Le marché de la visibilité IA commence à mesurer la part de modèle, les citations, la fréquence de recommandation. C’est le terrain qu’ELMARQ documente lui-même. Mais il raisonne encore comme si deux personnes posant la même question à un même modèle constituaient deux observations comparables. Depuis août 2026, cette hypothèse devient progressivement fausse : ChatGPT propose des suggestions sur sa page d’accueil, pour certains utilisateurs payants, à partir de l’historique des conversations et des outils connectés, autrement dit avant même qu’une requête soit formulée. Quand la mémoire entre dans la sélection des recommandations, la moyenne obtenue sur un modèle masque une seconde variance, celle entre utilisateurs d’un même modèle. Deux personnes ne verront bientôt plus le même marché.
Ce qui vient de changer
Le déplacement n’est plus une requête suivie d’une réponse personnalisée. Il devient, potentiellement, une chaîne : un historique, un état utilisateur inféré, une anticipation, une suggestion, puis une réponse. OpenAI a introduit en août 2026, pour des utilisateurs payants éligibles, des suggestions de page d’accueil fondées sur l’historique des conversations et les outils connectés, et documente parallèlement que sa mémoire peut exploiter conversations, fichiers et applications connectées pour personnaliser les réponses. avéré Ce n’est plus le moteur qui attend une question ; c’est le moteur qui propose un sujet.
La conséquence pour la mesure est directe. Demander cent fois quel cabinet choisir, quelle marque recommander, en session vierge, mesure la disposition moyenne d’un modèle. Mais si la mémoire pèse sur la sélection, cette moyenne cache la dispersion entre profils : deux utilisateurs, même modèle, même jour, même question, réponses différentes. La variance inter-utilisateurs devient une grandeur à part entière, et une mesure qui ne la capture pas décrit un marché théorique, pas le marché vécu. possible
La nuance que la recherche impose aussitôt
Il faut résister à la tentation du titre facile, ChatGPT se souvient de vous. Car la littérature récente fournit elle-même la principale contre-preuve : mémoriser n’est pas utiliser. Une étude du 31 juillet 2026, portant sur 16 systèmes, cinq architectures de mémoire et 1 000 préférences testées à trois niveaux d’expression, mesure un écart parfois important entre le rappel et le comportement : un agent réussit le test de mémoire d’une préférence, puis ne la reflète pas dans la situation où elle devrait jouer. probable Une autre étude, du 8 août 2026, documente le risque symétrique : une mémoire persistante peut fuiter d’un domaine de vie vers un autre où elle n’est pas pertinente, et rendre le modèle plus complaisant ; les auteurs montrent qu’une mémoire structurée par domaine réduit cette fuite d’environ 8,8 % en moyenne. probable Enfin, tout un courant de recherche cherche à inférer un état utilisateur contextualisé et temporel à partir d’un historique évolutif, plutôt qu’un profil figé. probable
Ces travaux ne disent pas que la mémoire ne compte pas. Ils disent qu’entre l’existence d’une mémoire et son effet sur une recommandation, il y a une distance qui se mesure et ne se suppose pas. C’est exactement ce qui rend le sujet solide : il est ouvert, pas tranché.
La variable qui vient, et sa mesure
Nous la nommerions provisoirement, et sans en faire un concept propriétaire, l’inertie contextuelle : la propension d’un historique à orienter durablement ce qu’un modèle propose à un utilisateur donné. On la mesurerait par un écart, un delta mémoire : la différence de probabilité qu’une organisation soit recommandée entre une session neutre et différents historiques utilisateurs contrôlés. possible L’intérêt de cette grandeur n’est pas d’ajouter un score de plus. Il est qu’elle peut devenir cumulative : les historiques se construisent conversation après conversation, et une disposition acquise pourrait, en théorie, se renforcer.
Une nuance est ici non négociable, sous peine de vendre une illusion : ce n’est pas un capital de marque. Une entreprise ne contrôle pas la mémoire individuelle de ses prospects ; elle ne peut ni la remplir ni la garantir. Le delta mémoire décrit une sensibilité mesurable du système au contexte, pas un actif que l’on posséderait. Confondre les deux serait exactement le genre de raccourci que ce Journal combat. possible
Une hypothèse, falsifiable, et c’est le but
Voici l’hypothèse que nous soumettons à l’épreuve, et non le résultat que nous proclamerions. À requête, modèle et date identiques, l’écart de recommandation entre profils dotés d’historiques différents deviendra suffisamment important pour rendre une mesure de visibilité IA non segmentée méthodologiquement insuffisante avant la fin de 2027. possible Cette proposition est falsifiable : il suffit de construire des personas expérimentaux aux historiques contrôlés et d’effectuer des mesures répétées. Si l’écart reste négligeable, l’hypothèse tombe, et nous l’écrirons. Aujourd’hui, aucune preuve ne permet d’affirmer qu’une marque dotée d’un historique favorable acquiert un avantage persistant dans ChatGPT ; c’est la question, pas la réponse.
Ce que cela change pour un audit de visibilité IA
Le prolongement pour la mesure est net, et il sépare une pratique sérieuse d’une batterie de prompts identiques exécutés en session neutre : passer d’un audit par modèle à un audit par modèle et contexte utilisateur. Interroger un moteur en session vierge reste utile, comme référence ; mais mesurer aussi ce que le même moteur répond à des profils aux historiques différents devient la seule façon d’approcher l’expérience réelle. possible La question de l’audit n’est plus seulement que dit le modèle de ma marque, mais que dit-il selon à qui il parle, et de combien cet écart dépasse-t-il le bruit.
C’est un chantier de mesure, pas une annonce. Il demande un protocole, des personas contrôlés, des répétitions, et la publication des limites. Il ne promet aucun chiffre. Mais dans un marché qui commence tout juste à mesurer la part de modèle, il pose déjà la question suivante : après la part de modèle, la part de mémoire. Et il la pose au bon moment, avant que la variance inter-utilisateurs ne devienne, silencieusement, l’angle mort de tous les audits. possible
Marc Lugand-Sacy, président d’ELMARQ, cité par La Tribune Dimanche comme source d’analyse sur la guerre informationnelle et la propagande iranienne. Une analyse d’ELMARQ sur la riposte informationnelle française a également été citée comme source par la Fondation Jean-Jaurès. ELMARQ mesure la présence des marques dans les réponses des moteurs d’IA selon un protocole publié, et prolonge sa série sur la science de la visibilité IA en passant de l’audit par modèle à l’audit par modèle et contexte utilisateur. À lire en regard : qui possède la recommandation IA, la crise de la citation et le SOM Checker.
