Quand on pose aux trois IA les plus utilisées la même question de recommandation, quelle est la meilleure marque de cette catégorie, elles ne donnent la même réponse que quatre fois sur dix. Et quand une IA mentionne une marque au fil d’une conversation, le comportement d’achat de l’utilisateur bouge, modestement, pendant vingt-quatre heures, avant de s’éteindre sans laisser de trace dans les outils d’attribution. Deux études mises en ligne en juin 2026 viennent de donner à la part de marque dans les modèles ce qui lui manquait : une cartographie et une preuve d’effet. Elles confirment que cette part se mesure, elles montrent comment, et elles fixent au passage les limites de ce qu’on peut en promettre.
La carte : la propriété de catégorie existe, le winner-takes-all, non
La première étude, Who Owns the AI Recommendation?, sous évaluation au Journal of Marketing Analytics, est la cartographie la plus systématique publiée à ce jour de la question que toute direction marketing se pose désormais : dans ma catégorie, quelle marque l’IA recommande-t-elle ? Le protocole est sérieux : 250 requêtes de catégorie sans nom de marque, cinq secteurs (SaaS, conseil, fintech, e-commerce, technologies de santé, avec Doctolib dans l’échantillon), 50 marques suivies via 77 alias, trois modèles (GPT-5.2, Gemini 3 Flash, Perplexity sonar-pro), et surtout cinq répétitions par requête, le protocole dit du lancer de dés, parce qu’une mesure unique d’un système stochastique ne mesure rien. Données collectées les 23 et 24 février 2026, jeu de données et code intégralement ouverts. probable
Premier résultat, à rebours du récit dominant : pas de winner-takes-all. La concentration des recommandations est modérée, avec un coefficient de Gini moyen de 0,28, très loin du seuil de 0,60 qui signerait une distribution en loi de puissance. Le seul secteur réellement concentré est l’e-commerce (0,53), tiré par Amazon ; le SaaS est le plus distribué (0,18). probable Deuxième résultat : les vides concurrentiels sont rares. Seules 8 % des 250 requêtes n’ont pas de marque dominante, contre les 20 % attendus par l’auteur. Les modèles trouvent presque toujours quelqu’un à recommander. Mais là où les vides existent, ils se concentrent : 20 % des requêtes de technologies de santé n’ont pas de propriétaire, notamment sur les segments de niche. probable Pour une marque de ces segments, c’est la meilleure nouvelle de l’étude : le terrain n’est pas pris.
La vraie découverte : les modèles ne sont pas d’accord entre eux
Le chiffre le plus important du papier n’est pas un chiffre de concentration, c’est un chiffre de désaccord. Sur les 250 requêtes, les trois modèles ne désignent la même marque numéro un que dans 41,6 % des cas. L’accord entre paires de modèles monte à 64,4 % en moyenne, et l’accord majoritaire, deux modèles sur trois, atteint 91,6 % : les IA convergent sur le peloton de tête, mais divergent constamment sur le vainqueur. probable L’écart sectoriel est spectaculaire : 73,8 % d’accord en e-commerce, où Amazon écrase le sujet, contre 22 % en conseil, où les modèles se répartissent entre les grands cabinets sans jamais trancher pareil.
Ce résultat rejoint, par une méthode indépendante, ce que la revue critique du GEO établissait le mois suivant sur les sources citées : il n’existe pas de classement IA global. Être la référence de ChatGPT ne dit rien de Gemini, qui ne dit rien de Perplexity. Toute mesure de part de marque IA qui ne nomme pas ses moteurs, et qui n’en interroge qu’un, décrit un angle mort en le faisant passer pour un marché.
Deux régimes concurrentiels, deux stratégies opposées
L’analyse des substitutions révèle que les secteurs ne jouent pas au même jeu. Dans le conseil, les modèles énumèrent : les grands cabinets apparaissent ensemble, en co-recommandation massive (ratio 0,4 pour 1), parce que les taxonomies du type Big Four sont incrustées dans les corpus d’entraînement. Dans ce régime, gagner signifie être dans la liste. À l’inverse, l’e-commerce (4,3 pour 1), le SaaS (3,1), les technologies de santé (2,2) et la fintech (2,0) fonctionnent en substitution : quand une marque apparaît, sa concurrente directe tend à disparaître de la réponse. Dans ce régime, gagner signifie être le choix, pas un des choix. probable
La conséquence stratégique est immédiate et personne ne la formule sur le marché français : la première question d’un plan de visibilité IA n’est pas comment être cité davantage, c’est dans quel régime ma catégorie se trouve. Une marque de conseil qui se bat pour évincer ses pairs se trompe de jeu ; une marque SaaS qui se contente de figurer dans les énumérations aussi.
L’anomalie EY, ou pourquoi le protocole est le produit
Le papier contient une leçon involontaire plus précieuse que ses résultats. Dans les données brutes, EY domine le conseil avec un indice de propriété de 0,955, présent dans 47 requêtes sur 50, et surgit même dans des secteurs où un cabinet de conseil n’a rien à faire. L’auteur a eu l’honnêteté de le documenter : c’est un artefact. L’alias EY, deux caractères, se retrouve en sous-chaîne dans des mots anglais courants comme they, money ou key, et gonfle artificiellement chaque comptage. probable
Voilà pourquoi la mesure de part de marque IA est un métier et pas un gadget : entre un score et un score juste, il y a un dictionnaire d’alias à frontières de mots, une règle de comptage explicite, et la publication des artefacts quand on les découvre. Un tableau de bord qui ne documente ni ses alias ni ses règles de comptage peut vous vendre la domination d’un acteur en toute bonne foi. C’est aussi pourquoi cet article ne reprend aucun des chiffres d’EY : ils ne mesurent rien.
La preuve d’effet : la mention IA déplace le consommateur, brièvement et invisiblement
La seconde étude, From Prompt to Purchase, un preprint de juin 2026, apporte ce que la littérature n’avait jamais montré : le lien entre une mention de marque dans une conversation IA et le comportement réel de l’utilisateur après. La méthode est inédite : un panel consenti de navigation web, sur deux marchés anglophones, joint utilisateur par utilisateur à leurs conversations réelles avec ChatGPT, Claude et Gemini, avec un plan d’étude d’événement et des contrôles de même catégorie. probable
Les résultats, avec les garde-fous que les auteurs posent eux-mêmes. Après une conversation où une marque est mentionnée, l’activité d’achat spécifique augmente de 2,9 points à 24 heures par rapport aux conversations sans dimension commerciale, puis l’effet s’estompe en une semaine. L’élévation générale d’activité après une session IA, 3,3 points à 24 heures, est au moins égalée par un canal témoin neutre, actualité, réseaux sociaux, vidéo, qui monte d’environ 8 points sur le même horizon : ce qui survit au contrôle, c’est le différentiel commercial, pas l’euphorie post-session. probable Deux propriétés bousculent les réflexes hérités du web : l’effet ne dépend ni de la position de la marque dans la réponse, présence et non position, ni d’un clic sur un lien dans la réponse, le clic direct étant négligeable. La mention agit sans clic, hors de la réponse, ailleurs sur le web. probable
Et c’est là que l’étude devient stratégique pour toute direction marketing : les outils d’attribution au dernier clic imputent l’intégralité de ce parcours au search organique et aux visites directes. L’influence de l’IA sur vos ventes existe, elle est modeste, elle dure un jour, et elle est structurellement invisible dans vos analytics. Vous ne pouvez pas la voir dans vos outils. Vous pouvez seulement la mesurer à la source, dans les réponses des modèles.
Ce que les deux études disent ensemble
Ce que cela change, et ce que cela ne promet pas
Pour ELMARQ, ces deux papiers décrivent, par des voies indépendantes, le cahier des charges que nous nous imposons : le Score SOM est publié avec ses prompts, ses modèles, son nombre de répétitions et ses limites, sur un panel documenté, précisément parce qu’un système stochastique ne se mesure qu’en distribution. La convergence entre le protocole du lancer de dés de l’étude estonienne et notre pratique des mesures répétées multi-moteurs n’est pas un hasard : c’est ce que l’objet impose à quiconque veut le mesurer honnêtement. possible
Restent les limites, et elles interdisent toute extrapolation commerciale : la cartographie repose sur trois modèles seulement, ni Claude, ni Grok, ni Mistral, un seul point dans le temps, dix marques par secteur, et des corrélations, pas des causes ; l’étude comportementale porte sur deux marchés anglophones et reste un preprint. Aucune des deux ne permet de promettre qu’une action donnée augmentera votre part de marque IA de tant. Ce qu’elles permettent, c’est mieux : savoir enfin ce qu’on mesure, comment le mesurer sans se mentir, et pourquoi cela vaut la peine de le faire. Dans un marché saturé de promesses, c’est la seule chose qui s’appelle un fondement.
ELMARQ mesure la part de marque dans les moteurs d’IA selon un protocole publié avec ses prompts, ses modèles, ses répétitions et ses limites, et construit l’autorité par les sources, jamais par les recettes. Voir aussi notre analyse de la première revue scientifique critique du GEO et le SOM Checker.
