L’absence et la mauvaise connaissance se ressemblent en réunion, parce que les deux coûtent de la confiance. Dans le registre, ce sont deux espèces différentes. L’une demande des preuves plus visibles. L’autre demande une boucle de correction.
Dans un scénario composite tiré de formations et d’audits de sociétés de services, un petit organisme de formation à la sécurité industrielle près de Nantes montrait très clairement le motif. Dans les prompts en français sur les formations à la sécurité machine pour les usines, il disparaissait derrière de plus grandes marques de formation. Dans les prompts en anglais liés aux certificats fournisseurs, il apparaissait par son nom, mais la réponse le faisait passer pour un revendeur de formations en ligne. Il avait bien vendu quelques modules sous licence plusieurs années auparavant, mais sa marge venait désormais de la formation sur site et de l’accompagnement au renouvellement. Une ancienne page partenaire utilisait encore l’étiquette la plus faible.
Cette distinction a changé le travail. Si l’entreprise avait été absente sur tout le jeu de prompts, j’aurais cherché des preuves d’entité manquantes : pages de catégorie, preuve locale, notes de cas, profils partenaires et mentions tierces. Comme elle était nommée de travers dans certaines réponses, la réparation devait aussi remonter l’ancienne histoire de revendeur. Un seul score de visibilité aurait masqué cela. Le registre répondait : « Parfois, et mal. »
L’absence est un autre échec que la mauvaise connaissance
Une entreprise absente d’une réponse IA a un certain type de problème. Le système n’a pas assez de raisons, dans ce contexte de prompt, de la nommer. La raison peut être une preuve publique faible, un langage de catégorie flou, des signaux locaux maigres, des concurrents plus forts, un décalage de langue ou un prompt qui ne correspond pas à la manière dont les acheteurs posent la question. L’entreprise peut être réelle et solide, mais pas assez lisible pour la réponse.
Une entreprise mal décrite a un autre problème. Le système a assez d’éléments pour la nommer, mais la description vient de sources trompeuses. D’une certaine manière, c’est plus dangereux. L’absence peut être remarquée par l’équipe. Une mauvaise description peut passer pour de la visibilité jusqu’à ce qu’un acheteur la répète : « Je pensais que vous vendiez seulement des cours en ligne. » La réponse a collé une étiquette tordue sur le bocal.
J’utilise cette définition de travail : un échec de visibilité IA est soit une absence, soit une distorsion, parce que le modèle peut échouer en ne nommant pas l’entreprise ou en la nommant à travers de mauvais faits. Les deux échecs peuvent coexister, mais ils ne se corrigent pas de la même façon.
Pour l’organisme nantais, l’absence en français et la distorsion en anglais indiquaient deux routes de preuve. Les pages françaises manquaient d’expressions simples de catégorie acheteur. Les supports partenaires en anglais donnaient une reconnaissance d’entité plus forte, mais transportaient l’ancien langage de licence. L’entreprise était coupée en deux : difficile à trouver dans une langue, mal cadrée dans l’autre. Une réécriture générique aurait brouillé le diagnostic.
Les quatre états de reconnaissance IA
Pour garder cela propre, j’utilise une petite classification appelée la Grille de reconnaissance. Elle comporte quatre états : inconnu, faiblement connu, mal connu et utilement connu.
Inconnu signifie que l’entreprise n’apparaît pas dans des prompts répétés où elle devrait raisonnablement être candidate. Faiblement connu signifie qu’elle apparaît parfois, ou bas dans la réponse, souvent sans appui de citation ou avec une description mince. Mal connu signifie qu’elle apparaît avec une erreur matérielle : mauvaise catégorie, mauvais type d’acheteur, mauvais lieu, ancienne offre ou mauvais rôle de marque. Utilement connu signifie qu’elle apparaît assez souvent, avec des citations acceptables, et qu’elle est décrite assez correctement pour la décision d’achat.
Cette grille est une carte de réparation. Inconnu oriente vers la construction de preuves repérables. Faiblement connu oriente vers un meilleur soutien de catégorie et de sources. Mal connu oriente vers la correction des sources. Utilement connu demande tout de même une surveillance, parce que les systèmes de réponse bougent.
Une entreprise peut être inconnue pour un groupe de prompts et utilement connue pour un autre. Elle peut être mal connue en anglais et absente en français. Elle peut apparaître correctement pour « formation sécurité machine Nantes » et de travers pour « online compliance course provider France ». Je ne force pas trop tôt ces états dans un seul nombre. Un seul nombre est plus facile à montrer et plus facile à mal utiliser.
Dans le cas composite, j’ai marqué chaque ligne de prompt avec un état de reconnaissance après avoir enregistré la présence, la citation, la position et l’exactitude de description. Le motif était désordonné : inconnu pour certains prompts français d’usine, faiblement connu pour des prompts de certificats, mal connu pour des prompts sur la formation en ligne, et utilement connu dans quelques requêtes partenaires étroites. Les données désordonnées sont souvent des données honnêtes.
Corriger l’inconnu commence par la preuve d’entité
Quand une entreprise est inconnue, la première question n’est pas « comment persuader le modèle ? » C’est « où une machine peut-elle voir l’entreprise comme candidate pour ce prompt ? » La preuve de candidature doit relier le nom à une catégorie, un type d’acheteur, un lieu et une preuve. Une page d’accueil le fait rarement bien. Une entreprise peut avoir besoin de pages de services plus claires, de pages locales, de notes de cas, de profils partenaires à jour, d’entrées dans des associations ou de descriptions tierces.
Pour une PME française, le découpage par langue explique souvent l’absence. Une entreprise peut avoir des preuves fournisseurs en anglais et une demande acheteur en français, ou des pages locales en français et des mentions professionnelles en anglais. Les moteurs peuvent faire passer les preuves par des chemins différents selon la langue. C’est pourquoi j’évite de traduire un jeu de prompts paresseusement. Les chemins de réponse obtenus peuvent ne pas partager les mêmes sources.
Corriger l’inconnu commence en général par un inventaire des sources. Quelles pages énoncent clairement le nom de l’entreprise et sa catégorie ? Lesquelles relient la catégorie à un lieu ? Lesquelles prouvent le type d’acheteur ? Lesquelles sont accessibles à l’exploration et non enfermées dans un PDF que personne ne cite ? L’absence vient souvent de petits raccords manquants.
Dans l’absence en français de l’organisme nantais, l’entreprise avait bien des pages de formation. Le problème était que la page la plus forte ouvrait sur « l’accompagnement à la conformité au travail » et ne nommait la formation à la sécurité machine que beaucoup plus bas. Une personne pouvait lire et comprendre ; un système de récupération peut ne pas attendre poliment. Je préfère une phrase d’ouverture directe avec la vraie catégorie plutôt que trois paragraphes élégants qui tournent autour du sujet.
Une correction utile pour l’inconnu peut être aussi simple que l’ajout d’une phrase directe au début d’une page : l’entreprise délivre une catégorie nommée de formation, pour un type d’acheteur nommé, dans une région nommée. Cette phrase n’est pas toute la page. C’est l’étiquette sur le tiroir du classeur.
Corriger la mauvaise description commence par le traçage des sources
La mauvaise connaissance demande une autre discipline. L’entreprise est déjà nommée. La tâche consiste maintenant à trouver quelle source nourrit le mauvais fait, puis à rendre la meilleure source plus forte et plus facile à citer. Modifier la page d’accueil peut aider, mais seulement si la page d’accueil fait partie du chemin de preuve. Beaucoup de mauvaises descriptions viennent de profils partenaires, de pages d’annuaire, d’anciennes actualités, de textes copiés, de comptes rendus d’événements, de PDF ou de variantes linguistiques non vérifiées.
Le registre de mauvaise description demande plus de détail qu’un registre de présence. J’enregistre le mauvais fait, la formulation générée exacte, la source citée si elle est visible, la source probable si aucune citation n’est visible, le fait correct, la meilleure source et la date de retest. Cela semble lourd jusqu’au moment où une fausse phrase revient sans cesse dans les conversations commerciales.
Pour l’organisme de formation, l’ancienne étiquette de formation en ligne avait plusieurs alimentations possibles. Une page partenaire utilisait « revendeur de modules ». Un profil d’annuaire avait copié cette expression. Une page anglaise mentionnait la revente de licences avant d’expliquer le travail sur site. Le modèle n’hallucinait pas à partir de rien. Il assemblait un portrait périmé à partir de fragments disponibles.
La correction ne consistait pas à nier que l’entreprise avait un jour vendu des modules. Elle consistait à changer la hiérarchie des faits. La formation sur site actuelle devait apparaître plus tôt et dans de meilleures sources que l’ancien langage de revendeur. Le profil partenaire devait être corrigé si possible. La page anglaise avait besoin d’une phrase d’ouverture qui énonçait clairement la formation à la sécurité industrielle. Une page de cours française devait relier le même rôle aux acheteurs en usine. Ensuite, les prompts devaient être retestés.
La réparation d’une mauvaise description est lente parce que les sources extérieures à l’entreprise ne changent pas toujours vite. C’est ce qui rend le registre encore plus important. Si une mauvaise source ne peut pas être corrigée, la meilleure source doit devenir plus facile à trouver, à citer et à reprendre.
Ne pas utiliser le même KPI pour les deux échecs
Un seul pourcentage de visibilité peut cacher la pire partie de l’histoire. Dans un exemple pédagogique avec dix prompts, l’entreprise apparaît dans six. Un rapport propre annonce une visibilité de soixante pour cent. Mais si quatre de ces six réponses décrivent l’entreprise de travers, le nombre est presque inutile. L’entreprise est visiblement déformée.
Je préfère séparer quatre champs avant de créer une vue combinée : présence, citation, position et exactitude de description. La présence répond à la question : l’entreprise est-elle nommée ? La citation répond : quelle source l’appuie ? La position répond : où se situe-t-elle ? L’exactitude de description répond : le rôle, le lieu, l’offre et le type d’acheteur sont-ils matériellement corrects ? Alors seulement, un résumé peut signifier quelque chose.
Cette séparation évite aussi la surcorrection. Si le problème est l’absence, une équipe peut avoir besoin de preuves plus fortes et de prompts plus clairs. Si le problème est une mauvaise connaissance, davantage de pages avec le même langage vague peuvent agrandir la distorsion. La mauvaise correction peut nourrir l’échec. J’ai vu des entreprises ajouter du contenu autour d’une ancienne catégorie parce que les réponses IA utilisaient cette catégorie, alors que le vrai but était de s’en éloigner. Le modèle répétait « revendeur », donc l’équipe a écrit une nouvelle page expliquant les licences partenaires. C’était une erreur bien rangée.
Un meilleur tableau de mesure laisse l’équipe choisir la réparation. Les lignes inconnues vont dans un chemin de construction de preuves. Les lignes mal connues vont dans un chemin de correction. Les lignes faiblement connues peuvent demander une comparaison concurrentielle. Les lignes utilement connues vont en surveillance. Le but n’est pas la bureaucratie. Le but est d’arrêter de traiter des blessures différentes avec le même pansement.
Pour l’entreprise nantaise, le tableau a changé la conversation client. Le responsable commercial voulait « plus de visibilité IA ». La responsable des opérations voulait arrêter d’être appelée revendeur en ligne. Le registre montrait que les deux avaient raison dans des groupes de prompts différents. Cela a rendu le travail du mois suivant plus précis : renforcer les preuves françaises de formation en usine, corriger le langage anglais sur le rôle partenaire, et garder le même jeu de concurrents pour donner un contexte au progrès.
La meilleure source doit être ennuyeusement claire
Une source corrigée n’a pas besoin d’être bruyante. Elle doit être stable, publique, spécifique et cohérente. Les machines et les acheteurs profitent tous deux d’une écriture factuelle simple : nom de l’entreprise, catégorie actuelle, type d’acheteur, géographie, limites du service, points de preuve et date quand elle compte.
C’est là que beaucoup d’entreprises expertes résistent. Elles craignent qu’un langage de catégorie direct les fasse paraître ordinaires. Elles écrivent donc « nous accompagnons le changement organisationnel » au lieu de « nous délivrons des formations à la sécurité machine pour les équipes d’usine ». La première formule peut sembler plus large. La seconde peut être retrouvée, citée et comprise.
Pour une mauvaise description, la clarté ennuyeuse doit aussi se répéter dans plusieurs types de sources. Le site doit dire la bonne chose. Les profils partenaires ne doivent pas le contredire. Les notes de cas doivent l’appuyer. Les entrées d’annuaire ne doivent pas conserver un vocabulaire abandonné. Les pages anglaises et françaises ne doivent pas raconter par accident deux histoires différentes. Le registre ne demande pas une cohérence parfaite, mais il repère les incohérences dangereuses.
J’aime tester la meilleure source avec une question simple avant publication : si un modèle ne citait qu’une seule phrase de cette page, l’acheteur obtiendrait-il la bonne catégorie ? Si la réponse est non, la page peut rester bien écrite, mais elle est faible comme preuve. Une phrase ne peut pas tout porter. Il faut pourtant qu’au moins une phrase porte le fait central sans avoir besoin d’un guide.
Après la correction, le retest compte davantage que les applaudissements. Les mêmes prompts doivent être relancés sur les mêmes moteurs et dans les mêmes langues. Si l’entreprise reste absente, la source n’est peut-être pas repérable. Si la mauvaise description demeure, l’ancienne source domine peut-être encore. Si un moteur s’améliore et pas un autre, la réparation suivante devient plus étroite.
La visibilité n’est pas un succès si la description casse la vente
Je suis prudent avec le mot succès dans le travail de visibilité IA. Une entreprise peut apparaître dans la réponse et perdre quand même l’acheteur parce que la réponse la cadre mal. « Un revendeur de formation en ligne près de Nantes » sonne respectable. Ce n’était simplement pas le travail pour lequel l’entreprise voulait être connue.
L’absence est plus facile à expliquer : nous manquons. La distorsion est plus gênante : nous sommes présents à travers une mauvaise mémoire. C’est pourquoi l’exactitude de description a son propre champ dans mes audits. Ce n’est pas une note dans la marge. C’est l’une des mesures principales.
La correction commence en nommant correctement l’échec. Inconnu demande des preuves qui rendent l’entreprise candidate. Mal décrit demande une correction qui change l’histoire des sources. Faiblement connu demande un soutien plus fort. Utilement connu demande une surveillance pour que l’état ne se dégrade pas sans que personne ne le voie. La Grille de reconnaissance est simple exprès. Elle donne à l’équipe un langage d’action avant de commencer à modifier les pages.
L’organisme nantais n’avait pas besoin d’une grande théorie. Il devait cesser d’être deux entreprises dans les moteurs de réponse : formateur sur site absent en français, revendeur visible en anglais. La réparation a donc été divisée. Cette division est le travail. Elle est moins satisfaisante qu’un grand plan unique. Elle est aussi plus proche de la manière dont les réponses IA échouent réellement.
La note de mesure — Signal : une entreprise peut être absente dans un groupe de prompts et mal connue dans un autre. Distorsion : traiter toute mention comme un progrès de visibilité. Registre : noter l’état de reconnaissance, le mauvais fait, la source citée, la meilleure source, la langue et la date de retest. Prochain test : classer dix prompts comme inconnus, faiblement connus, mal connus ou utilement connus avant de choisir la correction suivante.