Les recommandations de marques par IA sont devenues des outils courants pour les consommateurs et les marketeurs, mais leur fiabilité et leur cohérence restent peu explorées. Cet article se concentre sur l’incohérence des recommandations de marques ou de produits générées par des systèmes d’IA populaires tels que ChatGPT, Claude et l’IA de Google, et décrit des approches pratiques pour que les marketeurs mesurent la visibilité de manière plus précise.
Comprendre la variabilité des recommandations de marques par IA
Les grands modèles de langage derrière les moteurs de recommandations d’IA fonctionnent sur des processus probabilistes, qui génèrent intrinsèquement des sorties diverses même avec la même entrée. Contrairement aux moteurs de recherche traditionnels qui visent une classification constante, ces systèmes d’IA fournissent des listes de marques différentes à chaque sollicitation. Ce n’est pas un défaut mais une caractéristique de conception délibérée permettant la variabilité des réponses.
Dans une étude approfondie impliquant 600 volontaires réalisant près de 3 000 itérations de requêtes, les résultats ont montré qu’obtenir deux fois la même liste de marques avait moins de 1 % de chances, et que des listes ordonnées identiques apparaissaient à environ 0,1 %. La longueur des listes de marques recommandées variait également de manière significative, allant de quelques options à plus de dix dans certains cas.
Pourquoi le classement échoue dans les recommandations d’IA
Le SEO traditionnel et la surveillance des marques reposent largement sur les positions dans le classement pour évaluer la visibilité et le comportement des consommateurs. Cependant, avec les recommandations de marques générées par IA, les positions de classement sont instables et peu fiables. Toute tentative de quantifier les positions des marques dans les résultats d’IA en se basant sur des rangs fixes est donc probablement trompeuse.
« Les marketeurs doivent reconnaître que les recommandations générées par l’IA ne fonctionnent pas comme des résultats de recherche statiques ; la volatilité des rangs rend le suivi de positions traditionnel inefficace », explique la Dr Lena Meyers, experte en technologies marketing.
Le pourcentage de visibilité comme métrique fiable
Malgré des classements chaotiques, une métrique appelée « pourcentage de visibilité » émerge comme un indicateur plus stable. Cette métrique suit la fréquence d’apparition d’une marque dans plusieurs listes générées par IA, indépendamment de la position. Les marques fréquemment mentionnées peuvent maintenir des pourcentages de visibilité de 60 % à 90 % lors de tests répétés, ce qui signifie une forte présence reconnue par l’IA.
Par exemple, les hôpitaux ou les marques grand public identifiés à répétition montrent une visibilité significative malgré des positions fluctuantes. Cela suggère que le suivi de la fréquence d’apparition de la marque offre de meilleures perspectives que la focalisation sur l’ordre de classement dans l’IA.
Effets de la taille du marché sur les recommandations d’IA
Les caractéristiques du marché influencent la stabilité des recommandations. Les marchés petits ou de niche produisent en général des sorties plus cohérentes, centrées sur des fournisseurs connus. En revanche, les grands marchés avec de nombreux concurrents génèrent des listes de marques fragmentées et très variables.
Par exemple, les prestataires de services régionaux ou les outils B2B spécialisés voient les recommandations d’IA s’agglomérer étroitement, tandis que les grandes catégories comme les romans ou les agences créatives rencontrent des suggestions de marques dispersées avec peu de consensus.
Gardez une longueur d’avance grâce aux insights marketing pilotés par l’IA
Le rôle des requêtes utilisateurs dans les suggestions de marques d’IA
Les phrases d’entrée des utilisateurs varient énormément. Une compilation de requêtes réelles montre une faible similarité sémantique même pour des demandes sous-jacentes identiques. Étonnamment, les systèmes d’IA peuvent encore extraire l’intention principale et fournir des ensembles de marques similaires malgré cette diversité, démontrant une forte capacité de reconnaissance d’intention.
Par exemple, les recommandations de casques audio à travers des centaines de requêtes variées incluent systématiquement des marques majeures comme Bose, Sony, Apple et Sennheiser. Le changement du mot-clé d’intention, passant d’un usage général à gaming ou réduction de bruit, modifie à juste titre la liste des marques, démontrant la sensibilité à l’intention.
Défis de la standardisation des requêtes
La nature chaotique du langage humain ajoute de la complexité dans le suivi des marques. Comme aucune requête n’est exactement identique, saisir une intention de manière exhaustive nécessite d’agréger de nombreuses entrées utilisateurs diverses. Cette diversité ajoute un niveau de complexité mais garantit que l’IA capte les nuances larges du marché.
« La conséquence pour les marketeurs est qu’ils doivent surveiller les réponses d’IA à grande échelle plutôt que de se fier à une ou quelques requêtes », note Daniel Ortiz, analyste en IA et comportement consommateur.
Adsroid – Un agent IA qui comprend vos campagne
Gagnez jusqu’à 5 à 10 heures par semaine en transformant des données publicitaires complexes en réponses claires et en décisions actionnables.
Recommandations pratiques pour les marketeurs
Étant donné la nature incohérente des recommandations de marques par IA, les marketeurs devraient adapter leurs cadres de mesure :
1. Privilégier la visibilité plutôt que le rang
Suivre la fréquence de mention d’une marque sur plusieurs requêtes et sessions pour obtenir une mesure de visibilité statistiquement significative, plutôt que de s’appuyer sur des positions fluctuantes de manière aléatoire.
2. Utiliser de nombreuses requêtes et sessions
Employer des requêtes variées reflétant différentes formulations utilisateurs et réaliser des répétitions pour lisser les aléas et mieux refléter la véritable présence de la marque.
3. S’adapter à la taille du marché
Comprendre que les petits marchés de niche sont moins volatils et peuvent fournir des données de visibilité de marque plus stables, tandis que les grandes catégories compétitives nécessitent un échantillonnage plus vaste et une interprétation nuancée.
4. Combiner métriques de visibilité et insights qualitatifs
Associer les données quantitatives de visibilité IA avec des recherches de marché et des retours clients pour une évaluation plus complète du positionnement et de la perception de la marque.
Questions ouvertes et perspectives futures
Malgré les progrès, certaines questions subsistent sur le nombre optimal d’itérations de requêtes, la représentativité des requêtes API par rapport aux utilisateurs réels, et les meilleures méthodes de sélection des requêtes pour refléter les besoins du marché.
Répondre à ces questions permettra aux marketeurs d’exploiter plus efficacement les recommandations pilotées par IA et de perfectionner leurs efforts en intelligence concurrentielle.
Conclusion
Les systèmes de recommandations de marques par IA présentent une grande variabilité et un caractère aléatoire, rendant inefficace le suivi traditionnel basé sur le classement. Cependant, mesurer la fréquence de visibilité des marques via plusieurs requêtes fournit des insights pertinents pour orienter les stratégies marketing. Les marketeurs doivent adopter de nouvelles métriques et un suivi à grande échelle pour naviguer dans l’imprévisibilité des insights de marques générés par IA.
