Cas clients
Trois marques. Trois problèmes de visibilité IA très différents.
Un SaaS que ChatGPT confondait avec un homonyme. Un leader industriel invisible dans les réponses que lisent ses acheteurs. Une marque D2C recommandée partout — avec un avertissement. Voici ce que les scans ont trouvé, ce qui a été corrigé, et ce qui a bougé.
Identités des clients non divulguées — secteurs, mécanismes et résultats représentatifs de missions réelles ; chiffres arrondis.
SaaS B2B · ~40 personnes · France
Le SaaS que ChatGPT prenait pour un autre.
La situation
Un SaaS RH avec une belle traction et un problème de nom : une entreprise américaine plus grosse au nom quasi identique. Les rendez-vous commerciaux commençaient par des corrections — les prospects arrivaient en citant un modèle de tarification abandonné deux ans plus tôt, ou des fonctionnalités appartenant à l'homonyme américain.
Ce que les scans ont trouvé
La visibilité était correcte — cité sur 6 prompts d'acheteurs sur 10. Le problème, c'était ce que les moteurs disaient : sur 24 affirmations extraites par la dimension Exactitude de marque, 6 étaient fausses ou périmées, et sur 3 prompts ChatGPT fusionnait les deux entreprises en une seule.
« …est un fournisseur américain de solutions de paie fondé en 2012, avec des offres à partir de 8 $ par salarié… » — ChatGPT, décrivant une entreprise française qui n'est rien de tout cela
Le correctif — un sprint de 6 semaines
Une description de marque canonique déployée sur le site, les profils sociaux et chaque fiche. Une entrée Wikidata rendant les deux entités impossibles à confondre. Des corrections poussées vers les quatre sources que les moteurs citaient le plus. Une page tarifs en BLUF que les moteurs pouvaient citer au lieu d'inventer.
Le résultat — 3 scans plus tard
Exactitude de marque — risques factuels par scan
24 affirmations vérifiées par scan, chaque verdict relié à la réponse IA
Illustration — données de mission anonymisées
Équipement industriel · entreprise familiale · DACH
Le leader du marché qui n'existait pas dans les réponses IA.
La situation
Soixante-dix ans de réputation d'ingénierie, des distributeurs dans douze pays — et un taux de mention de 1 sur 10 quand les acheteurs demandaient aux moteurs des recommandations d'équipement. Deux concurrents plus jeunes, tous deux plus petits hors ligne, étaient recommandés sur presque chaque prompt.
Ce que les scans ont trouvé
La dimension Sources a expliqué le mystère : les concurrents étaient portés par des annuaires sectoriels et une publication professionnelle que les moteurs citaient constamment — tandis que la seule source de citation de cette entreprise était son propre site. Sur Perplexity, les pages comparatives des concurrents figuraient dans le top 3 des sources citées pour 7 prompts sur 10.
« Les moteurs ne les ignoraient pas par préférence. Ils n'avaient littéralement rien d'autre à lire que la brochure de l'entreprise. »
Le correctif — un programme managé de 4 mois
Des fiches créées sur les cinq annuaires que les moteurs citent réellement dans ce secteur. Deux pages à haute citabilité conçues pour les prompts « meilleur X pour Y » exacts des acheteurs. Des relations presse dans les deux publications professionnelles où les moteurs puisent. Chaque action choisie parce qu'un scan montrait le manque — pas d'après une checklist générique.
Le résultat — sur 8 scans
Part de voix IA — Perplexity
Avant — scan 1
Après — scan 8
Scans bimensuels, à 4 mois d'écart
Illustration — données de mission anonymisées
E-commerce D2C · maison & déco · Royaume-Uni
Recommandée partout — avec un avertissement.
La situation
Sur le papier, une excellente visibilité IA : citée sur 8 prompts sur 10. Mais la conversion du trafic venu des IA était étrangement faible. La marque soupçonnait ses prix ; les scans ont trouvé tout autre chose.
Ce que les scans ont trouvé
La dimension Sentiment a signalé un ton prudent sur 45 % des mentions — presque chaque recommandation s'accompagnait d'une réserve sur les délais de livraison. La dimension Sources a trouvé le coupable : un fil de forum de 2024 et une page d'avis aux douze avis périmés, cités sur 5 prompts sur 10. Le problème logistique était réglé depuis 18 mois. Les moteurs ne le savaient pas.
« …un choix solide, même si certains clients ont signalé des délais de livraison longs… » — cité depuis un fil plus ancien que le correctif
Le correctif — un sprint, puis le monitoring
Une collecte d'avis systématique sur les plateformes que les moteurs citent réellement. Des fiches mises à jour avec les données de livraison actuelles. Une page livraison & retours factuelle en BLUF, donnant aux moteurs quelque chose de plus récent à citer. De nouvelles mentions éditoriales pour diluer le fil périmé.
Le résultat — sur 5 scans
Ton des mentions — tous moteurs
Avant — scan 1
Après — scan 5
Chaque verdict de ton renvoie aux mots exacts employés par le moteur
Illustration — données de mission anonymisées
Trois secteurs, une méthode.
Aucun de ces cas n'a commencé par une intuition. Les scans ont trouvé le manque — avec les réponses IA comme preuves — les actions ont ciblé exactement ce manque, et les scans suivants ont mesuré le mouvement. C'est toute la méthode, et c'est la même qui tourne dans votre essai.
Votre histoire commence par un scan
Cinq moteurs, preuves incluses — et votre propre chapitre un, en quelques minutes.
FAQ
Pourquoi ne nommez-vous pas les entreprises ?
Parce que les lacunes de visibilité IA sont concurrentiellement sensibles. Un cas client qui dit « cette marque était invisible sur les prompts qui comptent » ou « ChatGPT a répété des faits erronés à son sujet pendant des mois » n'est pas quelque chose que les clients veulent laisser lire à leurs concurrents avec leur nom attaché. Nous publions donc le secteur, le marché, les constats et les chiffres — et retenons l'identité. Ce sont les mécanismes qui vous apprennent quelque chose, de toute façon.
Ces résultats sont-ils mesurés avec la même plateforme que celle que j'utiliserais ?
Oui — les mêmes scans. Chaque chiffre de ces histoires vient des dimensions de la plateforme : visibilité et taux de citation IA, concurrents et part de voix IA, affirmations d'exactitude de marque, sources citées et sentiment. Quand vous lancez un essai, votre premier scan produit exactement ce type de preuves sur votre propre marque.
En combien de temps peut-on espérer un mouvement similaire ?
Le délai dépend de la position de départ et de la densité concurrentielle. Les gains rapides — llms.txt, schema markup, corrections de fiches, descriptions de marque canoniques — peuvent apparaître en quelques scans. La visibilité sur les requêtes de marque s'améliore généralement en 4 à 8 semaines. Les requêtes catégorielles — « meilleur X pour Y » — demandent un travail structurel plus profond et montrent un mouvement significatif en 3 à 6 mois. La plateforme re-scanne toutes les deux semaines : vous voyez la tendance, pas seulement la destination.
Ces résultats sont-ils typiques ?
Ils sont représentatifs de ce qui se passe quand un manque précis, diagnostiqué, reçoit un correctif précis — pas une garantie. Ce qui se généralise, c'est la méthode : les scans trouvent le manque avec des preuves, les actions ciblent ce manque, et les scans suivants mesurent s'il a bougé. Les marques en faible densité concurrentielle bougent souvent plus vite ; les catégories saturées, plus lentement.
Que se passe-t-il une fois le travail initial terminé ?
Les réponses des IA bougent — les modèles se mettent à jour, les sources changent, les concurrents publient. C'est pourquoi Storyzee est un abonnement de monitoring : vos Monitors continuent de scanner toutes les deux semaines, les courbes de tendance révèlent toute régression tôt, et chaque scan se conclut par un nouveau plan d'action priorisé. À exécuter avec votre équipe, ou à confier au pôle consulting.