Tom Capper dissocie visibilité et attribution dans l’IA

Tom Capper recommande une nouvelle lecture de la mesure dans la recherche par IA. Le directeur de la stratégie produit de STAT a présenté cette approche durant le webinaire Tactical Solutions For The Biggest AI Search Measurement Challenges. Une réponse IA peut recommander une marque sans créer de lien vers son site. Le client peut ensuite rechercher cette marque, accéder directement à son site ou acheter hors ligne. L’achat conserve une valeur commerciale, même si les outils analytiques ne relient pas cette conversion à la réponse initiale. Tom Capper a donc distingué visibilité et attribution. Selon lui, les clics ne décrivent pas tout le parcours client.

Les citations diffèrent des mentions dans une réponse générée. Tom Capper a utilisé l’exemple d’une recommandation automobile où Audi était la marque recommandée. Les liens cités renvoyaient pourtant vers d’autres sites. Un rapport qui suivrait uniquement les citations du domaine Audi manquerait donc la recommandation elle-même. La méthode proposée consiste à définir les entités de marque à suivre, avec les sous-marques pertinentes. Les concurrents doivent être décrits avec la même discipline pour permettre une comparaison cohérente. Tom Capper résume cette distinction ainsi : « Les citations ont des URL. C’est une donnée tactique utile, mais je ne pense pas que cela doive être votre indicateur clé. Les mentions ont des entités. »

Tom Capper sépare mentions et citations

Un échantillon élargi doit compléter cette distinction. Tom Capper considère que la variabilité des réponses constitue un problème d’échantillonnage. Les résultats peuvent varier selon la localisation et l’appareil, comme dans les recherches classiques. Un petit ensemble de requêtes peut donc produire une image instable de la visibilité. Il ne s’agit pas de reproduire chaque conversation individuelle. Il faut couvrir suffisamment de situations pertinentes pour repérer des tendances. Tom Capper recommande aussi des questions réalistes. Les équipes peuvent partir des questions People Also Ask, puis intégrer les profils, les lieux, les budgets et les besoins associés. STAT utilise l’interface web, car les réponses d’API peuvent différer de celles visibles par les utilisateurs.

Les citations servent ensuite à enquêter sur les évolutions observées. Tom Capper propose de commencer par les pages citées lorsque des concurrents sont recommandés. Ces pages peuvent révéler des sources tierces à examiner, comme des sites d’avis ou des publications professionnelles. Une équipe peut améliorer sa présence sur ces sources, puis suivre leur apparition avec les changements de recommandations de marque. La question devient alors plus précise : quelles sources ont changé, quelles actions ont été menées et comment les réponses suivies ont-elles évolué ? Cette comparaison doit conserver le même échantillon de requêtes et le même contexte de collecte. Une citation ne constitue donc pas le résultat final, mais un indice exploitable pour guider l’analyse.

Les indicateurs relient visibilité et résultats

Les indicateurs complémentaires doivent accompagner les résultats commerciaux, sans les remplacer. Tom Capper cite d’abord la présence, qui mesure l’apparition d’une marque dans un résultat de recherche ou une réponse IA pertinente. La recommandation et le contexte précisent ensuite si la réponse recommande la marque, la nomme simplement ou l’associe à une force ou un problème. Dans la recherche traditionnelle, la proéminence dans la page de résultats ajoute la position et l’espace visible occupé. Tom Capper montre qu’un résultat moins bien classé peut apparaître au-dessus de la ligne de flottaison. Une position seule ne reflète donc pas toujours la visibilité réelle. Les scores de sentiment demandent aussi une lecture qualitative.