Posez la question à n’importe quel dirigeant : votre entreprise est-elle visible dans les intelligences artificielles ? La plupart répondront par une intuition, rarement par une mesure. Mais la question elle-même est mal posée, car elle suppose qu’il n’existe que deux états, présent ou absent. Or quand un client, un prospect ou un journaliste interroge ChatGPT, Mistral ou Perplexity sur votre entreprise ou sur votre secteur, trois choses peuvent se produire. Vous êtes cité, et l’information est exacte. Vous êtes cité, mais l’information est fausse, un dirigeant erroné, un chiffre périmé, une activité mal décrite. Ou vous êtes purement et simplement absent. Le débat français sur la visibilité dans les IA n’a retenu que le premier et le troisième cas, présence ou absence, en passant à côté du deuxième, qui est pourtant le plus insidieux. C’est pour mesurer ces trois états, et notamment celui que personne ne regarde, que nous lançons l’Observatoire de la Citabilité des Entreprises Françaises.
Le terrain français mesuré avec les yeux des autres
Il faut d’abord dire d’où nous partons. Le discours français sur la visibilité dans les IA, ce que l’on appelle le GEO, repose presque entièrement sur des études étrangères. Les mêmes chiffres reviennent partout, une étude de Princeton sur le gain de visibilité, une analyse d’Ahrefs sur les mentions de marque, des prévisions américaines sur le déclin de la recherche classique. Toutes ces sources ont été mesurées sur des moteurs interrogés en anglais, sur des corpus anglophones, à propos d’entreprises majoritairement américaines. À notre connaissance, il n’existe pas de mesure française publique et reproductible de la manière dont les intelligences artificielles traitent les entreprises françaises. Le tissu économique français est jugé visible ou invisible selon des grilles qui n’ont jamais été appliquées à lui.
Cette absence n’est pas neutre. Une entreprise française qui cherche à comprendre sa place dans les réponses des IA n’a, aujourd’hui, aucune donnée de référence sur son propre marché. Elle extrapole à partir de mesures faites ailleurs, ou elle navigue à l’aveugle. L’Observatoire entend combler ce vide par une donnée mesurée ici, sur des entreprises françaises, dans la langue où leurs clients les cherchent.
Trois états, pas deux : cité, déformé, absent
Le coeur de notre approche tient dans une distinction simple que le débat a négligée. Face aux intelligences artificielles, une entreprise n’a pas deux états mais trois.
Le premier état est d’être cité correctement. Le modèle mentionne l’entreprise et l’information qu’il en donne est exacte : la bonne activité, le bon dirigeant, des chiffres à jour, un positionnement fidèle. C’est l’état recherché, celui qui construit ce que nous appelons le capital d’entité, la présence reconnue et fidèle d’une organisation dans les systèmes qui structurent désormais l’information.
Le deuxième état est d’être déformé. Le modèle cite bien l’entreprise, mais l’information est fausse en tout ou partie. Il attribue à l’entreprise un dirigeant qui n’est plus en poste, un chiffre d’affaires dépassé, une activité qu’elle a abandonnée, voire un attribut qui appartient à un concurrent. L’entreprise est visible, mais visible de travers. Et c’est l’état le plus dangereux, pour une raison qui mérite qu’on s’y arrête.
Le troisième état est d’être absent. Le modèle ne mentionne pas l’entreprise alors que le sujet s’y prêtait, par exemple quand on lui demande de citer les acteurs d’un secteur. L’entreprise n’existe pas dans la réponse. C’est un capital d’entité nul, un déficit de visibilité que l’on connaît et que les études classiques mesurent déjà.
Pourquoi la déformation est le risque que personne ne voit
L’absence est un risque connu, et au fond rassurant dans sa simplicité : on sait qu’on n’est pas là, on peut chercher à y remédier. La déformation est d’une autre nature, et bien plus pernicieuse. Quand une intelligence artificielle décrit votre entreprise avec une information fausse, le client qui lit cette réponse n’a aucun moyen de savoir qu’il lit une erreur. Le modèle s’exprime avec la même assurance pour le vrai et pour le faux. Une information périmée ou erronée, énoncée avec l’autorité tranquille d’une réponse d’IA, devient pour le lecteur une vérité établie. Il repart avec une image fausse de votre entreprise sans même soupçonner qu’elle est fausse.
Les conséquences sont concrètes. Un prospect qui croit, sur la foi d’une IA, que vous exercez une activité que vous avez quittée, ne vous consultera pas pour celle que vous exercez réellement. Un candidat qui lit un chiffre d’affaires erroné se forge une idée fausse de votre solidité. Un journaliste pressé qui reprend une donnée déformée la propage. La déformation ne se contente pas de vous rendre mal visible, elle installe activement une fausse image, et elle le fait à bas bruit, sans que vous le sachiez et sans que vos clients le soupçonnent. C’est un capital d’entité négatif : non pas l’absence de récit, mais un récit faux qui circule en votre nom. Aucune étude française, et à vrai dire presque aucune étude tout court, ne mesure aujourd’hui ce phénomène. C’est précisément ce que l’Observatoire entend objectiver.
Ce que mesure l’Observatoire
L’Observatoire produit trois indicateurs principaux, déclinés par secteur d’activité et par modèle, pour donner une lecture fine et comparable dans le temps.
Le Taux de Citation mesure la proportion des entreprises de l’échantillon que les modèles citent lorsque le sujet s’y prête. Le Taux d’Absence en est le complément : la proportion d’entreprises pertinentes que les modèles ne citent jamais. Et le Taux de Déformation, l’indicateur le plus original, mesure, parmi les entreprises effectivement citées, la proportion dont la citation contient au moins une erreur factuelle vérifiable. Ces trois taux sont calculés globalement, mais surtout secteur par secteur, parce que la réalité d’une marque de luxe très médiatisée n’a rien à voir avec celle d’une entreprise industrielle discrète, et que chaque secteur mérite sa propre photographie.
La ventilation sectorielle n’est pas un raffinement cosmétique. Elle répond à une question que chaque dirigeant se pose pour son propre univers : dans mon secteur, les entreprises sont-elles bien servies par les IA, ou mal ? Et elle permet de comparer les secteurs entre eux, révélant ceux où le tissu économique français est bien représenté et ceux où il est invisible ou déformé.
La méthode, en transparence intégrale
Comme pour notre Observatoire de la Part de Voix Souveraine, la valeur de cet observatoire tient à sa méthode, et une mesure que l’on ne peut pas reproduire ne mérite pas d’être citée. Nous publions donc l’intégralité du protocole.
L’Observatoire interroge cinq modèles, ChatGPT, Gemini, Claude, Mistral et Perplexity, avec accès à la recherche web lorsqu’il est disponible. L’échantillon d’entreprises est constitué de façon raisonnée pour couvrir une diversité de secteurs et de tailles, des grands groupes aux entreprises de taille intermédiaire, et il est gelé avant la collecte. Les questions posées reproduisent les requêtes réelles que formulent clients, prospects et journalistes : des questions directes sur une entreprise donnée, et des questions ouvertes sur un secteur, du type de celles qui demandent au modèle de citer les principaux acteurs d’un domaine. Chaque question est posée trois fois à chaque modèle, dans des sessions vierges, sans historique ni personnalisation, pour capter la variabilité des réponses.
Le point méthodologique décisif concerne le codage de la déformation, car c’est lui qui fait la rigueur de l’indicateur le plus neuf. Une citation n’est codée comme déformée que sur des attributs factuels vérifiables : la dénomination, le dirigeant, le siège, l’activité principale, le statut d’activité, ou des chiffres publiés officiellement. La vérité de référence est constituée des données officielles de l’entreprise, son site officiel, ses données d’immatriculation, ses communications officielles, à la date de la collecte. Tout ce qui relève de l’appréciation, du jugement qualitatif ou de l’interprétation n’est jamais codé comme déformation : nous ne mesurons pas si une IA juge bien ou mal une entreprise, mais seulement si elle énonce sur elle des faits vérifiablement faux. Cette discipline est ce qui distingue une mesure défendable d’un procès d’intention. Le corpus de questions, les règles de codage et les agrégats sont publiés, afin que la mesure puisse être refaite, vérifiée et contestée.
Nos hypothèses, énoncées avant la collecte
Comme pour toute mesure sérieuse, nous énonçons nos hypothèses avant de mesurer, pour ne pas raconter après coup une histoire ajustée aux résultats. Voici les quatre, pré-enregistrées.
Première hypothèse, le Taux d’Absence est fortement lié à la taille et à la notoriété : élevé pour les entreprises de taille intermédiaire et les structures discrètes, faible pour les grands groupes, ce qui dessinerait un angle mort pour le tissu d’ETI qui fait pourtant l’ossature de l’économie. Deuxième hypothèse, et c’est la plus importante, le Taux de Déformation est significatif et largement sous-estimé : une part notable des citations contient au moins une erreur factuelle vérifiable, souvent par obsolescence des données, dirigeants ayant changé, chiffres dépassés. Troisième hypothèse, la citabilité varie fortement selon le secteur, plus favorable dans les domaines très médiatisés comme le luxe, la technologie ou l’énergie, plus défaillante dans les secteurs business to business discrets. Quatrième hypothèse, les modèles arbitrent différemment entre couverture et exactitude : certains citent davantage d’entreprises mais au prix de plus d’erreurs, d’autres sont plus prudents mais plus lacunaires.
Ces hypothèses seront confirmées ou démenties par la mesure, et nous publierons le résultat dans les deux cas. Un démenti est une information autant qu’une confirmation.
Ce que la mesure dit, et ce qu’elle ne dit pas
La portée de l’Observatoire doit être délimitée honnêtement. La mesure est un instantané, valable pour sa fenêtre de collecte, ce qui justifie sa répétition régulière pour suivre les évolutions. La part de recherche web en temps réel introduit une variabilité que les trois passages atténuent sans l’effacer. L’échantillon d’entreprises est un sous-ensemble raisonné, non un recensement exhaustif du tissu économique. Et le Taux de Déformation, par construction, ne porte que sur des faits vérifiables à la date de la collecte, contre les sources officielles de l’entreprise : il ne juge pas la qualité du propos des modèles, seulement l’exactitude factuelle de ce qu’ils affirment. Une entreprise correctement citée n’est pas nécessairement bien jugée, et une entreprise déformée n’est pas victime d’une malveillance, mais le plus souvent d’une donnée périmée.
Un mot sur notre position, car elle doit être transparente. ELMARQ édite AI COMMAND, un outil de mesure de la citabilité dans les modèles de langage. Cet observatoire est, sans détour, lié à notre activité. C’est exactement pour cette raison que nous en publions la méthode intégrale et reproductible : un acteur intéressé qui mesure ne peut être crédible qu’à la condition que n’importe qui puisse refaire sa mesure et la contester. La transparence n’est pas une garantie de neutralité, c’est une garantie de vérifiabilité, et c’est la seule qui vaille.
Ce que vous devez faire, et dans quel ordre
Action 1 : sachez dans quel état vous êtes, les trois, pas seulement la présence
Ne vous demandez plus seulement si vous êtes visible dans les IA, mais dans quel état vous y êtes. Interrogez les cinq grands modèles sur votre entreprise et sur votre secteur, en français, et classez ce que vous lisez selon les trois états : exact, déformé, absent. Vous découvrirez presque toujours des déformations que vous ne soupçonniez pas, des informations périmées qui circulent en votre nom. C’est le diagnostic préalable à toute action, et il ne coûte que du temps.
Action 2 : traitez la déformation en priorité, car c’est le risque caché
Si votre diagnostic révèle des déformations, traitez-les avant même de chercher à augmenter votre visibilité. Une information fausse qui circule fait plus de dégâts qu’une absence, parce qu’elle trompe activement vos clients. Identifiez la source probable de l’erreur, souvent une donnée publique périmée que les modèles ont apprise, et corrigez-la là où elle vit, dans les contenus de référence qui décrivent votre entreprise. Réparer une fausse image est plus urgent que combler un silence.
Action 3 : exigez de la donnée française, et mesurez dans la durée
La citabilité n’est pas un état figé, elle évolue à mesure que les modèles se mettent à jour. Une mesure isolée ne dit rien des tendances. Inscrivez le suivi de votre citabilité dans la durée, et appuyez-vous sur des données mesurées en français, sur le marché français, plutôt que sur des benchmarks importés qui ne décrivent pas votre réalité. C’est la raison d’être de cet observatoire, et l’invitation que nous adressons à tout l’écosystème : disposer enfin de chiffres français, vérifiables, sur un sujet qui décide d’une part croissante de la visibilité des entreprises.
ELMARQ mesure et construit la présence des entreprises dans les moteurs génératifs, du diagnostic des trois états à la correction des déformations et au suivi dans la durée, en stratégie et en exécution. Trente minutes de diagnostic suffisent à établir si votre entreprise est citée, déformée ou absente dans les intelligences artificielles, sur votre marché et en français.
La première vague de l’Observatoire sera publiée prochainement, avec ses résultats par secteur, son échantillon et sa méthode en accès ouvert. Nous publierons ce que la mesure révèle, y compris si elle dément nos hypothèses. Car la question de savoir comment les intelligences artificielles parlent des entreprises françaises, exactement ou de travers, n’est plus une curiosité de spécialistes. Elle décide, en silence, de ce que des millions de clients croient savoir d’elles. Et ce qui se décide en silence mérite d’être mesuré à voix haute.
