Diagnostiquer les angles morts de visibilité selon les modèles IA

Une marque peut être recommandée par un moteur IA et absente d’un autre sur la même question, sans qu’un pourcentage par fournisseur puisse expliquer pourquoi. Ce workflow ramène cet écart aux réponses et citations qui le sous-tendent, puis indique l’action que les preuves justifient.

Le problème GEO résolu

On commande du contenu pour le moteur le plus faible avant même de vérifier que les deux côtés ont été mesurés de la même façon. Un fournisseur suivi sur moins de prompts paraît plus faible pour des raisons sans rapport avec la visibilité, et le nom d’un fournisseur recouvre toute une famille de modèles : un écart attribué à l’ensemble d’un moteur se concentre donc souvent sur un seul modèle.

Une réponse terminée qui ne nomme jamais la marque constitue une absence observée, pas la preuve que le moteur vous ignore ; une cellule null correspond à une preuve manquante. Confondre les deux produit un classement artificiel.

Les étapes du workflow

1. Établissez la référence par fournisseur. list_brands identifie le brandId exact ; get_provider_breakdown renvoie le volume de réponses, les mentions et le taux de visibilité de chaque fournisseur sur une période relative ou personnalisée, avec des filtres facultatifs de sujet, tag et étape du parcours d’achat, pour un maximum de dix fournisseurs. Zéro réponse pour un fournisseur constitue une lacune de couverture, pas un résultat de visibilité.

2. Comparez les dénominateurs, puis passez aux prompts. get_brand_performance prend un fournisseur et une période explicite, puis renvoie les numérateurs et dénominateurs de scoreDetails, ainsi que promptsCount et responsesTotal ; son mentionRate et le visibilityRate de la ventilation divisent par des populations différentes. get_matrix, à la granularité des prompts, fournit ensuite une ligne par prompt et une cellule par fournisseur, dans la limite de 50 lignes.

3. Reconstituez les preuves dans les réponses. get_prompt_answers liste chaque réponse avec son modelId, sa date et son indicateur de mention ; get_answer_details ouvre le texte, les concurrents et les sources. Les réponses ne peuvent être appariées que si leurs dates sont comparables.

4. Séparez les faits des hypothèses. Une ligne par explication : le fait, avec les noms de champs renvoyés, l’hypothèse, les preuves pour et contre, le niveau de confiance et un nouveau test capable de réfuter l’hypothèse.

Ce qu’une exécution renvoie réellement

Une véritable grille de sujets couvrant cinq fournisseurs : sur « llm performance analytics », un moteur affichait un score de 16 et un rang de 6 sur 19, tandis que deux autres renvoyaient 0 sur le même sujet et la même période. Sur « ai brand monitoring », le même moteur affichait 13 et un autre 0, avec une marque classée respectivement 43 sur 89 et 70 sur 91.

C’est la forme que prend un angle mort, et la raison pour laquelle un seul chiffre de visibilité le masque : même contenu, mêmes questions, même semaine, et un moteur retient la marque tandis que deux autres ne le font jamais. Le rang compte davantage que le score. 6 sur 19 face à 70 sur 91 ne traduit pas une lacune de contenu, mais deux environnements concurrentiels différents, qui appellent chacun une action différente.

Comment exploiter les résultats

Une ligne dont un côté contient une cellule null est un défaut de mesure, pas un diagnostic : elle rejoint la file de problèmes de qualité des données, quelle que soit son ampleur.

Les autres se répartissent par catégorie, et les actions ne sont pas interchangeables. La couverture relève du suivi : observer le fournisseur faible sur le même ensemble de prompts. La répartition des modèles demande de reprendre la même analyse par identifiant de modèle, car un plan à l’échelle d’une famille est inadapté lorsque l’angle mort concerne un seul modèle. Les preuves de citation identifient les domaines que le moteur faible a cités à votre place : le travail consiste à y être présent. Un écart concurrentiel signifie qu’un rival occupe les premières positions, ce qui appelle une comparaison avec lui. L’adéquation du prompt signifie que les moteurs interprètent la question différemment : la cible est alors le sujet sous-jacent.

Traitez-les dans cet ordre, en commençant par la couverture : une correction de mesure peut combler un écart sans coût de contenu. La variation temporelle et un mécanisme inexpliqué reçoivent uniquement une date de nouvelle mesure. Entre deux candidats d’une même catégorie, choisissez le prompt qui dispose du plus grand nombre de réponses comparables des deux côtés.

Le prompt complet

Je veux diagnostiquer pourquoi ma marque est visible chez certains fournisseurs IA et absente chez d’autres, puis obtenir l’action que les preuves justifient. Identifie mes marques avec list_brands, demande laquelle utiliser s’il y en a plusieurs, puis réutilise ce brandId. Utilise les 28 derniers jours pour chaque appel agrégé.

1. Appelle get_provider_breakdown et renvoie chaque ligne de fournisseur avec totalAnswers et visibilityRate, en signalant les volumes inégaux. Si un seul fournisseur est renvoyé, arrête-toi et signale une lacune de suivi.
2. Appelle get_brand_performance pour les fournisseurs comparables le plus fort et le plus faible, en comparant les dénominateurs de scoreDetails et la méthodologie. Ne considère jamais scores.mentionRate comme interchangeable avec visibilityRate.
3. Appelle get_matrix avec granularity "prompts" et limit 50, en conservant l’id de chaque ligne et les champs provider, score et topCompetitor de chaque cellule. Si aucune ligne n’est renvoyée, pagine get_prompts et sélectionne le groupe manuellement.
4. Sépare les lignes en candidats vérifiés (même prompt, cellules non null des deux côtés) et candidats liés à la qualité des données (cellules null, fournisseur manquant, faible chevauchement des dates). Si toutes les lignes concernent la qualité des données, livre cette liste et arrête-toi.
5. Prends jusqu’à cinq prompts vérifiés, appelle get_prompt_answers pour chacun et conserve provider, modelId, createdAt et brandMentioned. Un prompt sans réponse d’un côté constitue à lui seul le constat de couverture : consigne-le, sans l’apparier. N’apparie que des dates comparables.
6. Pour chaque paire, appelle get_answer_details sur les deux réponses, en conservant la réponse, les concurrents avec leur position et les sources citées. Une réponse sans source ne constitue une preuve que pour cette réponse.
7. Construis le registre : fait citant les noms de champs renvoyés, hypothèse, preuves pour et contre, niveau de confiance, nouveau test capable de réfuter l’hypothèse. Classe chaque explication en couverture, répartition des modèles, adéquation du prompt, concurrence ou preuves de citation, variation temporelle ou mécanisme inexpliqué.
8. Donne à chaque hypothèse étayée l’action correspondant à sa catégorie : la couverture à ma configuration de suivi, la répartition des modèles à une nouvelle analyse par modelId, les preuves de citation aux domaines que le moteur faible a cités à ma place, la concurrence à une comparaison avec ce rival, l’adéquation du prompt au sujet sous-jacent. La variation temporelle et un mécanisme inexpliqué reçoivent uniquement une date de nouvelle mesure. Conserve cet ordre et départage les égalités selon le plus grand nombre de réponses comparables. Si aucune hypothèse n’est étayée, donne-moi la liste des problèmes de qualité des données.
9. Termine par une fiche de nouveau test qui fige les identifiants de prompts, les modelIds, ainsi que les identifiants et dates des réponses de référence. Demande ensuite quels fournisseurs mes acheteurs utilisent : un angle mort sur un moteur que mon marché ignore mérite une note, pas un projet.