Votre marque est-elle recommandée différemment selon les assistants IA ?

Quand une marque évalue sa visibilité digitale, elle a l’habitude de poser des questions relativement simples.

Est-elle bien positionnée dans Google ? Apparaît-elle sur les bonnes requêtes ? Est-elle visible dans les comparateurs, les réseaux sociaux, les marketplaces ou les médias spécialisés ? Est-elle suffisamment citée, recommandée, reconnue ?

Avec les assistants IA, cette logique devient plus complexe.

Car une marque ne se contente plus d’apparaître ou de ne pas apparaître. Elle peut apparaître différemment selon la manière dont la question est posée, selon le modèle utilisé, mais aussi selon le profil supposé de la personne qui pose la question.

Autrement dit, la question ne serait plus seulement : “ma marque est-elle recommandée par l’IA ?”

Elle deviendrait plutôt : “ma marque est-elle recommandée, pour quel type d’utilisateur, dans quel contexte, par quel modèle, et avec quelle formulation ?”

Cette nuance est importante. Elle pourrait modifier en profondeur la manière dont les marques mesurent leur visibilité dans les environnements IA.

Une même question peut produire plusieurs réalités de marque

Une étude publiée sur arXiv en mai 2026 s’est intéressée à un sujet précis : l’effet du persona utilisateur sur les recommandations de marques produites par des assistants IA dans un contexte commercial. L’étude, intitulée “Persona Conditioning of Brand Recommendations in Retrieval-Augmented Commercial Chat”, a été menée par Will Jack, Noah Lehman, Keller Maloney et Sarah Xu. Elle analyse 2 000 exécutions autour de 10 personas, 8 prompts et 3 configurations de modèles.

Le principe est simple : les auteurs testent ce qui se passe lorsqu’un assistant IA reçoit une même demande commerciale, mais avec un contexte utilisateur différent.

Par exemple, une demande du type “meilleur logiciel CRM” ne produit pas nécessairement les mêmes recommandations si l’utilisateur est présenté comme un fondateur solo, un dirigeant de PME ou un responsable d’une grande entreprise.

Ce résultat n’est pas totalement surprenant. En marketing, on sait depuis longtemps que le contexte d’achat influence la pertinence d’une recommandation. Une même solution peut être très adaptée à une petite structure et beaucoup moins à une organisation complexe. Une marque peut être idéale pour un usage premium, mais disproportionnée pour un besoin simple.

Ce qui est plus intéressant ici, c’est que l’étude tente de quantifier cet effet dans les réponses produites par des assistants IA.

Les auteurs observent que l’ajout d’un persona utilisateur modifie la similarité des ensembles de marques recommandées. Selon leur résumé, les marques leaders restent relativement stables, avec environ 80 % de cohérence entre personas, tandis que les marques intermédiaires peuvent connaître des variations beaucoup plus fortes, jusqu’à 75 % de remplacement dans les recommandations selon le persona.

Cela suggère une idée importante : les assistants IA ne répondent pas seulement à une requête. Ils répondent à une requête située.

La recommandation IA dépend du contexte supposé

Dans le SEO traditionnel, on observe généralement la visibilité d’une page ou d’une marque par rapport à une requête.

Sur une expression donnée, une marque est positionnée, ou non. Elle progresse, recule, gagne ou perd en visibilité. Bien sûr, les résultats peuvent varier selon la localisation, l’historique, l’appareil ou la personnalisation, mais le cadre de mesure reste relativement stabilisé.

Avec les assistants IA, la situation semble moins stable.

Une réponse générée peut dépendre de plusieurs variables : la requête, le contexte fourni, le modèle utilisé, les sources consultées, les données d’entraînement, les mécanismes de retrieval, la formulation du prompt et le profil supposé de l’utilisateur.

L’étude arXiv va dans ce sens. Elle indique que les recommandations varient selon le persona, et que cet effet semble particulièrement marqué pour les marques de milieu de marché. Les marques dominantes résistent mieux, probablement parce qu’elles disposent d’une notoriété, d’une présence et d’une empreinte informationnelle plus fortes. Les marques moins installées ou plus spécialisées peuvent, elles, apparaître ou disparaître plus facilement selon le contexte.

C’est un point stratégique.

Dans un moteur de recherche classique, une marque peut travailler son positionnement sur une requête cible. Dans un assistant IA, il faudra peut-être aussi comprendre auprès de quels profils elle est recommandée.

Une marque peut être proposée à un utilisateur “débutant”, mais pas à un utilisateur “expert”. Elle peut être recommandée à une PME, mais pas à un grand compte. Elle peut apparaître pour un profil sensible au prix, mais disparaître pour un profil qui privilégie la robustesse, la réputation ou l’intégration technique.

La visibilité devient donc plus contextuelle.

Toutes les marques ne sont pas touchées de la même manière

L’un des enseignements les plus intéressants de l’étude concerne la différence entre marques dominantes et marques intermédiaires.

Les grands leaders de marché semblent plus résistants aux variations de persona. Ce n’est pas très étonnant. Les IA ont tendance à retrouver et restituer plus facilement les marques très présentes dans les contenus publics, les comparatifs, les articles, les bases de connaissances et les discussions en ligne.

Ces marques disposent d’un avantage d’empreinte. Elles sont plus souvent mentionnées, plus souvent associées à leur catégorie, plus souvent présentes dans les sources disponibles.

Les marques intermédiaires, en revanche, semblent plus exposées aux variations. Elles peuvent être recommandées dans un contexte et remplacées dans un autre. Leur présence dépend davantage de la manière dont le modèle interprète la situation de l’utilisateur.

Pour les directions marketing, cette distinction est importante.

Les marques leaders peuvent surveiller leur présence globale dans les IA. Mais les marques challengers, spécialisées ou intermédiaires devront probablement aller plus loin : comprendre dans quels contextes elles apparaissent, face à quels concurrents, pour quels usages, auprès de quels profils.

La question n’est donc pas seulement de savoir si une marque est “visible dans ChatGPT” ou “citée par Perplexity”. Cette mesure serait trop pauvre.

Il faudra probablement observer des scénarios.

Par exemple :

Une marque est-elle recommandée pour un acheteur débutant ? Pour un expert ? Pour une PME ? Pour une grande entreprise ? Pour un profil sensible au budget ? Pour un profil cherchant la meilleure qualité ? Pour un utilisateur local ? Pour un décideur pressé ? Pour un profil qui demande une comparaison détaillée ?

Ces variations peuvent produire des lectures différentes de la même marque.

Le modèle utilisé compte aussi

L’étude observe également que les modèles ne réagissent pas tous de la même manière au persona. Les auteurs indiquent que les configurations OpenAI testées modifient déjà leurs recommandations selon le contexte utilisateur, et que le modèle Anthropic testé présente un effet plus marqué en estimation ponctuelle. Ils précisent toutefois que les intervalles de confiance se chevauchent partiellement, ce qui invite à rester prudent sur l’ampleur exacte des différences entre modèles.

Cette prudence est essentielle.

Il ne faut pas tirer de conclusion définitive du type “tel modèle est meilleur” ou “tel modèle est plus biaisé”. L’étude porte sur un protocole donné, avec un nombre limité de configurations et de prompts. Elle constitue un signal, pas une vérité générale.

Mais ce signal mérite d’être suivi.

Pour les marques, il signifie qu’une mesure sérieuse de la visibilité IA ne pourra probablement pas se limiter à un seul outil. Tester une marque dans un assistant ne dira pas nécessairement comment elle est restituée dans un autre.

L’enjeu est d’autant plus important que les systèmes évoluent rapidement. Les modèles changent, les interfaces changent, les sources utilisées changent, les politiques de citation changent. Une photographie prise à un moment donné peut devenir obsolète quelques semaines ou quelques mois plus tard.

La visibilité IA devra donc être observée comme un phénomène mouvant.

Ce que cela change pour le GEO

Le GEO, ou Generative Engine Optimization, désigne l’optimisation de la visibilité dans les réponses générées par des moteurs ou assistants IA. Le terme a notamment été formalisé dans un papier de recherche publié sur arXiv en 2023, qui décrit l’émergence de moteurs génératifs capables de synthétiser des informations issues de plusieurs sources pour répondre aux requêtes des utilisateurs.

Mais si les recommandations varient selon les personas, le GEO ne pourra pas être seulement une mesure de présence.

Il devra intégrer une dimension contextuelle.

Pour une marque, il ne suffira pas de demander : “sommes-nous cités ?” Il faudra plutôt se demander :

Dans quels scénarios sommes-nous cités ? Pour quels profils sommes-nous recommandés ? Avec quels concurrents sommes-nous comparés ? Quels attributs nous sont associés ? Dans quels cas sommes-nous absents ? Le modèle nous positionne-t-il comme une solution premium, accessible, experte, généraliste, locale, innovante, risquée, trop chère ou inadaptée ?

C’est ici que le sujet dépasse le référencement.

Les IA ne font pas seulement remonter des noms. Elles produisent des représentations. Elles peuvent attribuer à une marque un rôle, une catégorie, un niveau de gamme, un public cible, une force ou une faiblesse.

Pour le marketing, cette représentation devient un objet à surveiller.

Non pas pour manipuler les IA, mais pour comprendre comment l’écosystème informationnel de la marque est interprété.

Vers une mesure plus fine de la visibilité de marque

La conséquence pratique est claire : les marques devront probablement construire des protocoles de mesure plus fins.

Un test isolé ne suffit pas. Une seule requête ne suffit pas. Un seul modèle ne suffit pas. Un seul persona ne suffit pas.

Il faudra peut-être suivre des familles de requêtes, des profils d’utilisateurs, des intentions différentes et plusieurs modèles. Il faudra aussi analyser non seulement la présence de la marque, mais la qualité de sa restitution.

C’est une évolution importante.

Dans le SEO classique, on mesure souvent la position, le trafic, le taux de clic, les impressions, la conversion. Dans les environnements IA, il faudra ajouter d’autres indicateurs : citation, recommandation, contexte d’apparition, concurrents associés, attributs mentionnés, cohérence du résumé, exactitude des informations, stabilité selon les profils.

Ce n’est pas encore une discipline stabilisée. Les outils, les méthodes et les standards restent à construire.

Mais le signal est suffisamment clair pour que les marques commencent à s’y intéresser.

Conclusion : la marque devient contextuelle dans les IA

La principale leçon de cette étude n’est pas que les assistants IA remplacent les moteurs de recherche ou les canaux marketing existants.

Elle est plus subtile : dans les IA, une marque peut être recommandée différemment selon le contexte supposé de l’utilisateur.

Cela change la manière de penser la visibilité.

Une marque n’a peut-être plus une seule présence dans les assistants IA. Elle peut avoir plusieurs versions : une version pour les grandes entreprises, une autre pour les PME, une autre pour les profils experts, une autre pour les utilisateurs sensibles au prix, une autre pour les acheteurs recherchant la simplicité.

Certaines de ces versions seront justes. D’autres seront incomplètes. D’autres encore pourront être problématiques.

Le chantier pour les marques ne consiste donc pas seulement à apparaître dans les réponses IA. Il consiste à comprendre comment elles y apparaissent.

C’est un enjeu de GEO, mais aussi un enjeu plus large de stratégie de marque : rendre ses preuves, son positionnement, ses différences et ses publics suffisamment clairs pour limiter les mauvaises interprétations.

La visibilité IA ne sera probablement pas une ligne unique dans un tableau de bord.

Elle ressemblera davantage à une cartographie mouvante : requête, persona, modèle, contexte, recommandation.

Et c’est précisément cette complexité qui rend le sujet stratégique.

Sources

• Will Jack, Noah Lehman, Keller Maloney, Sarah Xu, “Persona Conditioning of Brand Recommendations in Retrieval-Augmented Commercial Chat: A Prominence-Stratified Cross-Provider Audit”, arXiv, soumis le 28 mai 2026. (voir l’étude)
• Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande, “GEO: Generative Engine Optimization”, arXiv, soumis en 2023 et révisé en 2024. (voir l’étude)