Apprendre le système
Apprenez ce que mesurent visibilité, influence et revenu, ainsi que leurs limites.
Construire le modèle
Étape 02 · Diagnostiquer
Mesure de référence : établir la visibilité réelle
Avant tout changement, séparez réponses observées, analytics, déclarations internes et inférences commerciales.
Résultat
Suivre requêtes, citations, part de réponse, visites qualifiées et Pipeline sans fausse certitude.
- Prérequis
- Terminer ou revoir l’étape précédente: Fondamentaux GEO
- Effort
- 60–90 min + une session de travail
- Livrable
- Jeu de requêtes versionné, journal de preuve, dictionnaire de métriques et inconnues.
Apprendre → Faire → Prouver
Faire le travail
Créez un échantillon répétable avec moteur, marché, date, réponse et sources.
Créer le livrable
Prouver le résultat
Faites reproduire la méthode et ses limites par un autre membre de l’équipe.
Vérifier la preuve
Concept boundaries
Query set
A versioned sample of buyer questions used to observe answers under declared collection conditions.
It is a sample, not a census of every prompt buyers may use.
Answer role
The brand's function in a response, such as absent, mentioned, cited, compared, or recommended.
The categories describe the captured answer; they do not prove persuasion or revenue.
Evidence log
A record of the prompt, engine, market, date, answer, sources, method, and reviewer notes.
A log supports reproducibility only when the collection method and missing data are retained.
Core lesson
01
Separate visibility, behavior, and commercial evidence
A reliable baseline uses several evidence layers without pretending they are interchangeable.
Captured answers can show observed presence and citation. Website analytics can show attributable visits and on-site behavior. CRM records can show known opportunities and revenue. Self-reported process data can show whether a team follows an operating practice.
The layers can inform one another, but a gap remains between them. Dark traffic, changing answers, consent, attribution windows, and small samples make that gap part of the report rather than something to hide.
- Assign every metric to one evidence layer.
- Write what the metric cannot answer.
- Keep raw observations available behind summaries.
02
Design a sample another person can rerun
Consistency matters more than a large dashboard that cannot be reproduced.
Define buyer stage, market, language, query wording, engine or surface, account state when relevant, and collection date. Version the query set when a question changes instead of silently overwriting it.
Use the same classification rules across runs. When reviewers disagree, preserve the disagreement and refine the rule; do not force a clean score by changing categories after seeing the answer.
- Freeze the initial query-set version.
- Write a role-classification rule with examples.
- Have a second reviewer classify a small sample independently.
Decision framework
The evidence ladder
What strength of claim can this observation support?
- 01
Observed
Was the answer or event directly captured?
Report exactly what occurred under the recorded conditions.
- 02
Repeated
Was the same method rerun across declared times or reviewers?
Discuss stability or variance within the sample.
- 03
Connected
Can the observation be linked to a separate behavior or CRM record?
Report the connection and attribution rule, not assumed causality.
- 04
Causal
Was a valid design used to isolate the change?
Make causal claims only when the design actually supports them.
Worked non-client example
A team captures a brand citation in several answers and sees an increase in direct visits during the same period.
- The citation captures are timestamped.
- Direct traffic increased in analytics.
- No visitor-level link joins the answers to those sessions.
Report answer presence and direct-traffic movement as parallel observations, then add a self-report or tagged journey where appropriate.
Timing alone does not connect the two datasets.
The evidence supports monitoring and a better attribution design, not a claim that the citations caused the traffic change.
Reusable work template
Baseline evidence log
Store raw captures before calculating summary metrics.
- 01
Query ID and version
Use a stable identifier and retain previous wording.
- 02
Collection context
Record engine, surface, locale, market, date, and relevant account state.
- 03
Answer capture
Preserve the response or a reviewable extract and cited sources.
- 04
Brand role
Classify using a written absent/mention/citation/comparison/recommendation rule.
- 05
Linked evidence
Reference analytics or CRM records only when the linking rule is declared.
- 06
Unknowns
List sampling, personalization, tracking, and attribution limitations.
Failure modes and corrections
Changing prompts between runs
The dashboard compares results collected with different wording but labels them as a trend.
The measurement changed with the subject.
Version prompts and compare only compatible samples.
Compressing all roles into one score
Mentions, citations, and recommendations receive an unexplained blended value.
The score hides the behavior that should drive the next decision.
Show role counts and source captures before any composite.
Backfilling certainty
Unknown answers, missing captures, or dark traffic disappear from the report.
The baseline looks cleaner while becoming less auditable.
Keep an explicit unknown state and report denominator changes.
Practice exercise
Build and rerun a baseline sample
Use a small set of real questions from one buyer stage and one market.
- 01Freeze the query wording and classification guide.
- 02Capture answers and cited sources under declared conditions.
- 03Ask a second reviewer to classify a subset.
- 04Rerun the sample and explain variance without claiming causality.
Proof artifact
A versioned query set, raw evidence log, metric dictionary, and baseline note with unknowns.
Completion rubric
- A teammate can reproduce the method.
- Raw captures support every summary.
- Unknown and missing states remain visible.
- Claims stay within the evidence ladder.
BIBLIOTHÈQUE DE L’ACADEMY
Parcourir toute la bibliothèque
Choisissez une étape, puis le thème et l’intention adaptés à votre besoin.
considerationhubsearchable
Guide de sélection des outils de visibilité dans l’IA (synthèse) : du besoin métier jusqu’aux sources
La plupart des équipes s’y prennent à l’envers. Voici une cartographie complète, du besoin métier jusqu’au déploiement.
Lire l’articleawarenessdatashareable
Chinois traditionnel ou simplifié : une étude inédite sur les sources citées par les moteurs de recherche IA
Pour une même question, les réponses en chinois traditionnel et simplifié ne partagent que 18 % de leurs sources en médiane. La visibilité d’une marque taïwanaise en chinois simplifié ne lui garantit donc aucune présence dans les réponses en chinois traditionnel.
Lire l’articleawarenessdatashareable
Citations par les IA dans le B2B : qui du SaaS, de l’industrie manufacturière ou des services professionnels est le plus souvent mentionné ?
Votre secteur détermine en grande partie votre niveau de départ en matière de citations par les IA. Les écarts entre le SaaS, les services professionnels et l’industrie manufacturière sont nets : vous comparer à une moyenne générale conduit presque toujours à une mauvaise lecture de votre visibilité.
Lire l’articleawarenessdatashareable
Étude annuelle des sources citées par Perplexity : quel poids pour les médias, les encyclopédies et les sites de marque ?
Dans les réponses étudiées, les médias, les encyclopédies et les sites de marque représentent plus de la moitié des références. Pourtant, la seule catégorie directement maîtrisable par les entreprises est souvent la moins citée des trois.
Lire l’articleconsiderationdataboth
GEO : combien de temps avant d’obtenir des résultats ? Calendrier et jalons d’un projet réel
Les résultats du GEO arrivent en trois temps : premières citations après environ 4 à 8 semaines, visibilité mesurable après 8 à 12 semaines, puis retombées commerciales entre 12 et 24 semaines. La plupart des projets abandonnés s’arrêtent avant d’avoir franchi ce seuil.
Lire l’articledecisiondatasearchable
Quel retour sur investissement pour le GEO ? De la visibilité dans l’IA aux résultats commerciaux, un modèle d’attribution en quatre niveaux
L’investissement dans le GEO ne se mesure pas à la seule question « L’IA mentionne-t-elle notre marque ? ». Il faut suivre et attribuer les résultats sur quatre niveaux : présence dans les résultats, citations, clics et impact commercial.
Lire l’articleTâche de preuve
Tâche de preuve: Mesure de référence
Faites reproduire la méthode et ses limites par un autre membre de l’équipe.
- 01Conserver la preuve initiale — Apprenez ce que mesurent visibilité, influence et revenu, ainsi que leurs limites.
- 02Terminer le livrable — Créez un échantillon répétable avec moteur, marché, date, réponse et sources.
- 03Vérifier face au résultat — Faites reproduire la méthode et ses limites par un autre membre de l’équipe.
Livrable
Jeu de requêtes versionné, journal de preuve, dictionnaire de métriques et inconnues.
Bibliothèque terrain
Approfondir le sujet
Le cœur reste ouvert ; certains whitepapers avancés gardent leur déverrouillage existant.
Livre blanc6 chapitres · 2026.06
Livre blanc : les trois niveaux d'indicateurs GEO
Taux de citation, part de réponse, contribution au pipeline — ce que chacun mesure, comment l'obtenir, et pourquoi le trafic ne devrait pas être un KPI. Définitions des colonnes du reporting incluses.
Livre blanc : les trois niveaux d'indicateurs GEORapport6 chapitres · 2026.06
Share of Model : transformer votre présence dans l'IA en chiffre comparable
Quand les clics disparaissent, « la fréquence à laquelle vous êtes mentionné/cité dans les réponses des IA, face à vos concurrents » devient le nouveau KPI. Ce rapport vous livre les données de référence Share of Model 2026, et la méthode pour en faire un tableau de bord concurrentiel prêt à poser sur vos slides et à confronter à vos rivaux.
Share of Model : transformer votre présence dans l'IA en chiffre comparableGuide6 chapitres · 2026.06
57 % du trafic en « direct/inconnu » : le guide d'attribution pour récupérer votre trafic fantôme
Les recommandations IA effacent le referrer, Google fusionne l'AI Mode dans l'organique, et dans GA4 vous ne voyez tout simplement pas votre trafic IA. Ce guide vous montre comment, avec un GTM server-side et un cadre agent-to-pipeline, récupérer le trafic IA disparu dans le « direct/inconnu » et le brancher sur votre CRM et votre lead scoring.
57 % du trafic en « direct/inconnu » : le guide d'attribution pour récupérer votre trafic fantômeRapport6 chapitres · 2026.06
90% de trafic en moins, 5 fois plus de ventes : ne jugez pas le trafic IA aux clics
L'IA rase les clics, mais vous envoie des visiteurs qui convertissent plusieurs fois mieux. Ce rapport rassemble les données de conversion contradictoires de 2026 pour vous aider à recadrer la panique de « l'IA nous vole notre trafic » en un argumentaire : « l'IA nous envoie des gens qui achètent davantage ».
90% de trafic en moins, 5 fois plus de ventes : ne jugez pas le trafic IA aux clicsAppliquer l’étape avec un outil
Query Evidence Lab
Créez un échantillon répétable avec moteur, marché, date, réponse et sources.
Limite de preuve
Use the output for the decision it describes; do not treat a technical scan, self-assessment, or planning model as proof of live AI citations.
APPLIQUER
Passer à la prochaine décision vérifiable
Utilisez outil ou service seulement si sa base de preuve correspond à la décision.