Réponse directe
Une mesure de visibilité IA n'est jamais définitive. Les modèles évoluent en permanence : leurs fournisseurs appliquent des ajustements quotidiens, et changent régulièrement de version. Résultat : ce que l'IA dit de votre marque aujourd'hui — votre présence, votre rang, les concurrents qu'elle cite — peut être différent dans un mois, et bouleversé à l'arrivée d'un nouveau modèle. Une visibilité IA mesurée une fois est une photo datée, pas un acquis. Pour qu'elle reste une information utile, il faut reproduire la mesure dans le temps.
Le problème
Vous faites mesurer votre visibilité dans les IA. Le résultat est bon : vous êtes cité, bien placé, devant vos concurrents. Vous rangez le rapport, satisfait. Vous considérez la chose réglée.
Erreur. Vous venez de prendre une photo d'un paysage qui bouge en permanence.
Parce que pendant que vous rangez le rapport, le modèle, lui, continue de changer. Pas dans six mois. Tous les jours. Et le jour où un client demandera à l'IA si votre marque est une bonne option, la réponse ne sera peut-être plus celle que vous aviez mesurée — sans que vous ayez rien changé de votre côté.
L'idée à comprendre
Imaginez un grand barrage qui retient une énorme réserve d'eau. La réserve, c'est la puissance brute de l'IA. Le barrage, ce sont les règles que le fournisseur met en place pour qu'elle reste utilisable, conforme aux lois, acceptable. Et tous les jours, des techniciens viennent colmater des fuites, ajuster ce que le barrage laisse passer, modifier des réglages.
Ces ajustements, vous ne les voyez pas. Vous n'êtes pas prévenu. Mais vous en subissez les effets : ce que l'IA laissait passer sur votre marque la semaine dernière peut être filtré, reformulé, ou remplacé cette semaine.
Pourquoi le niveau bouge sans bruit, concrètement :
- Les ajustements quotidiens. Les fournisseurs corrigent en continu le comportement de leurs modèles — nouvelles règles, nouveaux filtres, adaptations à un contexte juridique mouvant. La plupart ne sont pas annoncés.
- Les changements de version. Quand un nouveau modèle sort, sa mémoire et ses associations changent. Une marque bien installée dans l'ancien modèle peut être moins présente dans le nouveau — ou l'inverse.
- La dérive est invisible à l'œil. Elle ne se voit pas sur une réponse isolée. Elle se manifeste statistiquement, sur la durée, sur un grand nombre de mesures.
- Elle est localisée. Elle apparaît souvent d'abord dans une langue, chez un fournisseur, sur un type de question — avant de se généraliser.
Et voici l'erreur de raisonnement la plus courante : croire qu'un modèle d'IA est stable comme un logiciel installé. On suppose qu'une chose qui marchait hier marche encore aujourd'hui tant qu'on n'y a pas touché. Cette intuition ne s'applique pas aux IA. Une marque qui reste sur ses acquis, c'est une maison posée sur un terrain qui alterne inondation et sécheresse : les murs finissent par se fissurer, même si personne n'a rien fait.
Ce qu'on entend partout
« On a mesuré notre visibilité IA, on sait où on en est. » Vous savez où vous en étiez le jour de la mesure. C'est déjà bien. Mais ce n'est pas où vous en êtes aujourd'hui, et encore moins demain.
« Les modèles s'améliorent, donc notre visibilité va s'améliorer aussi. » Rien ne le garantit. Un nouveau modèle peut très bien vous citer moins que l'ancien. « Mieux » pour le modèle ne veut pas dire « mieux pour vous ».
« Si ça bouge tout le temps, à quoi bon mesurer ? » C'est justement parce que ça bouge qu'il faut mesurer régulièrement. On ne renonce pas à peser un patient parce que son poids varie — on le pèse à intervalles réguliers pour voir la tendance.
Ma position de fond, et elle prend ici tout son sens : seulement les faits — répétés dans le temps. Un fait mesuré une fois et jamais revérifié n'est plus un fait, c'est un souvenir. La confiance dans une visibilité IA ne se déclare pas une bonne fois pour toutes : elle se mesure, et elle se mesure dans la durée.
Ma vision : mesurer la dérive, pas la subir
À partir d'ici, le registre change : on décrit l'instrument.
Suivre une visibilité IA dans le temps repose sur quelques principes :
- Un jeu de mesures de référence, horodaté, qui sert de point de comparaison.
- Une reproduction régulière (par exemple toutes les deux à quatre semaines selon l'enjeu), pour mesurer l'écart par rapport à la référence.
- Une comparaison croisée entre fournisseurs et entre langues, car la dérive émerge souvent d'abord dans un canal précis.
- Une mesure quantifiée de l'écart, calculée mécaniquement (l'IA ne juge pas), avec marge d'incertitude.
- Un scellement daté de chaque cycle, pour disposer d'une trace opposable et d'un historique vérifiable.
L'avertissement de toujours. Mesurer la dérive ne veut pas dire la maîtriser. mAIr ne contrôle pas ce que les fournisseurs font à leurs modèles, ni quand. Ce que mAIr maîtrise, ce sont les conditions de la mesure et leur répétition dans le temps. On constate le mouvement, on le date, on le chiffre — on ne prétend pas l'arrêter.