Réponse directe
mAIr (Metrics of AI Responses) est une discipline de mesure de ce que les intelligences artificielles disent d'une marque et d'un marché. Contrairement à la plupart des outils de visibilité IA, mAIr ne vend pas d'optimisation et ne « juge » jamais avec une IA : il répète chaque mesure, la calcule mécaniquement, l'affiche avec une marge d'incertitude, puis la date et la scelle cryptographiquement. Là où beaucoup d'outils livrent un score le jour où vous regardez, mAIr livre une mesure reproductible et opposable.
Le problème
Tapez « outil de visibilité IA » et vous tombez sur une trentaine de plateformes. Toutes vous promettent la même chose : un joli score sur 100, un tableau de bord, des concurrents, des recommandations d'actions. Toutes vous disent que vous êtes plus ou moins visibles dans ChatGPT.
Une question, une seule : ce score, il a été mesuré combien de fois ?
Dans la plupart des cas, la réponse est : une. Une interrogation, un jour donné, transformée en chiffre rond. Sauf qu'une IA ne répond pas deux fois pareil. Reposez-lui la même question demain, ou même cet après-midi, et le score bouge. Ce qu'on vous vend comme une mesure est en réalité une photo prise dans le noir : on voit quelque chose, on ne sait pas quoi.
Et il y a pire. La plupart de ces outils sont à la fois ceux qui mesurent votre visibilité et ceux qui vous vendent les prestations pour l'améliorer. Le thermomètre et la facture dans la même main.
L'idée à comprendre
Pour comprendre ce qui distingue mAIr, il faut distinguer trois choses que le marché mélange.
Premièrement, mesurer n'est pas optimiser. Optimiser sa visibilité dans les IA — le GEO — c'est agir : travailler son contenu, sa présence, pour être mieux cité. Mesurer, c'est constater ce que les IA répondent, sans rien changer. Deux métiers. mAIr fait le second, uniquement.
Deuxièmement, une mesure unique n'est pas une mesure. Parce que les modèles sont probabilistes, une réponse isolée ne dit rien de fiable. Il faut répéter — interroger plusieurs fois la même chose — et regarder la dispersion des résultats. C'est ce qui transforme une impression en donnée. mAIr mesure en n=20 et affiche un intervalle de confiance.
Troisièmement, un score calculé par une IA n'est pas une mesure neutre. Si vous demandez à une IA de noter la visibilité d'une marque, vous empilez une couche d'approximation sur une autre. Dans mAIr, l'IA ne calcule jamais. Elle produit les réponses qu'on mesure — et c'est tout. Tout le scoring (présence, rang, part de voix, stabilité) est calculé mécaniquement, en code, de façon reproductible.
Ces trois principes ne sont pas des détails techniques. Ce sont les conditions pour qu'une mesure mérite son nom.
Ce qu'on entend partout
« Notre score de visibilité IA est calculé sur des millions de prompts. » Impressionnant. Mais votre marque, sur vos requêtes, a été mesurée combien de fois ? Le volume global de la base ne remplace pas la répétition sur votre cas précis.
« On mesure ET on vous accompagne pour progresser. » C'est exactement le problème. Quand celui qui mesure encaisse l'optimisation, le diagnostic n'est plus indépendant. On ne demande pas à l'auditeur de tenir les comptes qu'il certifie.
« Vous avez un dashboard en temps réel. » Le temps réel sans répétition, c'est du temps réel flou. Une donnée qui change à chaque rafraîchissement sans marge d'incertitude affichée n'aide pas à décider — elle donne l'illusion de la précision.
Ma position de fond, la même depuis le départ : pas de confiance en l'IA, ni dans le vendeur, mais seulement dans les faits. Un score n'est un fait que s'il est répété, calculé mécaniquement, daté, et qu'on peut le ressortir tel quel en cas de litige.
Ma vision : la mesure comme instrument, pas comme argument de vente
À partir d'ici, le registre change : on décrit l'instrument. Sobrement.
Une mesure de visibilité IA crédible repose sur quatre exigences :
- Répétition : chaque requête est posée plusieurs fois (n=20 en production), la dispersion devient un intervalle de confiance affiché.
- Calcul mécanique : présence, rang, part de voix, stabilité, concurrents cités sont calculés en code. L'IA ne note rien.
- Datation et scellement : chaque rapport est horodaté et signé (HMAC-SHA256), donc vérifiable et opposable plus tard.
- Stock vs flux : mAIr distingue ce que l'IA sait d'elle-même (sa mémoire propre) de ce qu'elle va chercher sur le web à l'instant T — une distinction que les scrapers ne peuvent pas reproduire.