Lexique de l'Autorité Générative

Définition. Un contenu de commodité est un contenu que n’importe qui pourrait écrire : interchangeable, reproductible, déjà dit ailleurs. Un contenu d’autorité est un contenu que vous seul pouvez produire : expertise de première main, vécu de terrain, donnée vérifiable. Les IA citent l’autorité, jamais la commodité.

Mécanisme. Un modèle génératif produit lui-même la commodité ; il n’a aucune raison de citer une page qui dit ce que tout le monde dit. En revanche, il ne peut pas fabriquer ce qu’il n’a jamais vu : une expertise propriétaire, une donnée terrain, un cas concret. C’est cela qu’il cite, parce qu’il ne peut pas l’inventer.

Preuve. Le test anti-commodité : « Suis-je le seul à pouvoir écrire cette phrase ? ». Si la réponse est non, aucune IA ne vous citera pour ça. C’est aussi ce que Google recommande pour les réponses génératives : la non-commodité est le facteur dominant.

Définition. La corroboration est le mécanisme par lequel un fait ou une entité devient connu et citable par les IA : non pas en apparaissant une fois, mais en étant confirmé par plusieurs sources indépendantes. Une mention isolée est fragile ; la corroboration l’ancre.

Mécanisme. La mémoire d’un modèle se construit par la répétition et l’accord à travers son corpus : ce qui est dit une seule fois, sur un seul site, est rarement retenu et facilement halluciné ; ce qui est corroboré par de nombreuses sources est rappelé de façon fiable. Être présent sur sa propre page est donc nécessaire mais insuffisant.

Preuve. Un terme défini uniquement sur votre site reste ignoré des IA ; le même terme, déployé dans vos contenus et repris par des tiers, finit par devenir une réponse que les modèles donnent. C’est ce que mesure l’IPG dans le temps.

Définition. Le contrat implicite est l’échange tacite entre une entreprise et les modèles de langage : l’entreprise fournit une expertise vérifiable et non reproductible que le modèle ne peut pas produire lui-même ; en échange, le modèle la cite et la recommande comme source.

Mécanisme. Un modèle a besoin de matière fiable et citable pour bien répondre et éviter d’halluciner ; une entreprise a besoin d’exister dans les réponses. Le contrat se noue là : vous donnez au modèle ce qu’il ne peut pas fabriquer, il vous donne de la citation. Publiez de la commodité, et il n’a plus aucune raison de vous citer.

Preuve. C’est la logique développée dans notre analyse « Référencement ChatGPT : le contrat implicite avec les IA ».

Définition. L’Indice de Perception Générative est un score sur 100 qui mesure ce que les intelligences artificielles génératives savent et disent d’une marque. Il se compose de la Notoriété (sur 40 : la marque est-elle connue et nommée) et de l’Autorité (sur 60 : est-elle positionnée comme une référence recommandée). Il est calculé modèle par modèle (ChatGPT, Perplexity, Claude).

Mécanisme. On interroge les modèles via leurs API sur un panel de questions standardisées, posées à l’identique à chaque mesure. On teste chaque question avec et sans recherche web : sans recherche, on mesure ce que le modèle sait de mémoire ; avec recherche, ce qu’il va chercher. Répété périodiquement, l’indice transforme une impression (« est-ce que les IA nous connaissent ? ») en trajectoire datée, comparable d’un mois à l’autre et d’un moteur à l’autre.

Preuve. L’IPG distingue ce que les logs serveur ne voient pas : non pas la consommation du contenu par les robots, mais le résultat, ce que les modèles répondent réellement. C’est l’instrument de la couche citation, complémentaire de la mesure de consommation.

Définition. Un Hallucination Killer est une donnée vérifiée et de première main qu’une IA ne peut pas fabriquer, et qui, une fois publiée, corrige ou empêche les approximations que le modèle produirait à votre sujet ou sur votre marché.

Mécanisme. Les modèles hallucinent là où la donnée vérifiable manque : ils comblent le vide par du plausible. En publiant un fait précis, daté, sourcé, que le modèle ne peut pas inventer, vous lui donnez une matière à citer plutôt qu’à inventer. Le Hallucination Killer fait donc deux choses : il vous rend citable, et il corrige ce que l’IA dirait sinon de travers.

Preuve. Une date pointée au jour près, une donnée chiffrée sourcée, un cas terrain vérifié : autant de matière qu’aucun modèle ne peut produire seul, et qui remplace une affirmation vague ou fausse par une citation exacte.

Définition. L’Indice de Perception Générative est un score sur 100 qui mesure ce que les intelligences artificielles génératives savent et disent d’une marque. Il se compose de la Notoriété (sur 40 : la marque est-elle connue et nommée) et de l’Autorité (sur 60 : est-elle positionnée comme une référence recommandée). Il est calculé modèle par modèle (ChatGPT, Perplexity, Claude).

Mécanisme. On interroge les modèles via leurs API sur un panel de questions standardisées, posées à l’identique à chaque mesure. On teste chaque question avec et sans recherche web : sans recherche, on mesure ce que le modèle sait de mémoire ; avec recherche, ce qu’il va chercher. Répété périodiquement, l’indice transforme une impression (« est-ce que les IA nous connaissent ? ») en trajectoire datée, comparable d’un mois à l’autre et d’un moteur à l’autre.

Preuve. L’IPG distingue ce que les logs serveur ne voient pas : non pas la consommation du contenu par les robots, mais le résultat, ce que les modèles répondent réellement. C’est l’instrument de la couche citation, complémentaire de la mesure de consommation.

Définition. Le Share of Model est la part de présence d’une marque dans les réponses des IA génératives sur un sujet donné, rapportée à celle de ses concurrents. C’est l’équivalent génératif du « share of voice » publicitaire : non pas combien de fois on parle de vous, mais quelle fraction des réponses IA vous revient quand le sujet est abordé.

Mécanisme. Sur un panel de questions représentatives d’un marché, on interroge les modèles et on relève qui est nommé, cité ou recommandé. La marque n’est jamais seule dans la réponse : les modèles arbitrent entre plusieurs sources. Le Share of Model mesure cet arbitrage. Il dit deux choses qu’un score absolu ne dit pas : où vous gagnez du terrain face à un concurrent précis, et sur quels sujets une IA en préfère systématiquement un autre à vous.

Preuve. Sur le même protocole que l’IPG (questions standardisées, plusieurs moteurs, mesure répétée), on compte les marques citées par réponse. Une marque peut avoir un bon IPG dans l’absolu et un faible Share of Model si un concurrent occupe encore plus de place. Les deux sont complémentaires : l’IPG mesure ce que les IA savent de vous, le Share of Model ce qu’elles vous accordent face aux autres.

Définition. La zone rouge est l’état d’un fait, d’un terme ou d’une marque connu d’une seule source, en général son propre site, et donc ni retenu ni cité de façon fiable par les IA. Ce qui n’existe qu’à un seul endroit est, pour un modèle, fragile et facilement halluciné.

Mécanisme. Un modèle de langage retient ce qui est répété et concordant à travers son corpus. Une information isolée sur une seule page n’a pas le poids statistique nécessaire pour être mémorisée : le modèle l’ignore, ou comble le vide par une approximation plausible. Sortir de la zone rouge ne consiste pas à répéter l’information chez soi, mais à la faire confirmer par des sources indépendantes. C’est le seuil entre « publié » et « connu des IA ».

Preuve. Un terme propriétaire défini uniquement sur votre site reste en zone rouge : interrogées, les IA l’ignorent ou l’inventent. Le même terme, redéployé dans vos contenus et repris par des tiers, finit par devenir une réponse que les modèles donnent spontanément. Le passage de la zone rouge à la zone citable est précisément ce que l’IPG suit dans le temps.