources ou preuves observés soutiennent encore insuffisamment sa recommandation.
Force ciblée: Elle montre qu’un acteur peut capter la préférence sur un axe précis sans dominer la lecture globale du marché.

Le benchmark n’est donc pas un classement concurrentiel prédéterminé. Il restitue une carte traçable des acteurs et des raisons observées de leur positionnement.