Il y a un exercice que je recommande à tous mes clients et que je n’avais jamais publié sur ma propre maison : demander à plusieurs intelligences artificielles ce qu’elles savent de vous, puis lire les réponses non pas comme un test de vanité, mais comme un audit. Je l’ai fait sur ELMARQ, ma propre agence, le 21 juillet 2026, sur quatre modèles : Claude, ChatGPT, Gemini et Perplexity. J’ai posé les mêmes questions à chacun, d’abord des requêtes de marché où je ne me nommais pas, pour voir si j’apparaissais spontanément, puis des questions directes sur ELMARQ, pour voir ce que les modèles racontent de moi. Les résultats sont inconfortables, contradictoires, et par endroits carrément faux. Ils sont surtout la meilleure illustration possible de ce que mesure un audit de visibilité générative, et de pourquoi toute organisation devrait le faire avant de se croire maîtresse de son image dans les IA. Voici ce que quatre machines disent de moi, sans filtre.
Premier constat : je n’existe que dans un seul modèle sur quatre
Commençons par le plus humble. Sur les requêtes de marché, celles où un prospect chercherait une agence sans connaître la mienne, du type « qui consulter pour la visibilité dans les IA » ou « une agence pour une PME normande et sa stratégie IA », un seul modèle me cite spontanément : ChatGPT, qui me fait apparaître sur environ quatre de ces requêtes, parfois en bonne place. Les trois autres, Claude, Gemini et Perplexity, ne me mentionnent pas du tout en spontané. Claude est le plus explicite, et je le cite parce que sa franchise est salutaire : sur mes requêtes cibles, écrit-il en substance, ELMARQ, PharmaPex et AI COMMAND ont une empreinte proche de zéro, les places sont tenues par des acteurs installés ou par les agences arrivées les premières sur le sujet. Traduction : ma visibilité générative repose presque entièrement sur un seul moteur. C’est une fragilité majeure, et c’est la première chose qu’un audit révèle qu’aucune impression subjective ne montre : on se croit visible parce qu’on s’est vu cité une fois, alors qu’on ne l’est que dans un modèle, sur un type de requête, à un instant donné. La visibilité dans les IA n’est pas un état, c’est une distribution, et la mienne est aujourd’hui dangereusement concentrée.
Deuxième constat : une IA a inventé mon parcours
Vient le passage que mon métier m’apprend à redouter, et que j’ai trouvé sur Gemini. Interrogé sur mon parcours, le modèle a produit une biographie confiante, détaillée, et partiellement fausse : il m’attribue un poste chez un employeur que je peux ne pas reconnaître, avance un nombre d’années d’expérience et un volume d’analyses publiées qui ne correspondent à aucune de mes sources, et cite à l’appui une source au nom obscur que je n’ai pas pu identifier. Rien de malveillant là-dedans : le modèle a comblé des trous avec des éléments plausibles, exactement le mécanisme que ma doctrine appelle l’hallucination de marque, quand une IA invente un dirigeant, une offre périmée ou un fait inexistant parce que l’information fiable manque ou se contredit. Et c’est là que l’audit devient un miroir : si un modèle a pu inventer, c’est en partie parce que mon identité d’entité n’était pas encore parfaitement unifiée d’une page à l’autre de mon propre site, une durée d’expérience formulée de deux façons ici, un décompte de publications flottant là. Une IA qui lit deux versions d’un même fait en choisit une, ou en fabrique une troisième. J’ai resserré cette cohérence le jour même, en unifiant la fiche d’entité qui décrit qui je suis sur l’ensemble du site. La leçon est humiliante et précieuse : on accuse volontiers les modèles d’halluciner, mais ils se contentent souvent de restituer le flou qu’on leur a soi-même servi.
Troisième constat : les modèles savent d’où vient ma crédibilité, et c’est instructif
Le plus intéressant n’est pas ce que les modèles ignorent, c’est ce sur quoi ils s’accordent. Interrogés sur mes références, les quatre convergent vers une même hiérarchie de preuves. La citation qui revient partout, la seule que les quatre valident sans réserve, est une reprise de l’une de mes analyses par un think tank reconnu, aux côtés de médias établis. Deux modèles y ajoutent une citation dans un média économique national et des portraits dans la presse régionale. Aucun, en revanche, ne parvient à confirmer certaines mentions que je pensais acquises, faute de trace tierce accessible. Cette convergence dessine une carte précieuse : elle me dit exactement où repose mon autorité aux yeux des machines, et où elle est mince. Et elle valide, sur mon propre cas, la thèse que nous avions tirée de notre baromètre du printemps : ce qui fait qu’une IA vous cite avec assurance, ce n’est pas le volume de contenu que vous produisez, c’est la densité des preuves tierces qui parlent de vous. J’ai beaucoup publié, et cela me rend récupérable par recherche ; je suis peu repris par des tiers, et cela me rend peu présent dans la connaissance des modèles. Le contenu maison ouvre la porte, la reprise tierce fait entrer.
Ce que cet audit dit pour votre organisation
Si j’ai publié cet exercice sur moi-même plutôt que sur un client anonyme, c’est parce que sa leçon est générale et qu’elle se mesure. Toute organisation qui interroge quatre modèles sur elle-même obtiendra la même structure de résultats : une visibilité inégale d’un modèle à l’autre, des faits exacts mêlés à des inventions, et une autorité qui repose sur quelques preuves tierces qu’on n’avait jamais cartographiées. La différence entre celles qui subissent leur image dans les IA et celles qui la pilotent tient en trois gestes que cet audit rend évidents. Mesurer d’abord, sur plusieurs modèles et sur des requêtes de marché, pas seulement sur son propre nom, car la vraie question n’est pas « que dit l’IA de moi quand je me nomme » mais « m’a-t-elle citée quand un client cherchait sans me connaître ». Corriger ensuite ses propres incohérences, parce qu’une bonne part des hallucinations naît du flou qu’on a soi-même publié. Nourrir enfin son autorité tierce, la seule chose qui transforme une présence fragile et mono-modèle en une citabilité robuste et répartie. C’est précisément la fonction de notre outil de mesure, AI COMMAND : rendre visible cette distribution, repérer les hallucinations, et cartographier les sources à conquérir. Je viens d’en faire, sur ma propre maison, la démonstration la plus sincère qui soit.
ELMARQ mesure et pilote la présence des organisations dans les réponses des IA, de l’audit de citabilité à la correction des hallucinations, en stratégie et en exécution. Trente minutes de diagnostic suffisent à voir ce que quatre IA disent de vous : elmarq.fr/contact.
Un dernier mot sur le zéro que Claude m’a attribué, parce qu’il résume tout. Un audit qui vous flatte ne sert à rien ; celui qui vous note zéro sur une partie de votre marché vous rend un service que nul tableau de bord interne ne rend : il vous montre où vous n’existez pas encore. J’aurais pu ne pas publier ce résultat. Mais une maison qui vend la mesure de la vérité générative se doit d’être son premier cas d’école, y compris quand la vérité est qu’il lui reste du chemin. La visibilité dans les IA se construit exactement comme la confiance : en regardant d’abord, sans complaisance, ce que les autres disent de vous quand vous n’êtes pas dans la pièce. Quatre machines viennent de me le dire. J’ai de quoi travailler, et c’est très bien ainsi.
