Organic Inference™

Comprendre pourquoi une IA recommande une marque

Nos recherches ont mis au jour le schéma récurrent : les assistants IA précisent un besoin, recherchent des options et les comparent avant de recommander une marque, un produit ou un service.

Avec Organic Inference™, nous reproduisons les situations de choix d'un marché et obtenons des réponses directement structurées. Elles permettent d'analyser les critères mobilisés, les sources consultées et la façon dont les options sont comparées. C'est sur cette technologie que reposent les intégrations des meilleures agences GEO en 2026.

Explorer le modèle
Des flux bidirectionnels relient ChatGPT, Gemini et Claude à Maple Labs.

Fondements

Étude

Avant de chercher à expliquer pourquoi une marque est recommandée, nous avons étudié le chemin qui mène à la réponse d'un assistant IA.

Quatre questions à l'origine de notre recherche

Plusieurs années de recherche et développement ont été consacrées à ce travail. L'étude a d'abord interrogé la régularité des étapes observées, puis examiné ce qui les organise et les conditions dans lesquelles elles se répètent.

  1. Les étapes visibles du raisonnement suivent-elles un schéma stable ou changent-elles sans régularité ?

  2. Comment l'assistant définit-il le travail à accomplir et planifie-t-il ses étapes ?

  3. Le rôle de chaque étape vient-il de l'entraînement du modèle ou des instructions système qui encadrent son fonctionnement ?

  4. Dans quelles conditions retrouve-t-on un enchaînement assez régulier pour en faire une procédure reproductible ?

Comparer de nombreuses conversations

Pour cette étude, nous avons conçu un agent Analyste spécialisé dans la lecture des étapes accessibles du raisonnement. Plusieurs instances du même agent ont observé des conversations indépendantes avec ChatGPT, Claude et Gemini, en appliquant un protocole commun.

Sur de grands volumes de conversations, l'Analyste a relevé la planification du travail, les recherches, les sources, les acteurs examinés, les preuves et les arbitrages. Ces informations ont été organisées dans un même cadre, puis regroupées selon leur rôle dans la construction de la réponse. Nous pouvions ainsi comparer les séquences et repérer celles qui revenaient selon le type de demande.

Ce que les échanges permettent d'observer

L'analyse porte sur les éléments accessibles dans la fenêtre de contexte, c'est-à-dire les informations disponibles au cours de l'échange. Nous examinons comment l'assistant définit et planifie son travail, les outils et recherches web qu'il utilise, les pages qu'il consulte et les informations qu'il retient pour comparer les options.

Résultats

La nature de la demande change le travail attendu de l'assistant. Nous avons distingué quatre grandes familles dans les conversations étudiées.

Quatre façons de solliciter un assistant

Produire un contenu libre
L'utilisateur fournit peu de contexte et laisse au modèle une grande latitude pour construire le texte demandé.
Produire un contenu dirigé
Le texte attendu s'appuie sur un contexte riche, des contraintes explicites et des attentes déjà bien définies.
Rechercher des connaissances générales
L'assistant répond à des questions sur des sujets variés, sans décision commerciale explicite.
Recommander des produits, des services ou des acteurs
L'assistant identifie et compare des options à partir d'un besoin, que celui-ci soit précis, incomplet ou encore très abstrait.

La recommandation suit le schéma le plus régulier

Les demandes de recommandation changent de formulation, de sources et d'options. Pourtant, dans notre corpus, le rôle des étapes et leur enchaînement varient moins que dans les trois autres familles. Cette régularité nous a permis de décrire un modèle de recommandation en six phases.

Les six phases de la recommandation

Ces phases décrivent le travail de l'assistant interrogé. Elles forment un modèle d'analyse des conversations, dont le déroulement peut varier selon la demande et les outils disponibles.

  1. Clarifier les attentes

    L'assistant reprend le besoin exprimé par l'utilisateur. Si des éléments manquent, il peut ajouter des critères qu'il juge pertinents à partir des connaissances acquises pendant son entraînement. Face à une demande très large, il peut même définir une première grille de choix.

  2. Compléter le besoin par les attentes et tendances du marché

    Les instructions de l'assistant l'orientent vers une réponse pertinente, ce qui peut l'amener à élargir le contexte de départ. Les avis et les échanges communautaires éclairent les attentes vécues, tandis que les médias et les sources récentes font ressortir les évolutions du marché à prendre en compte.

  3. Organiser les dimensions de comparaison

    Les attentes exprimées, les critères ajoutés et les tendances repérées structurent l'évaluation des options. Ces dimensions de choix forment ce que nous appelons les axes décisionnels, déduits des éléments visibles de l'échange.

  4. Découvrir les options pertinentes

    L'assistant explore des sources qui font émerger des entreprises, des produits ou des services cohérents avec ces axes. Ces sources de découverte lui permettent de constituer une première liste d'options à examiner.

  5. Vérifier les informations sur chaque option

    Des recherches ciblées permettent ensuite de documenter chaque acteur, axe par axe. Les sources de couverture apportent les informations et les preuves dont l'assistant se sert pour qualifier les options découvertes.

  6. Comparer et recommander

    L'assistant confronte les options à partir des informations obtenues. Il présente explicitement celles qu'il juge adaptées ou préférables au besoin. Plusieurs peuvent être recommandées lorsqu'elles lui paraissent proches, tandis que d'autres sont simplement citées comme alternatives.

Une mention ne vaut pas une recommandation

Une marque est mentionnée lorsqu'elle apparaît dans la réponse. Elle est recommandée lorsque l'assistant la présente explicitement comme une option adaptée ou préférable dans le contexte de la demande. C'est cette orientation qui compte, pas sa seule place dans une liste.

Une réponse peut ainsi citer plusieurs marques, puis en privilégier une pour le besoin formulé. La distinction permet de lire ce que l'assistant conseille, au-delà des noms qu'il cite.

Portée

La méthode s'appuie sur des fonctions de comparaison récurrentes entre assistants. Leurs recherches, leurs sources et leurs réponses restent variables.

Une logique commune, plusieurs façons de l'exécuter

Nous avons retrouvé cette organisation chez tous les assistants étudiés lorsqu'ils recherchent sur le Web pour qualifier et comparer des produits, des services ou des acteurs. Les requêtes et les résultats changent, mais les fonctions reviennent assez régulièrement pour être analysées avec une méthode commune.

Une contrainte explicite peut imposer une source ou modifier l'ordre de consultation. Elle change le parcours suivi, tout en laissant reconnaissable la logique qui relie la clarification du besoin, la recherche d'informations, l'évaluation des options et la recommandation.

Entraînement, recherche et contexte jouent des rôles différents

Le Web peut intervenir lors de la préparation d'un modèle comme pendant une conversation. Ces moments correspondent à des mécanismes distincts.

  • L'entraînement construit le socle de connaissances du modèle à partir de jeux de données sélectionnés.

  • L'ajustement oriente certains comportements et formats de réponse.

  • La recherche web récupère des informations au cours d'une interaction, lorsque l'assistant dispose de cet outil.

  • La fenêtre de contexte rassemble les informations qu'il peut mobiliser dans l'échange en cours.

  • Le cache, selon l'architecture, peut réutiliser un résultat déjà calculé.

Une page consultée pendant une recherche renseigne donc sur cette interaction. Sa consultation ne révèle pas si elle figurait dans les données d'entraînement.

Pourquoi certaines familles de sources reviennent

Chez Maple Labs, nous retenons ce repère : plus de 70% des jeux de données d'entraînement sont constitués de contenus collectés automatiquement sur le Web. La composition exacte des corpus propriétaires reste partiellement connue, et ce chiffre ne décrit pas chaque modèle.

Dans les conversations étudiées, les assistants reviennent régulièrement vers les mêmes familles de sources : médias, plateformes communautaires, comparateurs, annuaires et documentations. Des besoins voisins de qualité, de structure et de fraîcheur de l'information peuvent expliquer cette convergence, sans conduire aux mêmes pages ni aux mêmes réponses.

Une forte présence dans l'entraînement pourrait aussi rendre une source plus familière à un modèle. De même, des contenus riches, lisibles techniquement et faciles à filtrer pourraient être plus simples à sélectionner pour préparer les modèles présents et futurs. Ces pistes restent des hypothèses sur l'entraînement, distinctes de l'utilisation d'une source que nous observons pendant une recherche.

Trois assistants au coeur de l'étude

Nous concentrons nos 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.

Les divergences susceptibles de changer les enseignements stratégiques sont intégrées au protocole. Nous pouvons ainsi comparer les assistants sur une base commune tout en tenant compte de ce qui change l'interprétation de leurs réponses.

  • ChatGPT
  • Claude
  • Gemini

Méthodologie

Cadrage

Pour comprendre comment les assistants comparent des offres, il faut d'abord définir la situation dans laquelle un prospect pourrait les solliciter.

Partir d'une situation de choix

Le contexte de marché réunit des produits ou services comparables, disponibles sur un même terrain commercial et répondant à un besoin commun. C'est dans ce cadre qu'un prospect demande à un assistant de chercher des options, de les comparer ou de lui en recommander une.

Ce contexte ne se confond ni avec l'entreprise entière ni avec une liste de mots-clés. Une entreprise peut vendre des offres qui répondent à des besoins différents, sur plusieurs territoires. Si ces différences changent les critères de choix, les sources consultées ou les acteurs en concurrence, elles justifient des contextes distincts. Les étudier séparément évite de mélanger leurs résultats dans une moyenne peu éclairante.

Trois repères pour délimiter le marché

Secteur
Il situe l'offre parmi les options auxquelles un prospect peut la comparer. Le secteur doit être assez précis pour faire émerger des acteurs pertinents, tout en laissant une place aux alternatives crédibles.
Périmètre commercial
Il définit où et par quels canaux l'offre est disponible : pays, région, ville, Web, réseau physique ou canal particulier. Un bilan local ne se transpose pas automatiquement à l'échelle nationale, où les concurrents, les sources et les recherches peuvent changer.
Produits ou services
Ils sont décrits comme des catégories d'offres qui répondent au même besoin, plutôt que par un nom de marque ou un catalogue entier. Leur comparaison doit faire intervenir des attentes, des critères, des acteurs et des sources suffisamment proches pour appartenir au même contexte.

Trouver le bon degré de précision

Nous vérifions d'abord que les offres sont disponibles dans le périmètre retenu. Un usage, un public ou un budget peut ensuite préciser le cadre, si cette contrainte correspond à une situation réaliste et change le choix du prospect.

Un contexte trop large mélange des offres qui ne se comparent pas. Trop étroit, il écarte des alternatives et des critères que l'assistant aurait pu considérer. Un budget, par exemple, peut rendre la comparaison plus pertinente, mais il répond à une autre question qu'une recherche ouverte à tous les prix. Le cadrage doit permettre de comparer les conversations sans décider à l'avance de leurs résultats.

Un cadre commun, des comportements variés

Ce contexte sert à configurer les agents Replica qui jouent le rôle de prospects. Ils partagent les mêmes limites commerciales, mais peuvent exprimer des besoins différents, connaître plus ou moins bien le sujet ou préciser progressivement leurs attentes. Le marché reste ouvert à plusieurs profils et scénarios de recherche. Nous laissons les acteurs et les sources émerger des échanges, sans présélectionner les entreprises ou les sites à retrouver.

Protocole

Organic Inference™ organise les échanges entre un agent Replica et un assistant IA, qu'un agent Analyste observe au fil de la conversation. Le Replica joue une situation de recherche plausible, tandis que le protocole rend les réponses exploitables pour l'analyse.

Des réponses structurées dès leur production

Le Replica exprime un besoin, précise des contraintes et fait progresser la recherche comme le ferait un prospect. Les échanges comportent aussi des instructions techniques qui conduisent l'assistant à produire directement ses réponses dans un format de données structurées.

Les réponses fournissent des informations organisées en éléments distincts que l'analyse peut rapprocher, comme les critères mobilisés, les sources explorées, les preuves obtenues et les options comparées. Ce dispositif permet d'obtenir des informations normalement inaccessibles dans une réponse en langage naturel. Il donne accès aux éléments à examiner pour comprendre la préférence exprimée par l'assistant.

Le réalisme porte donc sur le besoin et le comportement du prospect. Le format des réponses, lui, est conçu pour l'analyse dès l'échange, avant leur consolidation.

Trois rôles complémentaires

L'agent Replica porte la demande
Il reproduit un comportement plausible, avec ses besoins, ses hésitations et ses contraintes. Chaque Replica possède sa propre session, son scénario et son contexte de conversation, qui rassemble les informations disponibles au fil de l'échange.
L'assistant IA explore les options
ChatGPT, Claude ou Gemini interprète la demande, la clarifie si nécessaire et construit sa recommandation. Lorsque ses outils le permettent, il recherche sur le Web et consulte des pages. Ce sont ses propres recherches et usages des sources que la méthode étudie.
L'agent Analyste observe et extrait les éléments utiles
Issu de nos premières études et amélioré depuis, il reconnaît les six phases du modèle de recommandation présenté plus haut. Il applique le protocole d'extraction au fil de la conversation, sans prendre part au dialogue.

Un même regard sur des conversations indépendantes

L'Analyste relève les éléments disponibles dans l'échange et les associe à la phase où ils apparaissent. Il n'envoie pas d'instructions à l'assistant interrogé. Les instructions techniques et le format des réponses relèvent du protocole qui encadre l'échange avec le Replica.

Plusieurs instances d'un même type d'Analyste peuvent suivre en parallèle des sessions indépendantes. Elles appliquent toutes les mêmes règles d'extraction, ce qui permet de rapprocher leurs observations.

Explorer le marché, puis approfondir ce qui ressort

Les premières conversations font émerger les acteurs, les sources et les dimensions de comparaison du marché. Des conversations ciblées peuvent ensuite approfondir un axe en le rendant explicite dans la demande. Elles montrent quels acteurs ressortent sur ce critère, lesquels sont mentionnés et lesquels obtiennent la préférence de l'assistant.

Cette progression part de ce que les échanges ont fait apparaître. Elle permet de vérifier si un signal revient dans des conversations comparables et s'il reste pertinent lorsque la recherche se précise.

Données

Les réponses structurées et les éléments observables des échanges permettent de suivre la recherche : ce qui a été demandé, les critères retenus, les informations obtenues et les options envisagées. Leur rapprochement fait apparaître ce qui revient d'une conversation à l'autre.

Garder le lien entre une observation et son origine

Pour chaque session, l'analyse rassemble l'intention exprimée, les axes de comparaison, les requêtes et outils exposés, les domaines rencontrés et les pages ouvertes. Elle relève aussi les informations utilisées, les options considérées ou écartées et l'issue de la comparaison, à partir des éléments disponibles dans l'échange.

Les réponses sont déjà structurées lorsqu'elles sont produites. Le travail de consolidation rapproche ensuite ces données et les autres observations, notamment lorsque plusieurs formulations expriment une même idée. Leur récurrence peut alors être mesurée entre des conversations comparables.

En interne, les liens avec les sessions, recherches, sources et étapes d'origine permettent de revenir sur une observation et de vérifier son interprétation. Cette provenance soutient l'analyse sans se confondre avec l'ensemble des résultats présentés dans Oracle.

Les éléments qui orientent la comparaison

Trois ensembles de données décrivent les dimensions de comparaison et les sources explorées.

Axes décisionnels
L'analyse relève les critères, attentes et tendances exprimés dans chaque session. Leur origine, leur moment d'apparition et leurs occurrences servent à dégager les dimensions sur lesquelles les options sont comparées.
Sources de découverte
Les domaines et les pages qui font émerger des entreprises, produits ou services sont associés aux recherches où ils apparaissent et à la fréquence de leurs apparitions.
Sources de couverture
Les pages sont relevées lorsque l'assistant y cherche de quoi qualifier un acteur sur un axe, qu'il y trouve ou non l'information recherchée. Découverte et couverture décrivent l'usage d'une source dans l'échange. Un même site peut remplir les deux rôles.

Les chemins de recherche de l'assistant

L'ordre des requêtes, leurs variantes, les outils utilisés, les domaines rencontrés et les pages revisitées montrent comment l'assistant explore le marché. Une recherche générale peut faire apparaître plusieurs options, puis laisser place à des vérifications sur un acteur, une preuve ou un critère précis.

Lorsque ces chemins reviennent entre les sessions, ils renseignent sur les habitudes de recherche de l'assistant étudié. Ils aident à repérer les familles de sources qu'il consulte et le moment où une page lui apporte une information utile. Quatre mesures permettent de décrire cette exploration sans confondre ses étapes.

Recherches observées
Leur volume et leurs formulations indiquent l'ampleur de l'exploration et les questions posées au cours du parcours.
URL retournées
Ce sont les adresses des pages apparues dans les résultats de recherche. Une page peut y figurer sans être ouverte ni contribuer à la comparaison.
Domaines rencontrés et consultés
L'analyse distingue les sites apparus dans les résultats de ceux dont une page a été ouverte. Leur récurrence permet de repérer les sources qui reviennent dans l'exploration.
Pages explorées
Les pages ouvertes sont comptées séparément des résultats retournés, en distinguant les pages uniques des lectures répétées. L'analyse suit ensuite ce qui a pu être extrait de leur contenu et utilisé dans la comparaison.

Ces volumes décrivent le travail de recherche observé. Pour comprendre ce qui a compté dans le choix, il faut aussi examiner l'usage des informations obtenues.

Les acteurs et les éléments associés à leur présence

La méthode identifie les acteurs intégrés à la comparaison, ceux qui sont écartés et ceux qui émergent seulement sur un axe. Elle peut faire apparaître des spécialistes, des acteurs locaux ou des concurrents indirects au-delà des entreprises déjà connues.

Pour chacun, les données rapprochent trois types de signaux.

Occurrences
Chaque apparition dans une recherche, une source de découverte ou une liste d'options est reliée à sa session. Les acteurs les plus représentés sont ceux qui reviennent le plus régulièrement dans les observations.
Preuves par axe
Les informations trouvées, non retrouvées ou non exploitées restent associées à l'acteur, à la dimension de comparaison et à la page concernée. Ces liens permettent de vérifier ce qui documente chaque offre.
Recommandations et mentions
Le statut est relevé dans chaque réponse. Une recommandation présente explicitement l'acteur comme une option adaptée ou préférable dans le contexte de la demande. Une mention le fait apparaître sans lui accorder cette préférence.

Des données au bilan

Oracle restitue les résultats sous forme structurée, avec les sources et comparaisons exposées dans l'interface. Le bilan s'appuie sur les réponses produites, les observations associées et leur consolidation, plutôt que sur un historique de réponses rédigées comme dans une conversation classique. L'analyse donne ensuite leur sens aux écarts entre les sources, les axes et les acteurs.

Analyse

Sources

Une source peut faire découvrir une entreprise, préciser ce qu'elle propose ou fournir une preuve qui compte dans la comparaison. Nous examinons son rôle, sa pertinence et l'usage de son contenu dans les échanges étudiés.

Ce que chaque source apporte

Le rôle d'une source dépend de la question posée et de l'information que l'assistant y trouve.

Sources de découverte
Elles font apparaître les entreprises, produits ou services que l'assistant envisage comme des options possibles.
Sources de couverture
Elles apportent les informations nécessaires pour évaluer ces options sur les critères de choix du marché.

Un même site peut remplir les deux fonctions. Un comparatif peut faire découvrir une entreprise, puis documenter l'une de ses caractéristiques. L'analyse relie donc le rôle à la page consultée et à son utilisation dans la conversation.

Une autorité qui dépend de la question

La valeur d'une source tient à ce qu'elle permet d'établir. Nous examinons sa nature, sa pertinence pour le sujet et la cohérence entre le site, la page et l'information retenue.

Pour vérifier une obligation ou un agrément
un registre officiel peut être la référence la plus légitime.
Pour comprendre une attente d'utilisateur
des avis ou des échanges communautaires peuvent apporter les retours les plus utiles.
Pour suivre une évolution récente du marché
un média spécialisé peut fournir l'information la plus pertinente.

L'autorité qualifie ainsi la légitimité de l'information, tandis que la découverte et la couverture décrivent son rôle dans la recherche.

De la page trouvée à l'information utilisée

Une page peut apparaître dans une recherche sans que son contenu entre dans la comparaison. Nous suivons cinq états pour comprendre jusqu'où l'assistant a pu exploiter l'information.

  1. Trouvée

    L'URL apparaît dans les résultats de recherche. Le contenu de la page n'a pas encore été lu.

  2. Ouverte

    L'assistant choisit de consulter la page.

  3. Extraite

    Un contenu utile est récupéré. Les blocages techniques, les formats complexes ou les informations difficiles à atteindre peuvent empêcher cette récupération.

  4. Contextualisée

    L'information est reliée à une entreprise, à un critère de choix et à l'étape de la comparaison où elle intervient.

  5. Utilisée

    Elle sert à évaluer une option, à la comparer ou à justifier la préférence exprimée.

Ce parcours permet de situer un obstacle : la page est-elle difficile à trouver, son contenu inaccessible ou la preuve trop peu explicite pour être utilisée ?

Les sources qui reviennent le plus souvent

Pour chaque axe décisionnel, les agents explorent généralement entre 8 et 20 sources de couverture. Le bilan retient les cinq plus récurrentes afin de faire ressortir celles qui structurent régulièrement l'évaluation.

Axes

Les utilisateurs expriment parfois la même attente avec des mots très différents. Nous rapprochons ces formulations pour faire apparaître les dimensions sur lesquelles les assistants comparent les offres : les axes décisionnels.

D'où viennent les axes ?

Les conversations font émerger trois grandes familles d'informations.

Attentes
Elles viennent des avis, des retours d'expérience, des difficultés rencontrées et des préférences des utilisateurs.
Tendances
Elles traduisent les évolutions du marché, de la réglementation, des pratiques ou des sujets traités dans les sources récentes.
Critères
Ils regroupent les exigences, les standards et les conditions de choix issus des connaissances du modèle et des sources de référence.

Ces familles permettent de comprendre l'origine des signaux recueillis. Les axes se construisent ensuite à partir de ce qui revient dans les conversations du marché étudié.

Passer des formulations aux dimensions de comparaison

Le rapprochement porte sur l'idée exprimée. Deux formulations peuvent servir la même décision malgré un vocabulaire ou un niveau de précision différent.

  1. Reconnaître l'idée commune

    Nous réunissons les formulations qui expriment une même attente, une même exigence ou une même évolution.

  2. Vérifier sa récurrence

    Nous examinons les conversations comparables pour distinguer une apparition isolée d'une dimension qui revient régulièrement.

  3. Formuler l'axe

    Une formulation commune rassemble cette dimension, en conservant les variantes et les contextes qui lui donnent son sens.

Ce qui permet de comprendre un axe

L'analyse relie chaque axe aux éléments qui expliquent son importance et la situation des entreprises.

Les occurrences
Les formulations d'origine et les conversations où elles apparaissent permettent d'examiner la récurrence.
Les acteurs concernés
Nous identifions les offres associées à l'axe et celles que l'assistant a comparées sur cette dimension.
Les preuves
Les sources, les pages et les informations obtenues montrent ce qui soutient l'évaluation, mais aussi ce qui manque ou reste difficile à exploiter.

Identifier la cause avant de choisir l'action

Lorsqu'une entreprise répond mal à une attente dans les résultats observés, nous confrontons les informations recueillies à la réalité de son offre. Cette analyse permet de distinguer trois types de problèmes.

L'offre
La capacité attendue n'existe pas ou répond imparfaitement au besoin. Le travail peut concerner le produit, les conditions du service ou le positionnement.
La compréhension
L'offre existe, mais son explication reste ambiguë, dispersée, incomplète ou mal associée à l'entreprise et au critère étudié. Des informations contradictoires, périmées ou insuffisamment étayées peuvent aussi gêner son évaluation.
La visibilité de l'information
Une preuve existe, mais l'assistant ne la trouve pas, ne parvient pas à en récupérer le contenu ou ne peut pas l'utiliser dans la comparaison.

Les observations, vérifiées avec les équipes concernées, permettent de choisir le travail utile sur l'offre, son explication ou l'accès à ses preuves.

Concurrence

Les assistants peuvent faire apparaître des concurrents que la marque ne surveille pas encore. Le benchmark part de ces acteurs pour comprendre leur place dans les recherches et les recommandations, puis les comparer axe par axe.

Les acteurs qui entrent dans la comparaison

Le cadrage définit la situation commerciale à étudier. Les sources de découverte, les recherches et les réponses font ensuite émerger les entreprises qui participent à la comparaison.

Les concurrents connus peuvent y côtoyer des spécialistes, des acteurs locaux, des offres de niche, des concurrents indirects ou de nouveaux entrants. Certains reviennent dans de nombreuses conversations. D'autres apparaissent surtout lorsqu'un critère précis devient important.

Lire la présence et les réponses

La présence observée regroupe les apparitions d'un acteur dans les recherches, les sources ou les options envisagées. Pour lire l'issue de la comparaison, nous distinguons ensuite trois situations.

Mention
L'acteur figure parmi les options possibles, sans recevoir la préférence de l'assistant.
Recommandation
L'assistant le présente explicitement comme un choix adapté ou préférable dans le contexte de la demande.
Absence
L'acteur n'est pas pris en compte dans la réponse ou la comparaison étudiée.

Ces situations se lisent dans les conversations du bilan. Une entreprise peut être recommandée pour un besoin et absente d'une autre comparaison.

Comparer les preuves, axe par axe

Une présence fréquente ne suffit pas à expliquer les avantages d'une entreprise. Pour chaque axe, nous examinons les informations obtenues sur chaque acteur et les sources qui les étayent.

Un spécialiste peu présent dans l'ensemble des conversations peut disposer de preuves solides sur un critère précis. À l'inverse, une entreprise souvent citée peut être moins bien documentée sur certains sujets.

La lecture des preuves distingue trois situations de couverture.

Couverture établie
Des informations exploitables relient clairement l'acteur à l'axe dans les sources consultées.
Couverture partielle
Les informations restent incomplètes, ambiguës ou trop limitées pour soutenir pleinement la comparaison.
Couverture non établie
Les recherches n'ont pas fourni de preuve suffisamment exploitable sur cet axe. La réalité de l'offre reste alors à vérifier.

Cette lecture permet de comprendre comment l'acteur a été découvert, sur quels critères il a été évalué et quels éléments accompagnent sa mention, sa recommandation ou son absence.

Comprendre les écarts

Une absence récurrente
conduit à examiner la découverte de l'acteur et les informations disponibles pour le qualifier.
Des mentions sans préférence
montrent que l'entreprise entre dans la comparaison. L'examen de ses preuves, de son offre et de celles des concurrents aide ensuite à comprendre pourquoi elle ne reçoit pas la préférence de l'assistant.
Une force sur un axe précis
révèle un domaine dans lequel l'entreprise obtient la préférence, même si elle ressort moins souvent dans l'ensemble du marché.

Le benchmark relie ainsi la position de chaque acteur aux éléments observés dans les conversations. Les équipes disposent d'une base concrète pour examiner leurs écarts face aux concurrents.

Des résultats pour éclairer votre stratégie

Organic Inference™ produit les données qui permettent d'analyser les recommandations des assistants. Dans Oracle, notre bilan stratégique de présence IA, vous explorez les résultats de votre marché, comparez les acteurs et identifiez les sujets à travailler.

Voir Organic Inference à l'oeuvre dans Oracle