Deux questions reviennent chez les propriétaires de boutiques. La première : « Nous utilisons déjà Search Console et les statistiques de la boutique, mais aucun ne nous dit ce qui se passe quand quelqu’un demande une recommandation de produit à ChatGPT ou Gemini. » La seconde vient d’un vendeur qui a failli payer une agence $3,000 pour un audit, puis $400 par mois pour le suivi : cela en vaut-il la peine ?
La meilleure réponse à la seconde venait d’un autre vendeur dans la même discussion : si le livrable est un rapport, vous pouvez vous en passer, à £450 comme à $3,000 — et payer pour observer un chiffre avant d’avoir changé quoi que ce soit, c’est prendre le problème à l’envers. Voici donc le contrôle lui-même. Nous l’avons appliqué à notre cas sur trois plateformes, et deux constats ont changé nos actions.
Étape 1 — écrivez les questions que vos acheteurs posent réellement
Pas « ma marque est-elle visible ? ». Vingt à quarante questions formulées comme un acheteur les saisit avant l’achat : meilleur <type de produit> pour <cas d’usage>, <type de produit> qui <contrainte importante pour eux>, alternatives à <produit grand public évident>. Gardez aussi quelques questions mentionnant la marque — elles se comportent très différemment, et cette différence compte.
Écrivez la liste dans un fichier. La liste est votre ressource, car vous la réutiliserez.
Étape 2 — consignez ce que vous obtenez, pas seulement votre présence
Posez chaque question à ChatGPT et Gemini et, pour chaque réponse, consignez quatre éléments : êtes-vous mentionné ; êtes-vous cité avec un vrai lien dans les sources ; quels concurrents apparaissent et dans quel ordre ; quelles URL sont citées, quel qu’en soit le propriétaire.
Mentionné et cité ne sont pas synonymes, et l’écart est la partie exploitable. Dans nos tests, certaines réponses reprenaient notre positionnement presque mot pour mot tout en nous décrivant de façon générique — sans nom de marque ni lien. C’est un problème de texte source, pas de classement, et aucun tableau de visibilité ne nous aurait dit lequel.
Étape 3 — la colonne qui change vos actions
La quatrième colonne est celle qui vaut de l’argent. Lorsque nous avons posé des questions de catégorie sans marque sur trois plateformes, toutes les citations pointaient vers des dépôts GitHub et des articles de listes tiers — pas vers notre site. Les questions mentionnant la marque se comportaient différemment et citaient nos pages.
Deux conséquences pour une boutique. Si les réponses sans marque dans votre catégorie citent des sélections de détaillants, des fiches de places de marché et des sites d’avis, réécrire votre page d’accueil ne les changera pas ; l’unité de diffusion est ce que le modèle cite réellement. Testez aussi séparément les deux types de questions — en les moyennant dans un score de visibilité unique, vous obtenez un chiffre qui évolue pour des raisons sur lesquelles vous ne pouvez pas agir.
Étape 4 — corrigez la source, pas le tableau de bord
Deux types d’échecs signalés par les vendeurs, tous deux corrigeables à la source.
Des faits périmés. Un vendeur a vu arriver un client citant un prix qui n’avait plus été pratiqué depuis l’ouverture de la boutique, plus d’un an auparavant. Un autre a découvert que ChatGPT recommandait un produit retiré de la vente depuis des mois ; après vérification, deux autres modèles affichaient le même article abandonné. Si un ancien prix ou un produit retiré reste sur une page en cache, une vieille publication ou une fiche tierce, c’est ce qui sera répété à vos clients.
Un manque de contenu comparatif. Un modèle qui répond à « X ou Y » a besoin d’un texte à citer. Si personne dans votre catégorie n’a écrit de comparaison honnête, la réponse sera assemblée à partir de ceux qui l’ont fait.
La liste d’actions est donc : corriger les faits périmés là où ils se trouvent réellement, y compris sur des pages qui ne vous appartiennent pas, puis créer les comparaisons ou contenus d’usage manquants sur les supports vers lesquels pointent les citations. Les mécanismes qui expliquent pourquoi un passage est cité et un autre non sont détaillés dans notre article sur la façon d’être cité par ChatGPT.
Étape 5 — mesurez à nouveau, mais pas la semaine prochaine
Les métadonnées visibles par les modèles ont beaucoup de retard. Dans nos contrôles, les plateformes rapportaient un nombre d’étoiles et une date de version périmés de plusieurs mois. N’évaluez pas une correction dans la semaine suivant son application. Rejouez la même liste de questions après quelques semaines et comparez le taux de mention, le taux de citation et l’ordre des concurrents au premier passage — d’où la consigne de conserver la liste dans un fichier à l’étape 1.
Une autre discipline : il s’agit d’un échantillonnage, pas d’une mesure. Les réponses varient d’un passage à l’autre ; répétez donc chaque question au moins trois fois à des jours différents avant de croire à un changement. Un seul passage ne vous apprend presque rien.
L’exécuter dans Orkas
Orkas intègre un SeoGeoAgent, et la liste de questions, les relevés de chaque passage et la liste de corrections résident dans un même dossier de projet : le deuxième passage peut donc se comparer au premier au lieu de repartir de zéro. Le processus plus large — suivre les questions où vous apparaissez et transformer les lacunes en pages — correspond au cas d’usage de visibilité dans la recherche et les réponses de l’IA.
Ce que cela ne vous donne pas
- Aucun chiffre de trafic. Le rapport d’IA générative de Google Search Console n’a pas d’API et, par sa structure, ne rapporte que les impressions — vous ne pouvez pas en calculer un taux de clic IA.
- Aucune part réelle d’un concurrent. Vous échantillonnez des réponses, vous ne mesurez pas une population.
- Aucune garantie de propagation d’une correction. Certaines sources citées échappent entièrement à votre contrôle.