Votre marque est citée par l’IA. Est-elle recommandée ?

Être cité par un système d’IA n’est pas être recommandé par lui. Une citation signifie que le moteur a utilisé votre contenu pour construire sa réponse. Une recommandation signifie qu’il a mis votre entreprise en avant quand quelqu’un a demandé qui pouvait résoudre son problème. Les deux peuvent évoluer en sens contraire, et un score de visibilité unique ne le montre pas.

Prenons deux agences sur le même marché, mesurées sur les mêmes 400 réponses IA. La première est nommée dans 40 % d’entre elles, et son site est souvent cité. La seconde est nommée dans 20 %. Sur un graphique classique de part de voix, la première l’emporte largement. Lisez maintenant les réponses à « quelle agence dois-je contacter ? ». La première agence fournit l’information, et le moteur recommande quelqu’un d’autre. La seconde est recommandée nommément.

Laquelle des deux a la visibilité la plus précieuse ? Le volume de citations ne permet pas de le dire.

Pourquoi un chiffre unique de visibilité IA peut-il tromper ?

Un chiffre unique compte combien de fois une marque apparaît sans enregistrer le rôle qu’elle tient dans la réponse. Dans la recherche classique, une position de classement disait à peu près où l’on se situait. Dans une réponse IA, la même marque peut être une source d’information, un nom dans une liste de prestataires ou la recommandation explicite. Chacun de ces cas est un résultat différent pour l’entreprise.

L’indicateur que la plupart des outils mettent en avant est la part de voix IA, parfois appelée Answer Share of Voice. Il n’a pas de méthode de calcul unique. Certaines versions mesurent la part des réponses dans lesquelles une marque apparaît. D’autres mesurent la part de la marque dans l’ensemble des mentions de marques d’un périmètre concurrentiel. Le guide de Semrush, publié le 17 juillet 2026, donne la version simple : les mentions IA d’une marque divisées par l’ensemble des mentions de marques de sa catégorie. Il précise que le rapport Brand Performance de son AI Visibility Toolkit tient aussi compte de la place de la marque dans la réponse. Trakkr recommande une part de voix pondérée par la position, où une mention en premier ou une recommandation explicite pèse plus qu’une mention en passant.

La pondération enrichit le chiffre unique. Elle produit toujours un chiffre unique. Une marque peut gagner des parts parce qu’elle est plus citée dans des réponses pédagogiques tout en reculant dans celles où les acheteurs choisissent un prestataire, et le chiffre en tête du rapport ne bougera pas. Compter les apparitions sans leur rôle mélange visibilité informationnelle et recommandation commerciale.

Quelle différence entre une citation de source, une mention et une recommandation ?

Une citation de source utilise le contenu de la marque, une mention nomme la marque, et une recommandation met la marque en avant comme solution au besoin de l’utilisateur. Prenons une même question posée à ChatGPT : « Quelle agence choisir pour améliorer la visibilité de mon entreprise dans les moteurs de recherche IA en Thaïlande ? ». Voici trois réponses possibles pour une même entreprise fictive, l’Agence X.

Dans la première, le moteur explique que la visibilité dans les moteurs IA dépend de la qualité des contenus, de la structuration des entités et de la présence de sources externes fiables, puis ajoute qu’une étude publiée par l’Agence X analyse ces dimensions, avec un lien vers son site. L’Agence X est devenue une source d’information. Elle n’a pas été proposée comme prestataire. C’est une citation de source : une visibilité informationnelle, peut-être un signal d’autorité utile, pas une recommandation commerciale.

Dans la deuxième, le moteur écrit que plusieurs agences proposent des services de visibilité IA en Thaïlande, notamment l’Agence X, l’Agence Y et l’Agence Z, et que l’Agence X se concentre sur la visibilité dans les réponses des moteurs IA. Le moteur relie désormais l’identité de l’entreprise à la question commerciale. Il ne l’a toujours pas recommandée.

Dans la troisième, le moteur répond que si la priorité est la visibilité dans ChatGPT, Gemini et Google AI Mode, l’Agence X est une agence à considérer, et énumère ce qu’elle couvre. L’entreprise est présentée comme une option pertinente pour le besoin exprimé par l’utilisateur. C’est une recommandation explicite.

Les trois réponses feraient monter un score de visibilité classique. Elles ne représentent pas le même résultat commercial.

Quels rôles la mesure de la visibilité IA doit-elle garder séparés ?

KAIS enregistre cinq rôles séparément : citation de source, mention de marque, identification comme prestataire, recommandation explicite et recommandation prioritaire. Ils ne sont pas interchangeables, et chacun répond à une question différente sur la marque.

Ces rôles ne forment pas une échelle que chaque réponse gravirait. Un moteur peut recommander une entreprise sans citer son site. Il peut citer un site sans nommer l’entreprise dans son texte. Il peut nommer une entreprise et déconseiller de la choisir pour un usage donné. Citation et recommandation sont des dimensions distinctes, pas des étapes successives.

Pour une entreprise qui cherche des clients, la frontière entre être mentionnée et être recommandée compte le plus. Une citation peut bâtir une autorité informationnelle et apporter du trafic de référence. Une recommandation place la marque parmi les options que l’acheteur considère. Aucune ne garantit une vente. Ce sont des opportunités différentes, et un rapport qui les additionne perd la différence.

Une marque plus citée peut-elle être moins recommandée ?

Oui : le volume de citations et la fréquence des recommandations peuvent fortement diverger dans un même ensemble de réponses. Voici les deux agences de l’introduction, mesurées sur 400 réponses aux mêmes questions commerciales.

L’Agence A est nommée deux fois plus souvent que l’Agence B, et son site est cité plus de deux fois plus souvent. Un rapport fondé sur les citations ou les mentions la placerait loin devant. Les lignes de recommandation disent autre chose. L’Agence A est explicitement recommandée dans 5 % des réponses (20 sur 400), l’Agence B dans 12 % (48 sur 400), et l’Agence B reçoit plus de trois fois plus de recommandations prioritaires.

Ces chiffres ne disent pas quelle agence génère le plus de chiffre d’affaires. Il faudrait pour cela des données de conversion et d’attribution. Ils montrent qu’un volume de citations plus élevé ne garantit pas une plus grande part des recommandations. Une entreprise peut être la référence que tout le monde cite pendant que ses concurrents récoltent les recommandations.

Comment calculer le taux de présence, la part de voix et la part de voix des recommandations ?

Chacun des trois indicateurs divise par un total différent, et confondre les dénominateurs produit des chiffres qu’on ne peut pas comparer. Les exemples ci-dessous utilisent une marque fictive, la Marque X, avec au plus une mention et une recommandation comptées par marque et par réponse.

Le taux de présence dans les réponses (Answer Presence Rate) est la part des réponses analysées qui nomment la marque. Si la Marque X est nommée dans 80 réponses sur 400, son taux de présence est de 80 ÷ 400 = 20 %. Il dit à quel point la marque est visible dans l’échantillon. Il ne distingue pas une mention en passant d’une recommandation.

La part de voix dans les réponses (Answer Share of Voice), dans sa version fondée sur les mentions, est la part de la marque dans l’ensemble des mentions de marques du périmètre concurrentiel défini. Si la Marque X compte 80 mentions et que toutes les marques suivies, Marque X comprise, en totalisent 600, sa part de voix est de 80 ÷ 600 = 13,3 %. Le dénominateur est un nombre de mentions, pas de réponses. C’est aussi une autre unité que la part des citations de sources, qui compte des liens et non des noms.

La part de voix des recommandations (Recommendation Share of Voice) ne compte que les recommandations explicites. Si les mêmes réponses contiennent 200 recommandations validées réparties sur le périmètre concurrentiel et que la Marque X en reçoit 30, sa part de voix des recommandations est de 30 ÷ 200 = 15 %.

Ce chiffre ne doit pas être confondu avec le taux de recommandation (Recommendation Rate), la part des réponses analysées qui recommandent la marque : ici 30 ÷ 400 = 7,5 %. Le premier situe la marque parmi les recommandations qui existent. Le second dit à quelle fréquence un acheteur qui pose la question entendra la marque recommandée. Les deux peuvent diverger : dans une catégorie où les moteurs nomment rarement un prestataire, une marque peut détenir une grande part de très peu de recommandations.

Pourquoi segmenter la visibilité IA selon l’intention de la requête ?

Parce qu’une même apparition n’a pas la même valeur selon ce que l’utilisateur a demandé. Un score global mélange souvent des réponses à des questions aux finalités très différentes. Dans un même domaine, quatre questions peuvent se côtoyer. Une question informationnelle : « Qu’est-ce que le Generative Engine Optimization ? ». Une question de découverte de prestataires : « Quelles agences sont spécialisées en GEO en Thaïlande ? ». Une question comparative : « Quelles agences GEO en Thaïlande proposent la mesure de la visibilité IA et l’analyse concurrentielle ? ». Une question de décision : « Quelle agence contacter pour améliorer la visibilité de mon entreprise dans ChatGPT et Google AI Mode ? ».

Sur la première, être cité comme source est un vrai résultat. Sur la deuxième, être identifié comme acteur du marché compte. Sur la troisième et la quatrième, la recommandation explicite est ce que l’utilisateur a demandé. Une entreprise peut dominer les réponses informationnelles et être presque absente des réponses de sélection, et un score unique construit sur les quatre types le masquerait.

La visibilité informationnelle garde sa valeur. Elle peut nourrir la notoriété, apporter du trafic de référence et préparer une découverte ultérieure. L’enjeu est de conserver la distinction, pas de donner à chaque apparition le même poids. KAIS classe chaque question par intention et par territoire, comme décrit dans notre analyse du query fan-out et des territoires de requêtes, et exclut du score les questions qui nomment la marque, parce qu’une requête qui nomme une marque la trouve toujours.

Que vaut une citation de source si la marque n’est pas recommandée ?

Une citation de source est un véritable actif, mais elle montre que le moteur a utilisé le savoir de la marque, pas qu’il en recommande les services. Elle peut apporter du trafic de référence, une exposition à de nouveaux publics et une position de référence sur un sujet. Elle montre aussi quels types de contenus les moteurs choisissent de faire remonter.

Prenons un cabinet d’avocats qui publie un guide détaillé sur la création d’entreprise en Thaïlande. Un moteur peut citer ce guide pour expliquer la procédure d’immatriculation, puis recommander de tout autres cabinets quand l’utilisateur demande quel avocat engager. Le savoir du cabinet est visible. Ses services ne sont pas retenus.

Restent deux questions distinctes. L’entreprise est-elle utilisée comme source de connaissance ? Est-elle présentée comme une solution au besoin de l’utilisateur ? Un taux de citation élevé associé à un faible taux de recommandation suggère que la visibilité informationnelle ne se traduit pas en visibilité commerciale. Comprendre pourquoi relève d’une enquête à part, car l’écart entre deux chiffres ne s’explique pas de lui-même. La même distinction traverse Cité ne veut pas dire utilisé, qui mesure à quelle fréquence une source citée pèse réellement sur la réponse.

Quel rôle jouent les sources tierces dans les recommandations de l’IA ?

Les sources tierces montrent où se situe une marque dans l’information qui entoure une question commerciale, mais leur présence à côté d’une recommandation ne prouve pas qu’elles l’ont causée. Les réponses IA s’appuient sur des éditeurs indépendants, des annuaires professionnels, des médias spécialisés, des avis clients et d’autres sources qui décrivent une entreprise, ses services et son marché.

Une entreprise peut être recommandée dans une réponse qui cite une publication sectorielle indépendante plutôt que son propre site. Son site peut être cité encore et encore pendant que le moteur recommande des concurrents repérés par d’autres sources. Une évaluation utile distingue donc cinq cas : les citations du site de l’entreprise, les citations de pages tierces qui parlent de l’entreprise, les citations de sources consacrées à ses concurrents, les recommandations accompagnées d’une source visible, et celles qui n’en affichent aucune. Deux moteurs peuvent même s’appuyer sur des preuves différentes pour la même marque, comme le montre Même marque, preuves différentes.

Cartographier ces relations montre où la marque est présente, et où elle est absente, dans les preuves qui entourent les questions d’achat. C’est surtout utile quand une entreprise est reconnue comme source d’information mais absente des prestataires recommandés.

Que doit montrer un rapport de visibilité IA ?

Un rapport de visibilité IA doit préciser quel indicateur a bougé, sur quelles questions, face à quels concurrents, sur quelle période et sur quels moteurs. Un titre comme « votre visibilité IA a progressé de 35 % » dit peu de chose à lui seul. Le site a-t-il été davantage cité ? La marque a-t-elle été nommée plus souvent ? Est-elle entrée dans davantage de listes de prestataires ? A-t-elle été plus souvent recommandée ? Sa part des recommandations a-t-elle augmenté parce que des concurrents ont reculé ? Ce sont des résultats différents.

Les recommandations sont classées selon leur formulation et leur contexte réels. Une réponse qui décrit une entreprise comme un prestataire disponible n’est pas une recommandation, et une recommandation assortie de fortes réserves ne vaut pas une recommandation sans condition. Les réponses varient aussi d’une exécution à l’autre : KAIS traite une passe par question comme une lecture exploratoire, et en fait trois avant de parler de diagnostic. Le protocole est décrit dans Comment comparer sa visibilité à celle de ses concurrents dans AI Mode.

Où se situe la recommandation dans la chaîne de visibilité IA de KAIS ?

La recommandation est la dernière des sept étapes de la chaîne de visibilité IA de KAIS, et la chaîne est construite pour que chaque étape se mesure séparément.

La citation de source relève de la cinquième étape, être cité. La recommandation explicite et la recommandation prioritaire relèvent de la septième. L’identification comme prestataire est le signe observable le plus proche de la troisième étape, être compris : le moteur relie l’entreprise à ce qu’elle vend. La chaîne comporte aussi une exception documentée, qui compte ici. Un moteur peut recommander une marque à partir de ce que son modèle a déjà appris, sans récupération ni source visible. Une recommandation sans citation est donc possible, et un rapport qui ne suit que les citations la manquerait.

Le diagnostic découle de l’endroit où la chaîne cède. Une entreprise jamais nommée peut avoir un problème de découvrabilité de base. Une entreprise souvent nommée mais rarement identifiée comme prestataire a besoin d’un lien plus net avec sa catégorie commerciale. Une entreprise largement citée et rarement recommandée dispose d’une visibilité informationnelle qui ne se traduit pas encore en recommandations. Chaque cas appelle un travail différent.

La question que pose vraiment l’acheteur

Les citations de sources montrent où circule l’information d’une entreprise dans l’écosystème de l’IA. Les mentions montrent si l’entreprise elle-même apparaît dans la réponse. Les recommandations montrent si le moteur la présente comme une solution au besoin exprimé. Ces résultats méritent une mesure séparée, lue au regard de l’intention de l’utilisateur et face au même ensemble de concurrents.

Il ne s’agit pas de faire monter tous les indicateurs à la fois. Il s’agit de savoir quelles formes de visibilité servent les objectifs de l’entreprise, et où se situent les écarts entre être cité, être nommé et être recommandé.

La question n’est plus « combien de fois l’IA cite-t-elle notre marque ? ». Elle devient « quand un client potentiel demande à une IA qui peut résoudre son problème, notre marque fait-elle partie de la recommandation ? »

Sources

• Semrush — How to measure AI share of voice using Semrush, 17 juillet 2026. La formule fondée sur les mentions (les mentions IA d’une marque divisées par l’ensemble des mentions de marques de sa catégorie, multipliées par 100), et le rapport Brand Performance de l’AI Visibility Toolkit, qui tient aussi compte de la place de la marque dans la réponse.
• Trakkr — AI share of voice, guide de Mack Grenfell, juin 2026. La part de voix pondérée par la position, où une mention en premier ou une recommandation explicite pèse plus qu’une mention en fin de réponse, avec une mention comptée par marque et par réponse.