Nouveauté dans l’AI Check : comment les systèmes d’IA perçoivent votre marque et dans quels cas ils la recommandent

C’est de plus en plus souvent les réponses générées par l’IA qui déterminent si une marque est choisie, recommandée ou ignorée. Cela crée un nouveau défi pour le marketing : ne plus se contenter de mesurer la perception de sa marque dans les sondages ou sur les réseaux sociaux, mais également là où les systèmes d’IA la redéfinissent chaque jour. Comment les modèles parlent-ils de la marque ? Quelles caractéristiques lui attribuent-ils, et lesquelles attribuent-ils à la concurrence ? Et dans quelles situations d’achat est-elle recommandée ? C’est précisément pour ce processus que SISTRIX propose dès à présent trois nouvelles analyses dédiées à l’IA et aux chatbots.

Ces analyses se trouvent dans l’AI Check, la section où, après avoir saisi un domaine ou une marque, on voit directement dans quelles requêtes celle-ci est mentionnée ou citée dans les réponses générées par l’IA. L’analyse des sentiments y constitue une rubrique distincte dans la navigation, tandis que la perception par rapport à la concurrence et la carte des recommandations sont disponibles dans la section « Concurrents ».

Le tutoriel sur l’analyse des écarts de marque présente étape par étape l’ensemble du processus, de l’état des lieux au plan d’action.

De vraies réponses plutôt que des opinions toutes faites

Ces trois analyses fonctionnent selon le même principe : aucune des affirmations ne provient « du LLM ». Cela n’a rien à voir avec le fait de demander à un modèle d’IA comment il perçoit une marque et de se fier à sa réponse.

La base de données est constituée, au contraire, de véritables réponses générées par l’IA à de véritables questions d’utilisateurs. Si, par exemple, un utilisateur demande quel est le meilleur logiciel de messagerie électronique et que ChatGPT cite plusieurs fournisseurs dans sa réponse, ces marques sont identifiées dans cette réponse, ainsi que dans plusieurs milliers d’autres. Chaque affirmation évaluative est extraite et traitée de manière déterministe ; le modèle d’IA ne procède donc pas lui-même au comptage. Et pour chaque affirmation figurant dans les analyses, il est possible d’afficher la consigne et le bloc de texte dont elle est issue.

Sentiment : comment les systèmes d’IA parlent-ils de la marque ?

On commence par le « Sentiment Score » : le solde entre les éloges et les critiques dans toutes les réponses générées par l’IA où la marque est mentionnée, ventilé par plateforme. L’échelle va de -100 à +100, mais le milieu de gamme réel est nettement plus élevé : les systèmes d’IA s’expriment majoritairement de manière positive, et la moyenne pour de nombreuses marques se situe plutôt autour de +50. Le classement de référence permet donc de situer précisément un score par rapport à celui d’autres marques.

Dans cette section, le bilan thématique ventile le sentiment en fonction des thèmes pertinents pour chaque marque. Pour chaque thème, il présente le rapport entre les éloges et les critiques, ce qui permet de voir quels thèmes contribuent à la valeur globale positive et lesquels la freinent.

Les points forts et les points faibles de la marque peuvent être consultés individuellement. Pour chacun d’entre eux, on trouve ce que les différents systèmes d’IA indiquent textuellement, les sources sur lesquelles ils fondent leur évaluation (sites propres, médias, forums, avec pour chacun le nombre de mentions) ainsi qu’une recommandation concrète sur ce qu’il est possible d’en déduire.

Pour conclure, nous présentons le ton propre à chaque plateforme d’IA dans un contexte typique, ainsi que des citations littérales accompagnées de leurs sources. Cela permet de mettre en évidence l’image que les modèles donnent de la marque, d’identifier les points à améliorer et de déterminer sur quelle plateforme le sentiment bascule. La deuxième étape du tutoriel vous montre comment utiliser l’analyse des sentiments dans la pratique : Tutoriel d’analyse du « Brand Gap ».

Perception face à la concurrence : qu’attribue-t-on à qui ?

Ce n’est qu’en comparant qu’on peut déterminer si un atout attribué a vraiment de la valeur : il se peut que les modèles vantent exactement la même chose chez la concurrence, mais plus souvent. La nouvelle analyse « Perception face à la concurrence » met donc en parallèle les attributs de toutes les marques pertinentes.

Pour cela, l’analyse porte non seulement sur les réponses générées par l’IA dans lesquelles votre marque apparaît, mais aussi sur toutes les réponses concernant vos concurrents directs, regroupées et sans doublons. Les concurrents sont identifiés en deux étapes : lors de la première étape, on recense les marques également mentionnées dans les réponses générées par l’IA concernant votre marque. Lors de la deuxième étape, ce sont précisément ces marques qui sont analysées. Cela a un effet important : les concurrents apparaissent également là où ils font l’objet de critiques.

Le résultat est la matrice de perception : pour chaque marque, les forces et faiblesses perçues, comptabilisées et regroupées, chaque affirmation étant étayée par la citation originale et la requête qui l’a déclenchée.

Le nombre de réponses générées par l’IA et de mentions de la marque prises en compte est indiqué juste au-dessus de la matrice. En dessous, l’analyse résume les domaines dans lesquels la marque se démarque, ceux où les concurrents marquent des points alors que la marque n’y parvient pas encore, et en déduit les prochaines étapes : des axes concrets pour la communication et le contenu.

Cela permet de répondre aux questions suivantes : quelles sont mes valeurs, quelles sont celles des autres, et quels sont les attributs que je perds face à la concurrence ? La troisième étape du tutoriel sur l’analyse du « Brand Gap » t’explique comment en déduire les attributs perdus par ta marque.

Carte des recommandations : quand et qui est recommandé ?

Un nombre élevé de mentions et un sentiment positif ne permettent pas encore de déterminer si une marque est recommandée aux moments décisifs : c’est-à-dire lorsque l’utilisateur est sur le point de prendre une décision d’achat concrète. C’est précisément à cette question que répond la carte des recommandations.

Pour cela, on recense, pour chaque réponse générée par l’IA, quelle marque est recommandée pour quelle occasion d’achat, et dans quel rôle : comme premier choix, comme l’une des options parmi d’autres, pas du tout, ou même si elle est déconseillée. Le résultat est un aperçu de toutes les occasions d’achat pertinentes de votre secteur et des marques qui y sont présentes. La « présence en matière de recommandations » indique en un coup d’œil pour combien de ces occasions votre marque est recommandée, et la matrice des priorités classe toutes les occasions en fonction de leur attractivité et de votre propre position concurrentielle, avec des recommandations d’action pour chaque domaine : développer, sélectionner de manière ciblée ou faible priorité.

Au cœur de cette analyse se trouvent les « gaps » : des occasions d’achat pour lesquelles seuls des concurrents sont recommandés, accompagnées à chaque fois de la marque leader, de la citation originale tirée de la réponse de l’IA et de l’approche de contenu qui permettrait de combler ce « gap ». Cela permet de répondre aux questions suivantes : dans quelles situations d’achat la marque n’existe-t-elle pas pour les systèmes d’IA, qui occupe ces espaces à sa place, et quel contenu faut-il publier pour y apparaître ? La quatrième étape du tutoriel d’analyse des écarts de marque consiste à hiérarchiser ces écarts et à les traduire en un plan de contenu.

Gratuit dans la version bêta de l’IA/chatbot

Ensemble, ces trois analyses couvrent l’intégralité de la perception d’une marque dans les systèmes d’IA : le ton, les caractéristiques attribuées et les situations d’achat. Elles s’appuient les unes sur les autres, allant de la description à la comparaison, jusqu’aux lacunes concrètes en matière de contenu ayant un impact commercial. Les analyses de « Brand Gap », c’est-à-dire la comparaison entre l’image que la marque a d’elle-même et celle que les systèmes d’IA en dressent, peuvent désormais être réalisées directement dans l’outil, ce qui nécessitait jusqu’à présent un travail manuel fastidieux.

Ces trois analyses font partie de la version bêta de SISTRIX AI/Chatbot et sont disponibles dès à présent dans toutes les formules. Comme toujours, nous serions ravis de recevoir vos retours à l’adresse support@sistrix.com, qu’ils soient positifs ou critiques.

Amusez-vous bien en les testant !