Share of Model : la métrique qui remplace le share of search à l'ère de l'IA

Ce que mesure le Share of Model

Le Share of Model (SOM) mesure à quelle fréquence et avec quelle faveur une marque est mentionnée dans les réponses générées par les grands modèles de langage — ChatGPT, Gemini, Claude, Perplexity et les autres systèmes IA qui sont de plus en plus le premier point de contact entre un utilisateur et l'information sur une catégorie.

Ce n'est pas un seul chiffre. C'est un composite de plusieurs dimensions :

Taux de mention : quel pourcentage des prompts pertinents sur votre catégorie inclut une mention du nom de votre marque dans la réponse générée par l'IA ?

Position : quand votre marque est mentionnée, où apparaît-elle dans la réponse ? En premier dans une liste, au milieu, ou comme afterthought secondaire ? La position dans une réponse IA est corrélée au signal d'autorité que la mention transmet.

Sentiment et association d'attributs : que dit l'IA sur votre marque quand elle vous mentionne ? La description est-elle précise, différenciée et positive ? Reflète-t-elle le positionnement que vous avez construit, ou une version diluée ou obsolète ?

Cohérence entre plateformes : votre marque apparaît-elle de façon cohérente sur ChatGPT, Gemini, Perplexity et Copilot — ou fortement sur une plateforme et absente des autres ?

Part de voix relative aux concurrents : pas seulement « suis-je mentionné ? » mais « à quelle fréquence suis-je mentionné par rapport aux autres marques de ma catégorie, sur la distribution complète des prompts pertinents ? »

Pris ensemble, ces dimensions produisent un tableau de la présence de votre marque dans la couche IA — l'interface qui se situe entre l'intention de l'utilisateur et la découverte de marque pour une part de plus en plus grande de la population.

Pourquoi le share of search ne capture plus la visibilité de marque à l'ère IA

Le share of search était construit pour une architecture spécifique : l'utilisateur formule une requête, reçoit une liste de résultats et navigue vers un site web. Mesurer le volume de requêtes pour votre nom de marque — relativement aux concurrents et au volume total de requêtes de catégorie — vous donnait un proxy fiable pour la notoriété et la considération de marque.

Cette architecture a trois hypothèses qui ne tiennent plus universellement.

Hypothèse 1 : l'utilisateur formule une requête. Dans la découverte médiatisée par l'IA, les utilisateurs ne formulent souvent pas de requête de recherche discrète. Ils posent une question en langage naturel, ont une conversation, ou délèguent une tâche à un agent. Ces interactions ne génèrent pas de données de requête au sens traditionnel. Le share of search ne peut pas mesurer la présence dans une conversation.

Hypothèse 2 : le résultat est une liste de liens. Les réponses générées par l'IA ne sont pas des listes. Ce sont des réponses synthétisées qui nomment des marques spécifiques, décrivent leurs attributs et font des recommandations implicites ou explicites. Une marque mentionnée favorablement dans une réponse synthétisée ne génère pas nécessairement un clic — mais elle génère de la notoriété, de la considération et de la confiance d'une façon qu'apparaître comme un lien bleu sur une page de résultats ne fait pas.

Hypothèse 3 : la visibilité est binaire. Dans la recherche traditionnelle, vous vous classez soit pour une requête, soit vous ne le faites pas. Il y a un seuil en dessous duquel vous êtes invisible. Dans les réponses générées par l'IA, la visibilité est graduée — vous pouvez être mentionné en premier, mentionné avec un langage d'attributs fort, mentionné brièvement dans une liste, mentionné avec un qualificatif, ou pas mentionné du tout. Ce gradient compte énormément pour la construction de marque, et le share of search ne peut pas le capturer.

Le Share of Model est conçu pour la nouvelle architecture. Il mesure la présence dans les réponses synthétisées plutôt que dans les listes classées, capture la qualité et la position des mentions plutôt que juste leur existence, et suit la cohérence entre plateformes IA plutôt qu'entre moteurs de recherche.

Comment mesurer le Share of Model en pratique

La mesure du SOM est plus complexe que celle du share of search, mais la méthodologie est tractable. Voici comment l'aborder.

Étape 1 — Construisez votre bibliothèque de prompts. Identifiez les 50 à 100 prompts les plus pertinents pour la catégorie de votre marque. Ceux-ci doivent inclure des prompts définitionnels (« quel est le meilleur [catégorie] pour [cas d'usage] ? »), des prompts de comparaison (« comparer les options [catégorie] pour [besoin spécifique] »), des prompts de recommandation (« quel [catégorie] devrais-je utiliser si [contexte spécifique] ? »), et des prompts d'attributs (« quel [catégorie] est connu pour [capacité spécifique] ? »). La bibliothèque de prompts doit représenter la gamme complète des questions que vos utilisateurs cibles posent réellement aux systèmes IA.

Étape 2 — Exécutez les prompts sur toutes les plateformes. Soumettez chaque prompt sur ChatGPT, Gemini, Perplexity et Copilot — au minimum. Pour chaque réponse, enregistrez : votre marque apparaît-elle ? À quelle position ? Dans quel contexte et avec quel langage ? Quels concurrents apparaissent à côté ou à la place de vous ? Exécutez chaque prompt plusieurs fois, sur différentes sessions, pour tenir compte de la variabilité des réponses.

Étape 3 — Scorez chaque dimension. Construisez un cadre de scoring pour le taux de mention, la position, le sentiment et la part concurrentielle sur chaque plateforme. Standardisez le scoring pour que les résultats soient comparables dans le temps et entre plateformes. C'est le tableau de bord SOM — votre vue continue de votre position dans la couche IA.

Étape 4 — Suivez dans le temps. Le SOM est un indicateur avancé, pas un indicateur retardé. Les changements dans votre SOM — à la hausse ou à la baisse — précèdent typiquement les changements dans le trafic référé par l'IA, le volume de recherches branded et finalement les revenus. Suivez-le mensuellement. Comparez à votre bibliothèque de prompts à chaque cycle. Identifiez quels prompts s'améliorent et lesquels déclinent, et utilisez ces données pour diagnostiquer ce qui pilote le mouvement.

Étape 5 — Benchmarkez contre les concurrents. Le SOM est le plus utile comme mesure relative. Votre taux de mention absolu compte moins que votre taux de mention relatif aux trois ou quatre concurrents que vos utilisateurs cibles comparent réellement à vous. Construisez un tableau de bord SOM concurrentiel qui montre votre part aux côtés de la leur, par plateforme et par catégorie de prompt.

Les outils qui mesurent le SOM aujourd'hui

L'écosystème d'outillage pour la mesure du SOM s'est développé rapidement en 2026. Plusieurs plateformes offrent désormais des capacités variées de tracking SOM.

Profound — le leader enterprise, soutenu par 35M$ en Série B de Sequoia Capital. Suit les mentions de marque sur 10+ moteurs IA incluant ChatGPT (GPT-5.5), Claude, Perplexity, Google AI Overviews, Gemini, Copilot, DeepSeek et Grok. Inclut 400M+ prompts d'utilisateurs réels via Conversation Explorer et l'analytique des crawlers IA. Tarifé pour l'enterprise ; nécessite un engagement commercial.

Evertune — suit les mentions sur tous les principaux LLM avec attribution des sources (reliant les mentions au contenu spécifique qui les a pilotées), analyse de sentiment et benchmarking concurrentiel. Conçu spécifiquement pour le tableau SOM complet, pas seulement les liens de citation.

OpenLens — la première plateforme gratuite pour le monitoring IA multi-plateformes. Couvre ChatGPT, Claude, Google AI, Perplexity et DeepSeek. Sans carte de crédit. Profondeur limitée par rapport aux plateformes enterprise mais coût zéro — le bon point de départ pour les marques construisant leur première baseline SOM.

Semrush AI Toolkit (désormais Adobe) — intègre le tracking de visibilité IA dans le workflow SEO établi. Accessible pour les équipes déjà dans l'écosystème Semrush.

Ahrefs Brand Radar — superpose la fréquence de citation IA avec les métriques SEO traditionnelles, utile pour les équipes voulant comprendre la corrélation entre autorité organique et taux de mention IA.

L'outil le plus important est celui qui produit une vue cohérente, comparable et spécifique à chaque plateforme de la présence de votre marque dans les réponses IA dans le temps. La cohérence de la méthodologie compte plus que l'étendue des fonctionnalités — un système de tracking simple et cohérent produit plus d'insights actionnables qu'un système sophistiqué utilisé de façon incohérente.

Le SOM comme indicateur avancé : ce que les données révèlent

Le cas le plus convaincant pour le SOM comme métrique stratégique vient de la relation prédictive entre les patterns de mention IA et les résultats commerciaux en aval.

Les recherches de Conductor (Rapport 2026 AEO/GEO Benchmarks) identifient la visibilité IA comme son propre canal de performance — distinct de la recherche organique, du payant, du direct et du social. Les marques qui suivent le SOM ne mesurent pas juste une nouvelle métrique. Elles tracent le canal qui détermine de plus en plus quelles marques entrent en considération avant qu'un utilisateur ne fasse une recherche traditionnelle.

L'enquête HBR 2026 auprès de 12 000 consommateurs a révélé que 58 % ont utilisé l'IA pour rechercher des produits et services en 2025 — contre 25 % en 2023. Ces utilisateurs sont plus jeunes, plus aisés et plus éduqués. Ils sont le segment démographique avec la valeur vie la plus élevée et la plus faible réceptivité à la publicité traditionnelle. Les marques qu'ils rencontrent dans les réponses IA sont les marques qu'ils considèrent. Les marques qu'ils ne rencontrent pas sont effectivement invisibles dans le processus de découverte de cette cohorte.

Le SOM est la métrique qui vous dit à quel point vous êtes visible pour cette cohorte. Le share of search vous dit à quel point vous étiez visible pour la cohorte qui utilisait Google. Ce sont des populations de plus en plus différentes.

Conclusion

Le share of search était la bonne métrique pour l'ère qu'il mesurait. Il capturait la présence de marque dans l'interface de découverte dominante de son époque avec une précision et une facilité de mesure raisonnables.

L'interface de découverte dominante a changé. Pour une part significative et croissante de la population — et pour les cohortes démographiques à plus haute valeur — l'interface de découverte est une réponse générée par l'IA, pas une liste de résultats de recherche. Le share of search ne mesure pas la présence dans cette interface. Le Share of Model le fait.

Les marques qui construisent une infrastructure de mesure du SOM maintenant — bibliothèques de prompts, suivi spécifique à chaque plateforme, benchmarking concurrentiel, baselines de séries temporelles — construisent la fondation analytique pour la stratégie de marque à l'ère IA. Les marques qui continuent à mesurer uniquement le share of search mesurent leur présence dans un canal dont l'importance relative décline, tout en restant aveugles à un canal dont l'importance se compose.

Ce n'est pas une stratégie de mesure durable. Et c'est entièrement corrigeable, à partir d'aujourd'hui.