La marque vue par les LLMs

Un LLM construit une représentation interne (le brand embedding) de chaque marque à partir du corpus qu'il ingère - c'est ce que le moteur restitue quand il répond à une requête catégorielle, amplifiant les marques familières et pénalisant l'incohérence.

Coupe de roche révélant deux empreintes fossiles - l'une nette et profonde, l'autre floue et effacée - gravure naturaliste 19
Une empreinte nette, une effacée

Chaque marque a une empreinte dans les modèles de langage. Ce n’est pas une métaphore : quand un LLM répond à une requête catégorielle - « quelle assurance choisir ? », « quel outil de gestion de projet recommandes-tu ? » -, il puise dans une représentation interne construite à partir de toutes les données qu’il a ingérées pendant l’entraînement. Campagnes, presse, forums, Wikipedia, fiches produit, reviews : la marque s’encode à partir de l’accumulation de ces fragments, exactement comme la mémoire collective humaine - « people build brands out of the scraps they chance upon », comme le formulait Jeremy Bulmore. La différence est que chez l’humain la trace est distribuée et oublie ; chez le LLM, elle est centralisée et persistante, avec ses cycles de ré-entraînement.

Ce mécanisme a été formalisé dans le champ praticien à partir de 2024-2025, notamment par Paul Feldwick (WARC) et par des observations de chercheurs comme Roger Martin (Rotman School). L’architecture sous-jacente - prédiction du token suivant en fonction des cooccurrences les plus probables dans les données d’entraînement - n’est pas nouvelle ; ce qui est nouveau, c’est la prise de conscience de ses implications pour la stratégie de marque, à mesure que les LLMs deviennent des intermédiaires réels dans les parcours d’achat.

La robustesse de ce cadre est praticienne et directionnelle, pas encore quantifiée à la manière des lois d’Ehrenberg-Bass. Les cas documentés (dont le cas Mastercard ci-dessous) convergent, mais il n’existe pas encore d’équivalent de la règle 60/40 pour la couche LLM. La direction est solide ; le quantum reste à établir.

Cette page couvre le mécanisme par lequel un LLM « se souvient » d’une marque et ce que cela signifie pour la stratégie d’investissement. L’angle opérationnel - être cité, construire du contenu indexable par les LLMs - est couvert dans Generative Engine Optimization (GEO), dont l’embedding est le prérequis amont.

L’essentiel en 4 points

  • Les LLMs cherchent le mode, pas la moyenne : une marque dont la communication ressemble à ses concurrents ne remonte pas, une marque cohérente et distinctive s’encode comme réponse naturelle à une catégorie.
  • Le brand embedding encode la consistance sur le long terme : 28 ans de « Priceless » chez Mastercard, et les LLMs le citent en premier - devant des marques instables qui n’obtiennent que des attributs produits.
  • Le funnel collapse rend l’embedding asymétrique : dans un parcours agent-mediated, soit la marque est dans la réponse finale, soit elle ne participe pas - il n’y a plus d’étape intermédiaire pour se rattraper.
  • Les leviers sont ceux de la disponibilité mentale classique : earned media de qualité, reviews en volume, consistance dans le temps - pas du SEO tactique qui crée de la dépendance plateforme.

Le mécanisme : les LLMs comme mode-seeking devices

La règle implicite que suit un LLM quand il répond à une requête de catégorie n’est pas « quelle est la moyenne ? » mais « what happened most of the time in this situation? ». Comme le souligne Roger Martin (Rotman School) dans une conversation documentée par le Sleeping Barber, le moteur cherche le mode, pas la moyenne. Conséquence directe : si la communication d’une marque ressemble à celle de ses concurrents catégoriels, l’IA produit une réponse générique qui ne la cite pas - ou la cite sans distinction, mélangée aux autres. La distinctivité n’est plus seulement une stratégie de mémorisation humaine : elle devient une condition de visibilité algorithmique.

La mécanique est prévisible. Un modèle qui rencontre systématiquement une marque aux côtés des mêmes catégories, des mêmes situations, des mêmes attributs - pendant des années - construit un signal dense et cohérent. Une marque qui change de positionnement tous les 18 mois multiplie les signaux faibles dispersés et n’émerge nulle part avec netteté.

Le brand embedding comme actif

Comme le documente Paul Feldwick dans une analyse WARC, le brand embedding est la représentation qu’un LLM construit d’une marque à partir de toutes les données qu’il rencontre. L’analogie avec la mémoire collective est explicite : dans les deux cas, la trace s’agrège à partir d’expositions fragmentaires. La différence est la persistance : le LLM ne « oublie » pas entre deux entraînements, il repondère.

Un cas démonstratif : interrogés sur des marques de paiement, ChatGPT, Gemini et Perplexity font remonter immédiatement le « Priceless » de Mastercard - une campagne lancée en 1997, soit 28 ans de consistance encodée. Un concurrent au positionnement instable n’obtient que des attributs produits, « sans personnalité saillante ». La consistance long-terme se différencie dans la couche machine ; les rotations de positionnement paient un coût d’embedding diffus.

Un mécanisme parallèle s’observe côté expérience utilisateur. Comme le rapporte Jonathan Elfreich (Misfits & Machines) dans le podcast Marketing Architects, les LLMs équipent maintenant les conversations longues d’une mémoire utilisateur persistante : si un profil enregistre une préférence pour une marque de papier essuie-tout, l’IA la recommandera proactivement à l’occasion d’une requête de planification - sans que la marque ait rien fait à ce moment. L’embedding global (corpus public) et la mémoire individuelle (conversations privées) se renforcent mutuellement.

Le funnel collapse : pourquoi l’embedding devient asymétrique

La transition vers l’agent-mediation change la nature du problème. Comme le documente WARC dans son analyse des tendances 2026, un agent reçoit une mission et exécute discovery, reasoning, comparaison et choix en arrière-plan. Soit la marque est dans la réponse finale, soit elle ne participe pas. Il n’y a plus d’étape d’awareness intermédiaire où se rattraper par budget - pas de retargeting, pas de bannière de relance. « It’s no longer about being seen, it’s about being chosen. »

L’asymétrie est structurelle :

  • Les marques fortes au brand embedding solide bénéficient mécaniquement du funnel collapse - leur familiarité préexistante remonte plus vite dans les réponses.
  • Les challengers sous-représentés subissent l’effet inverse, sans top-funnel pour compenser par budget. La place dans la réponse dépend du corpus, pas du média acheté.

La fenêtre d’investissement brand précède l’agent-mediation massive. C’est le Split Brand-Activation transposé à l’IA : sauf que la cassure n’est plus 60/40 vs 5/95, c’est « présent dans la réponse » vs « absent ». Comme le formule Edward Bell (CMO Cathay Pacific) dans une conversation WARC, la réponse de fond au funnel collapse est « to be a more loved and famous brand » - l’inverse de l’intuition tactique du perf-marketeur.

Construire l’embedding : trois leviers, pas du SEO-tactical

Le piège central est d’appliquer les réflexes SEO à la couche LLM. Comme l’observe WARC, « hacking the algorithm is a short-term strategy - you’re just creating platform dependence ». Une marque construite sur l’optimisation algorithmique pure est vulnérable à chaque mise à jour de modèle. Les marques avec une equity authentique maintiennent leur position indépendamment des shifts.

Trois leviers documentés, par ordre d’effet :

1. Earned media de qualité. Presse, Reddit, forums spécialisés. Les LLMs valorisent les conversations organiques reprises par des sources crédibles, parce que c’est ce qui sédimente dans leurs corpus d’entraînement et leurs API de recherche externes (cf. Generative Engine Optimization (GEO) pour la mécanique du query fan-out). Les RP, longtemps mesurées en column inches court-terme, retrouvent une justification long-terme.

2. Reviews structurées en volume. G2, Trustpilot, plateformes sectorielles. Les LLMs semblent accorder un poids fort aux reviews humaines pour les suggestions produit. La pression des reviews indexées agit comme une couche de social proof lisible par la machine.

3. Consistance dans le temps. Le mécanisme de disponibilité mentale classique, transposé au nouveau corpus de stockage. Investissement long sur un même axe créatif et stratégique ; rotation d’agence et de positionnement comme principal facteur de destruction (voir Compound Creativity).

Un point documenté sur la vitesse de récupération : Rand Fishkin (SparkToro) a observé qu’un thème de reviews négatif surfaçait 67 fois dans les outputs LLM brandés d’une entreprise. Après publication de données de rétention réelles et deux citations par Perplexity, les LLMs ont cessé de référencer ce thème. La corroboration publique, même mince, recharge rapidement le record - l’embedding est plus malléable côté factuel que côté positionnement créatif (où la consistance multi-années reste le facteur dominant).

Le risque structurel : l’homogénéisation

Si toutes les marques d’une catégorie optimisent leurs signaux LLM en utilisant le même registre marketing, la distinctivité s’érode. Les modèles ont une « natural homogenizing force » - mêmes corpus, mêmes patterns, mêmes recommandations. Le GEO tactique accélère ce processus en standardisant les signaux.

La contre-mesure passe par une gouvernance stricte des actifs distinctifs - mascottes, sonic logos, signatures visuelles propres qui résistent aux modèles génératifs - et par le maintien d’une empreinte sur les category entry points qui ne se fondent pas dans la norme catégorielle.

Si ta scale-up plafonne aujourd’hui

1. Construire la marque qui sera choisie, pas hacker l’algo.

L’inverse de l’intuition tactique perf. La voie qui résiste à toutes les vagues d’algorithme est celle qui résistait déjà aux changements de SERP : familiarité accumulée, consistance long-terme, actifs distinctifs. Optimiser pour les LLMs comme on optimisait pour Google, c’est rejouer le même cycle de dépendance plateforme.

2. Earned media et UGC reviennent au centre comme infrastructure.

Pas comme amplification post-launch : comme couche de visibilité algorithmique permanente. Les LLMs sont obsédés par l’UGC (Reddit, Trustpilot, Wikipedia). Une logique RP de réputation long-terme, avec pression de citations factuelles courtes, est plus durable qu’une campagne d’optimisation.

3. Auditer son Share of Model dès cette semaine.

Gratuit, 30 minutes, signal direct sur la santé brand vue par la couche algorithmique. À comparer au share of search Google sur les mêmes requêtes : révèle si la marque gagne ou perd dans la transition humain vers agent.

4. Protéger ses owned audiences et sa first-party data.

Bâtir exclusivement dans l’environnement OpenAI ou d’un wallet d’agent, c’est donner sa first-party data à un futur désintermédiaire. « Direct customer relationships are still your No. 1 asset » (Thomas Barta). La relation directe protège de l’asymétrie de l’embedding en créant un canal non-médiatisé.

5. Investir 12 mois avant le tipping point catégoriel.

L’asymétrie marques fortes / challengers se creuse mécaniquement à mesure que l’agent-mediation se généralise. Un retard d’investissement brand aujourd’hui produit un déficit d’embedding non-rattrapable par budget perf plus tard.

Pour aller plus loin

  • La disponibilité mentale - Le mécanisme fondateur dont l’embedding est l’extension dans la couche machine : structures de mémoire, category entry points, lois d’Ehrenberg-Bass.
  • Distinctivité vs Différenciation - L’antidote au pattern mode-seeking : pourquoi être reconnaissable prime sur être différent, et comment la distinctivité s’encode mieux que la différenciation dans les LLMs.
  • Actifs Distinctifs - La gouvernance opérationnelle de la distinctivité : quels actifs protéger, comment les tester, et pourquoi leur résistance aux modèles génératifs en fait un enjeu stratégique.
  • Generative Engine Optimization (GEO) - La couche supply-side : comment être effectivement cité dans les réponses LLM. L’embedding est le prérequis amont ; le GEO en est l’opérationnalisation.

Sources

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.