Mesurer le Share of Model

Demander à un assistant IA quelles marques considérer pour un besoin ne renvoie pas dix liens bleus : une synthèse courte, où toutes les marques d’une catégorie n’apparaissent pas, et où celles qui apparaissent ne sont pas décrites n’importe comment. Le Share of Model décrit la place qu’une marque occupe dans ces réponses. Sa mesure est devenue un enjeu de pilotage : assistants et agents sont une surface de découverte réelle, et un score flatteur obtenu en une requête ne prouve rien.

L’idée descend en droite ligne de la mesure marketing classique. Elle transpose au terrain génératif la logique du share of voice et du Share of Search, et prolonge la disponibilité mentale de Byron Sharp et de l’école Ehrenberg-Bass : non plus la marque vient-elle à l’esprit d’un acheteur humain, mais le modèle la restitue-t-il quand la situation d’achat est formulée ? Les premiers protocoles viennent de praticiens SEO et growth - Kevin Indig, Mateusz Makosiewicz (Ahrefs), Dan Wilson - qui ont documenté l’instabilité de ces mesures avant d’en poser la méthode.

La robustesse empirique est ici inégale par construction : les chiffres cités dans cette page viennent d’expériences ponctuelles sur des panels de modèles précis, pas de lois établies sur de grands échantillons. Ce qui tient, c’est la méthode - répéter, séparer les étages de mesure, lire relativement à la catégorie. Ce que cette page ne traite pas : ce que le Share of Model représente au fond (couvert par la page jumelle, plus bas) ni les leviers techniques pour influencer les citations (traités dans Generative Engine Optimization (GEO)).

L’essentiel en 4 points

• Un score sans description de son échantillon (intentions, formulations, modèles, répétitions) ne peut pas être comparé dans le temps.
• On ne mesure pas une « visibilité » unique : couverture, rang, mention share, citation share et fidélité répondent à cinq questions différentes.
• Les moyennes cross-modèles masquent l’information utile : le dashboard garde une colonne par plateforme.
• Un score sans comparaison est décoratif : le diagnostic le met en regard du Share of Search, du trafic direct et des recommandations.

Un sondage, pas un classement

Le Share of Model porte un problème de mesure avant de porter un problème d’optimisation. Aucun assistant ne publie le volume réel des prompts qui lui sont adressés : le dénominateur observable n’est donc pas « toutes les demandes de la catégorie », mais un échantillon construit. Un score sans description de cet échantillon - intentions couvertes, formulations, modèles, fenêtre de temps - ne peut pas être comparé d’un mois sur l’autre.

Les preuves d’instabilité sont directes. L’étude de Kevin Indig sur la fiabilité du prompt tracking montre que seulement 2,2 % des citations persistaient après trois exécutions identiques d’un même prompt, avec une variance intra-modèle de 10 à 34 %. Mateusz Makosiewicz a observé de son côté que deux réponses consécutives au même AI Overview ne conservaient que 54 % des entités nommées. Une observation ponctuelle mesure autant le tirage aléatoire du modèle que la position de la marque.

Le protocole ne cherche pas à supprimer cette variance - impossible - mais à la rendre visible : même portefeuille d’intentions, mêmes pays et langues, même accès au web activé, versions de modèles consignées, plusieurs répétitions par cellule. Ce qui ressort d’un tel dispositif n’est pas un chiffre, mais trois : une moyenne, une dispersion, un intervalle de confiance.

Construire l’échantillon depuis les situations d’achat

L’unité de départ est l’intention d’achat, pas la formulation exacte. Pour chaque situation d’achat prioritaire, on écrit plusieurs prompts qui expriment le même besoin avec des mots, des contraintes et des niveaux de précision différents. Un audit qui répète vingt variantes artificielles d’un seul mot-clé mesure son propre template ; un audit qui couvre les situations importantes mesure la surface de récupération de la marque.

Un dispositif initial défendable tient en quatre couches :

1. 10 à 15 intentions représentant la demande à conquérir, pondérées par leur importance stratégique plutôt que par un volume de prompt inconnu.
2. 3 à 5 formulations par intention, dont au moins une demande ouverte, une contrainte fonctionnelle et une situation contextualisée.
3. Trois assistants réellement utilisés par ton audience, chacun exécuté plusieurs fois, avec le grounding web consigné (activé ou non, date des index).
4. Ta marque et un groupe concurrent stable, pour que chaque résultat soit relatif à la catégorie.

Cette architecture distingue le prompt - un instrument d’échantillonnage - de l’objet mesuré. Selon le retour d’expérience de Dan Petrovic invité de l’Ahrefs Podcast, une mesure fondée sur les entités permet de suivre quatre sorties : la fréquence d’apparition, la position ordinale, la part des mentions et la part des citations. C’est la séparation que reprend le tableau de bord ci-dessous.

Cinq métriques, cinq questions

Le mot « visibilité » fusionne des événements différents : apparaître dans une réponse, y occuper une position, être nommée parmi d’autres, voir ses contenus cités, être associée aux bons attributs. Le dashboard les garde séparés :

Ces étages ne sont pas des synonymes. Makosiewicz rapporte le cas d’une page citée par un AI Overview tandis qu’un concurrent était recommandé : être trouvée, être citée, être mentionnée et être recommandée forment une chaîne, pas une seule métrique. Le North Star relatif peut agréger couverture et mention share ; le diagnostic conserve chaque étage.

Le sentiment demande une grille humaine minimale : catégorisation correcte, attributs centraux présents, erreurs factuelles, raisons de recommandation et réserves. Un modèle peut citer abondamment une marque en l’associant au mauvais usage : bon score quantitatif, mauvaise représentation.

La fragmentation fait partie du résultat

Les modèles ne donnent pas le même marché. Dan Wilson a mesuré, sur un même panel de marques, qu’une marque pouvait être classée 2,7e en moyenne sur DeepSeek et 9,2e sur Grok, avec les classements Anthropic, Gemini et OpenAI comme les plus cohérents et les moins volatils de son panel. Une moyenne cross-modèles masque précisément l’information utile : où la marque disparaît-elle ?

Le tableau de bord conserve donc une colonne par plateforme, la moyenne restant un chiffre de synthèse. Chaque changement majeur de modèle se consigne comme une rupture de série : une variation simultanée chez tous les concurrents après une release ressemble à un changement d’instrument, pas à un mouvement de marché ; une variation propre à la marque appelle l’examen des sources, des attributs et du corpus qu’elle expose.

Cette volatilité locale ne contredit pas nécessairement une tendance agrégée lente. Dans son bilan AEO/GEO, Wilson observe que la visibilité LLM agrégée de son échantillon était moins dispersée que le Share of Search : écart-type rapporté à la moyenne de 11 %, contre 32 %. Les réponses bougent beaucoup ; l’équité sous-jacente peut bouger peu. Les deux niveaux se lisent ensemble.

« Plus on répète les prompts, plus le coût augmente, sans jamais reproduire les conversations réelles personnalisées. » Le suivi de visibilité IA reste un échantillon, rappelle l’épisode Growth Memo sur le sujet : il doit être triangulé avec les citations, le trafic de référence et les logs de crawl. Le bon dispositif n’est pas maximal : il est assez stable pour détecter un mouvement, et assez léger pour survivre plusieurs trimestres.

Du score au diagnostic

Trois comparaisons empêchent le score de devenir décoratif :

• Share of Model vs Share of Search. Le premier au-dessus du second signale une ouverture machine à exploiter ; en dessous, une équité humaine ou search mal restituée par les modèles.
• Mentions vs trafic direct et brandé. Selon la recherche de Rand Fishkin (Similarweb/SparkToro), des hausses de mentions IA ont accompagné des hausses de visites directes chez American Express et Capital One. La corrélation ne prouve pas la causalité, mais elle donne un signal de validation à suivre.
• Citation vs recommandation. Beaucoup de citations et peu de recommandations : tes actifs informent la réponse sans que la marque gagne le choix. Peu de citations et beaucoup de mentions : une équité encodée ailleurs que dans tes propres contenus.

Le rythme suit la vitesse de l’objet : mensuel ou trimestriel pour la tendance de fond, contrôle exceptionnel après une release majeure, une crise réputationnelle ou un changement de positionnement. Un reporting hebdomadaire transforme le bruit en activité et invite à sur-optimiser.

Si ta scale-up plafonne aujourd’hui

1. Pose une baseline modeste mais répétable.

10-15 intentions, 3-5 formulations, trois assistants, cinq répétitions. Archive prompts, pays, date, modèle et état du grounding web à chaque tirage. Ce n’est pas un panel Nielsen : c’est assez pour détecter un mouvement, pas pour en prouver la cause.

2. Affiche les cinq métriques séparément.

Couverture, rang, mention share, citation share, fidélité. Ajoute la recommandation quand l’agent peut effectivement sélectionner et acheter, jamais en l’inférant d’une citation. Un score agrégé seul te cache l’étage où tu perds.

3. Lis par plateforme et face aux concurrents, avec une dispersion.

Une colonne par modèle, une moyenne seulement en synthèse, un intervalle de confiance visible. Bannis le screenshot d’une réponse favorable comme preuve : il mesure un tirage, pas une position.

4. Triangule chaque trimestre.

Share of Search, trafic direct et brandé, referrals LLM, sources citées : le dashboard du Share of Model sert à localiser un écart, pas à attribuer des ventes. Le confier au brand tracker et au rituel mensuel de pilotage ; les actions techniques qui en découlent se traitent dans Generative Engine Optimization (GEO), pas dans la métrique elle-même.

Pour aller plus loin

• Mesurer la Disponibilité Mentale - L’appareil jumeau côté mémoire humaine : sonder les points d’entrée de catégorie plutôt qu’un score global.
• Share of Search - Le comparateur établi face auquel lire le Share of Model : gratuit, hebdomadaire, fenêtre de lecture documentée.
• Stack de Mesure - Pourquoi aucune métrique seule ne suffit : la triangulation comme discipline, appliquée ici aux réponses génératives.
• Generative Engine Optimization (GEO) - Agir sur les sources et la lisibilité une fois le diagnostic posé.

Sources

• Kevin Indig, How to make prompt tracking much more accurate - fiabilité des citations, variance intra-modèle.
• Mateusz Makosiewicz, AI Search Strategy: 4 Pillars to Show Up More (and Right) in AI Answers - entités suivies, cadence et périmètre du tracking.
• Mateusz Makosiewicz, Self-Promotional Content Works—Until It Backfires (AI SEO Experiment) - citer vs recommander.
• Dan Wilson, Do LLM platforms agree with each other? - classements par plateforme, cohérence et volatilité.
• Dan Wilson, AEO / GEO / LLM Search / AI Search - visibilité agrégée vs Share of Search.
• Kevin Indig (Growth Memo), épisode Myth vs Data in AI visibility tracking - triangulation et limites du prompt tracking.
• Ahrefs Podcast, épisode I Asked a 15-Year SEO Veteran How to Rank in ChatGPT - Dan Petrovic (DEJAN AI) - fréquence, rang, mentions, citations.
• Rand Fishkin, New Research from Similarweb: How AI Brand Mentions Influence Direct Visits & Traditional Search Queries - mentions IA et trafic direct.

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.