Demandez à une IA quelle est la meilleure marque d’une catégorie : elle penche vers les géants mondiaux, auxquels elle associe spontanément les attributs positifs. Ajoutez trois mots, je suis en France, et la hiérarchie se reconfigure au profit des marques locales. Ce double mouvement, démontré par une étude relue par les pairs dès 2024, vient d’être prolongé par une découverte plus dérangeante encore : les modèles eux-mêmes ont un passeport. Sur des classements e-commerce, Mistral favorise les marques européennes, Qwen penche fortement pour l’Amérique du Nord, et la simple localisation de l’utilisateur déplace la représentation continentale des résultats jusqu’à 59 %. Pour les PME et les territoires français, ce corpus scientifique dessine une menace d’invisibilité et, au même endroit, une porte d’entrée que presque personne n’exploite.
Le monde selon les modèles : global paré, local déprécié
L’étude fondatrice s’intitule Global is Good, Local is Bad? Understanding Brand Bias in LLMs, publiée à la conférence EMNLP 2024, l’une des plus sélectives du traitement du langage, avec code et données publics. Ses auteurs, Kamruzzaman, Nguyen et Kim, testent des modèles de premier plan sur plusieurs catégories de produits et établissent trois résultats. avéré
Premier résultat : un schéma cohérent d’association, où les marques mondiales reçoivent de façon disproportionnée les attributs positifs et les marques locales les attributs négatifs. Le préjugé n’est pas anecdotique, il est structurel : il reflète des corpus d’entraînement où les grandes marques sont surreprésentées et où le discours sur le local est souvent celui du bas de gamme. Deuxième résultat, le plus dérangeant socialement : invités à recommander un cadeau, les modèles proposent des marques de luxe pour les habitants des pays à hauts revenus et des marques bon marché pour ceux des pays à bas revenus. La machine reproduit une géographie sociale. Troisième résultat, et c’est lui qui change tout pour une marque française : l’effet pays d’origine. Quand le pays de l’utilisateur est explicitement précisé, la préférence bascule vers les marques locales. avéré
Les auteurs le notent eux-mêmes : ces biais créent des barrières à l’entrée pour les petites entreprises et les marques de niche. Mais le troisième résultat contient l’antidote du premier. Les modèles ne sont pas irrémédiablement mondialistes : ils sont sensibles au contexte. Toute la question est de savoir qui fournit ce contexte, et si votre marque existe dans le modèle quand le contexte joue en sa faveur.
2026 : les modèles ont un passeport
En juin 2026, une équipe publie à la conférence FAccT de l’ACM, la référence mondiale sur l’équité algorithmique, l’étude au titre le plus parlant du corpus : Your LLM Has a Passport. Le dispositif : des classements de produits e-commerce sur le jeu de requêtes public d’Amazon, sous trois conditions, sans contexte géographique, avec l’origine des marques explicitée, avec la localisation de l’utilisateur explicitée, trois modèles issus de trois régions, Llama aux États-Unis, Mistral en Europe, Qwen en Chine. avéré
Les résultats donnent au débat sur la souveraineté des modèles une base empirique qu’il n’avait pas : les modèles diffèrent systématiquement par leur géographie. Mistral favorise les marques européennes. Qwen exhibe un fort biais nord-américain. Llama reste comparativement équilibré. Fournir l’origine des marques modifie les classements, à des degrés variables selon les modèles ; mais c’est la localisation de l’utilisateur qui exerce l’effet le plus puissant, déplaçant la représentation continentale des résultats jusqu’à 59 % chez Qwen. Et dans tous les cas, la qualité de classement reste compétitive : le biais ne se voit pas à la performance, il se voit à la carte. avéré
Ces travaux rejoignent deux autres jalons relus par les pairs : la démonstration à ICML 2024 que les grands modèles sont géographiquement biaisés sur des variables objectives, et l’étude COLM 2025 qui, en laissant les modèles raisonner librement, montre qu’ils devinent bien plus aisément les entités du Nord et de l’Ouest que celles du Sud et de l’Est, une tour Eiffel plus facilement qu’un monument du Sud global : la géographie est incrustée jusque dans leurs chaînes de raisonnement. avéré Un audit de 2026 des préférences de marques et de cultures dans les modèles confirme la persistance du phénomène sur les générations récentes. probable
Ce que cela signifie pour une PME française
Croisons ces résultats avec ce que la série a déjà établi : les modèles ne s’accordent sur la meilleure marque d’une catégorie que dans 41,6 % des cas, et ils reconnaissent presque toutes les marques qu’on leur nomme tout en n’en recommandant spontanément qu’une infime part. probable Le tableau qui en sort, pour une PME française, tient en trois mécanismes.
La double peine par défaut. Sans contexte, une marque française de taille moyenne cumule deux handicaps mesurés : la sous-représentation dans les corpus, qui régit la probabilité d’être connue du modèle, et l’association du local aux attributs négatifs, qui régit la façon d’en parler quand il la connaît. Une PME normande qui interroge ChatGPT en anglais sur sa catégorie ne se cherche pas au bon endroit : elle contemple le marché tel que le voit un modèle entraîné sur un web à dominante américaine.
La porte d’entrée contextuelle. L’effet pays d’origine renverse la situation dès que le contexte français est posé, et la localisation de l’utilisateur est, de tous les leviers testés à FAccT, le plus puissant. Or les utilisateurs réels fournissent ce contexte en permanence : ils écrivent en français, mentionnent leur ville, demandent près de chez moi. Chaque requête contextualisée est une élection locale où les marques françaises partent favorites, à une condition non négociable : exister dans le modèle. Une marque absente des corpus ne bénéficie d’aucun effet pays d’origine ; le biais favorable profite à celles que le modèle connaît. C’est ici que le travail de fond compte : presse locale et nationale, sources françaises structurées, contenus vérifiables en français, exactement les leviers que la revue critique du GEO identifiait comme les seuls robustes. possible
Le choix du modèle devient un choix de marché. Si Mistral favorise les marques européennes sur les classements testés, alors la question de savoir sur quel moteur mes clients me cherchent n’est plus une question technique, c’est une question commerciale. Une marque française a un intérêt objectif à mesurer sa présence sur Mistral, que l’État français déploie par ailleurs dans son administration, autant que sur ChatGPT, Gemini ou Perplexity ; et une direction marketing qui ne suit qu’un moteur américain regarde son marché avec le passeport d’un autre. possible
Ce que cela signifie pour un territoire
Tout ce qui précède vaut pour les marques ; cela vaut doublement pour les territoires, car un territoire est une marque que personne ne gère à plein temps. Quand un touriste, un investisseur ou un candidat à l’installation demande à une IA où s’implanter dans l’Ouest, quelle ville pour élever ses enfants en Normandie, la réponse est produite par les mêmes mécanismes : représentation dans les corpus, sensibilité au contexte de localisation, passeport du modèle interrogé. L’étude COLM le montre à sa façon : le patrimoine français emblématique est solidement encodé, la tour Eiffel se devine sans effort. Mais entre la tour Eiffel et l’invisibilité, il y a des milliers de communes, d’intercommunalités et de destinations dont la présence dans les modèles n’a jamais été ni mesurée ni travaillée. possible
C’est un angle mort des stratégies d’attractivité : on mesure les retombées presse, les nuitées, les flux, et personne ne mesure ce que les moteurs d’IA répondent sur le territoire, alors que ces réponses façonnent déjà les listes de considération des visiteurs comme des investisseurs. La perception IA d’un territoire se travaille avec les mêmes leviers que celle d’une marque : des sources, des données structurées, des contenus de référence, et une mesure répétée, moteur par moteur, avec et sans contexte de localisation.
Les cinq questions à se poser avant d’agir
Les limites, et la conclusion qu’elles imposent
Ce corpus est le plus solide de notre série, quatre publications relues par les pairs, mais il a ses bornes, et elles dictent la conduite. L’étude fondatrice a testé des modèles de 2024 : les biais évoluent avec chaque version. L’étude FAccT porte sur des classements e-commerce en anglais, sur un jeu de requêtes Amazon : le résultat Mistral favorable à l’Europe ne s’extrapole ni à la conversation générale ni mécaniquement au français. Et aucune de ces études ne mesure votre marque, votre catégorie, votre territoire. avéré
La conclusion n’est donc pas que les IA préfèrent le local et qu’on peut dormir tranquille, ni qu’elles écrasent le local et que tout est perdu. Elle est opérationnelle : le biais géographique existe, il est documenté, il est contextuel et il est réversible. Ce qui sépare une marque française invisible d’une marque française favorisée tient à deux choses que personne ne peut faire à sa place : exister dans les sources que les modèles lisent, et mesurer sa présence là où ses clients posent leurs questions, avec et sans contexte, modèle par modèle, dans le temps. Le passeport de votre marque n’est pas tamponné par les IA. Il est tamponné par ce que vous publiez, et par ce que vous acceptez de ne pas savoir.
ELMARQ mesure la présence des marques et des territoires français dans les réponses des moteurs d’IA selon un protocole publié, avec et sans contexte de localisation, et construit leur autorité par les sources. Volets précédents de la série : ce que 45 études établissent sur le référencement IA et qui possède la recommandation IA. Voir aussi notre analyse de la souveraineté des outils d’IA de l’État et le SOM Checker.
