Étude de cas · Intelligence artificielle

Rendre mesurableune visibilité que personne ne mesure

Une entreprise sait précisément où elle se situe sur Google, sur les réseaux sociaux et sur les plateformes publicitaires. Elle ne sait pas si une intelligence artificielle la cite. Avec LLM Monitor, nous avons construit la méthode qui reconstitue cette donnée manquante.

Client: LLM Monitor
Secteur: Marketing et intelligence artificielle
Notre rôle: Conception produit, données et IA
Collaboration: Market Connect

Voir le produit en ligne

Réponse généréeexemple

Quelle solution choisir pour piloter la visibilité de ma marque ?

Plusieurssolutionsrépondentàcebesoin.Solution Aestsouventcitéepoursonsuiviconcurrentiel,Solution Bpourlafinessedesesrapports.Votre marquen'apparaîtpasdanscetteréponse.

Ce que la réponse contient réellement

Marque citée: non
Rang: —
Concurrents cités: 2
Sources consultées: 3

C'est cette absence — ou cette présence — que LLM Monitor mesure, réponse après réponse.

01 — Le point aveugle

Quatre canaux instrumentés, un cinquième invisible

Chaque canal d'acquisition a son instrument de mesure, et l'habitude est si ancienne qu'on ne la remarque plus. Les réponses générées par les intelligences artificielles font exception : les modèles ne publient aucune statistique de citation. Une marque peut y être recommandée mille fois par jour, ou jamais, sans qu'aucun tableau de bord ne le lui dise.

Sources de mesure disponibles

RechercheSearch Console
PublicitéRégies publicitaires
Réseaux sociauxStatistiques natives
Réponses d'IAAucune source

Les questions qui deviennent stratégiques

L'entreprise est-elle citée dans les réponses ?
À quelle fréquence y apparaît-elle ?
Quels concurrents sont recommandés avant elle ?
Sur quels sujets et dans quels contextes est-elle mentionnée ?
Quels modèles la font apparaître, et lesquels l'ignorent ?
Le résultat change-t-il selon la version du modèle, le persona ou la formulation ?
Quelles sources les modèles consultent-ils pour construire leur réponse ?

02 — Le renversement

Puisque la statistique n'existe pas, il faut la fabriquer

Plutôt que d'attendre que les plateformes publient des chiffres qu'elles n'ont aucune raison de publier, le système travaille dans l'autre sens : il simule un grand nombre de situations de recherche réelles, interroge plusieurs modèles et plusieurs versions d'un même modèle, puis analyse ce qui revient. La donnée n'est pas collectée, elle est reconstituée.

Les axes combinés

Personas

Dirigeant de PME
Responsable marketing
Acheteur technique

Intentions

Comparer
Choisir
S'informer

Thématiques

Prix
Intégrations
Conformité

Formulations

Question directe
Mise en situation
Demande de liste

Modèles

Modèle A
Modèle B
Modèle C

Versions

personas × intentions × thématiques × formulations × modèles × versions

autant d'interrogations à orchestrer, à collecter, puis à comparer entre elles

03 — La chaîne technique

D'une réponse conversationnelle à une ligne de données

L'essentiel de la valeur du produit se joue avant l'écran. Une réponse d'IA est un texte libre : pour qu'elle devienne comparable à des milliers d'autres, il faut l'orchestrer, la collecter, en extraire les entités, réconcilier les variantes de noms, puis la dater.

01OrchestrationGénération des scénarios de prompts et planification des campagnes.
02InterrogationAppels aux différents modèles et à leurs versions, à cadence maîtrisée.
03CollecteRécupération des réponses complètes et des sources qu'elles citent.
04ExtractionRepérage des marques, des concurrents et des domaines référencés.
05NormalisationRéconciliation des variantes de noms, dédoublonnage, rattachement aux entités.
06HistorisationStockage daté, pour comparer une campagne à la précédente.

04 — La lecture

Ce que l'on voit une fois la donnée reconstituée

Les réponses deviennent alors des mesures : une part de voix, un rang face aux concurrents, une carte des sources que les modèles consultent, et une courbe qui dit si la situation s'améliore.

Score de visibilité

34%

part des réponses où la marque est citée

Part de voix

Votre marque18
Concurrent 134
Concurrent 227
Concurrent 321

Citations par persona et par concurrent

	Vous	C1	C2	C3
Dirigeant	2	7	5	3
Marketing	1	6	8	4
Acheteur	4	5	3	6
Technique	3	8	4	2

Domaines les plus consultés par les modèles

domaine-a.fr
domaine-b.com
domaine-c.org
domaine-d.fr
domaine-e.com

Évolution sur six campagnes

Représentation de l'interface. Les valeurs affichées illustrent la lecture ; ce ne sont pas les résultats d'une marque réelle.

Le produit

Le rapport de visibilité : score, part de voix et position moyenne
L'évolution dans le temps, moteur d'IA par moteur d'IA
Les sources que les modèles consultent réellement

Captures réelles du produit. Le nom de la marque suivie, celui de ses concurrents et leurs domaines ont été remplacés par des libellés neutres : une étude de cas n'a pas à publier la visibilité d'entreprises qui ne l'ont pas demandé.

05 — De la mesure à la décision

Un tableau de bord ne vaut que par ce qu'il déclenche

Le produit ne s'arrête pas à l'affichage de métriques. Les données collectées alimentent des analyses, puis des recommandations concrètes : ce qu'il faut écrire, sur quels sujets, et pourquoi.

Pourquoi la marque n'apparaît pas
Les réponses qui la manquent ont des points communs : un persona, une thématique, une formulation. Le produit les isole.
Qui occupe l'espace à sa place
Le classement des concurrents cités, par sujet et par modèle, montre où la place est prise et par qui.
Quels contenus servent de sources
La carte des domaines consultés indique ce que les modèles lisent réellement pour construire leur réponse.
Quelles thématiques travailler
Les sujets où la marque est absente alors que la demande existe deviennent une liste de priorités éditoriales.

06 — Ce que nous avons construit

Un produit de données, pas une interface

LLM Monitor est né d'un constat sans outil existant. Il a fallu inventer la méthode avant de dessiner l'écran : c'est un travail de données, d'orchestration et d'intelligence artificielle, dont l'interface n'est que la partie visible.

Orchestration de prompts
Appels multi-modèles
Gestion des versions
Collecte à grande échelle
Extraction d'entités
Normalisation des marques
Analyse des citations et des sources
Historisation et comparaison
Agrégation statistique
Génération de recommandations
Visualisation de données

Recherche et innovation

Le projet sur lequel repose notre agrément CIR-CII

LLM Monitor est le travail au titre duquel MZ Informatique a obtenu son agrément Crédit d'impôt recherche et Crédit d'impôt innovation, délivré par le ministère chargé de la Recherche. Ce n'est pas un label décoratif : reconstituer une statistique que personne ne publie suppose des travaux de recherche réels, et c'est exactement ce que l'agrément atteste.

Ce que cela change pour vous : les sommes que vous nous confiez pour un projet de recherche ou d'innovation entrent dans l'assiette de votre propre crédit d'impôt. Sans agrément, la même facture n'y entrerait pas.

Comprendre le dispositif

En résumé

Un SEO pour les moteurs conversationnels

Ce que le référencement a fait pour les moteurs de recherche, LLM Monitor le fait pour les modèles de langage : mesurer d'abord, comprendre ensuite, agir enfin. La visibilité dans les réponses d'IA cesse d'être une intuition pour devenir un indicateur suivi dans le temps.

Un projet similaire ?

Décrivez-nous votre situation. Le premier échange est gratuit et sans engagement, sur site à Nice et dans sa région.

Demander un audit gratuit 06 52 57 47 69

Voir notre offre en intelligence artificielle Voir toutes nos réalisations