Mesurer l’impact de l’IA : pourquoi c’est plus dur pour les marketers
Résumez cet article avec l’IA
Le parcours que votre analytics ne verra jamais
Je regarde des rapports d’acquisition chaque semaine. Et depuis quelque temps, je vois le même motif revenir.
Une hausse de la recherche de marque. Du trafic « direct » qui gonfle. Aucune source IA identifiable. Et un marketer qui me demande : « D’où ça vient ? »
Neil Patel décrit cette scène. Moi, je la retrouve chez mes clients. Un utilisateur ouvre ChatGPT. Il demande une recommandation de produit. L’IA cite votre marque parmi ses réponses. Il lit, il referme l’onglet. Il ne clique sur rien.
Quelques jours plus tard, il tape votre nom sur Google. Il clique sur votre site. Il achète.
Que voit votre analytics ? Une recherche de marque organique. Une conversion attribuée à Google. Point.
La recommandation qui a tout déclenché n’existe nulle part dans vos données. Pas de référent. Pas de paramètre UTM. Pas de cookie. Rien.
Le problème n’est pas que l’IA ne convertit pas. C’est que l’IA convertit ailleurs que là où vous regardez.
Selon Neil Patel : la recherche IA devient un moyen de plus en plus important pour les consommateurs de découvrir des marques. Mais mesurer son impact est bien plus difficile que de mesurer un référent traditionnel. L’exemple ci-dessus est celui qu’il utilisé pour illustrer le problème.
Pourquoi cette difficulté touche-t-elle les marketers plus durement que les autres ? Parce qu’un marketer vit dans un tableau de bord. Son budget se justifie par des lignes : canal, coût, conversion. Quand une partie du parcours se déroule dans une fenêtre de chat que personne n’observe, la ligne n’existe pas.
Et ce qui n’a pas de ligne n’a pas de budget.
Je vois deux réactions. La première : ignorer l’IA parce que « ça ne remonte pas dans les chiffres ». La seconde : paniquer et acheter un outil qui promet de tout tracer. Ni l’une ni l’autre ne résout quoi que ce soit.
Ma conviction est simple. Le SEO en 2026 ne se joue plus seulement sur le clic. Il se joue sur la mention, puis sur le souvenir de cette mention. Et ça, aucun pixel ne le capture directement.
Dans cet article, je vous montre où le parcours se brise, pourquoi les modèles classiques échouent, et les trois couches de mesure que j’empile pour approcher la réalité. Sans promettre une précision que personne ne possède.
Pourquoi le dernier clic donne toujours le crédit à Google
Le mécanisme est mécanique. Presque bête.
La plupart des analytics attribuent la conversion au dernier point de contact mesurable. Si ce point de contact est une recherche Google sur votre nom de marque, Google gagne. Toujours.
Or, voilà ce qu’un parcours IA produit. La recommandation fait naître l’intention. Mais l’intention s’exprime ensuite sur le moteur de recherche. L’IA sème, Google récolte.
Voilà le diagnostic: mon modèle d’attribution est aveugle à l’étape qui compte.
Prenons les trois modèles que les marketers utilisent le plus.
- Dernier clic. Il crédite la recherche de marque. L’IA reste invisible.
- Premier clic. Il crédite le premier contact mesuré. Là encore, la discussion dans ChatGPT n’a laissé aucune trace, donc il crédite autre chose.
- Modèles multi-touch. Ils répartissent le crédit entre les contacts connus. Mais un contact inconnu ne reçoit aucune part. Une répartition précise sur des données incomplètes reste une erreur, juste mieux présentée.
Voilà le piège des tableaux de bord sophistiqués. Plus le modèle est élaboré, plus il inspire confiance. Et plus on oublie que sa matière première est trouée.
Je l’observe chez mes clients : quand on ouvre la discussion sur l’attribution, la première question porte sur l’outil. « Quel logiciel pour tracer l’IA ? » La bonne question est en amont. « Quelle part du parcours se passe hors de mes données ? »
Dans le cas d’une recommandation en chat, la réponse est : tout l’avant. La découverte, la comparaison, parfois la décision. Il ne reste dans vos données que la formalité finale.
Un rapport qui dit « 100 % des ventes viennent de la recherche de marque » ne décrit pas le client. Il décrit l’endroit où le client a fini par laisser une trace.
Ce constat a une conséquence directe sur vos arbitrages budgétaires. Si vous coupez ce qui ne remonte pas, vous coupez ce qui alimente la recherche de marque. Vous le saurez quelques mois plus tard, quand cette recherche s’essoufflera, sans pouvoir expliquer pourquoi.
Alors, avant de choisir un outil, regardons où exactement le parcours se brise. Il y a trois fuites distinctes. Chacune demande une réponse différente.
Les trois fuites qui brisent le parcours
Quand j’audite un parcours influencé par l’IA, je cherche trois ruptures. Elles sont indépendantes. Elles se cumulent.
Fuite 1 : la recommandation sans clic
L’IA répond. L’utilisateur lit. Il n’a aucune raison de cliquer, puisque la réponse lui suffit. Votre marque a été exposée, mais votre serveur n’a rien enregistré.
Aucune visite. Aucun événement. Aucune impression comptabilisée dans vos outils.
C’est la fuite la plus importante. Et la plus ignorée, parce qu’on ne peut pas mesurer ce qui ne frappe jamais votre site.
Fuite 2 : le délai
Le scénario décrit par Neil Patel parle de plusieurs jours entre la recommandation et la recherche sur Google. C’est le cœur du sujet.
Plusieurs jours, c’est largement assez pour sortir de n’importe quelle fenêtre d’attribution raisonnable. Plus le cycle d’achat est long, plus la fuite est large. Un achat impulsif à 30 $ laisse peu de temps à l’oubli. Un contrat B2B ou un équipement à plusieurs milliers de dollars en laisse énormément.
Le marketer qui compare les ventes à une fenêtre courte conclut que l’IA ne pèse rien. Il a simplement raccourci la fenêtre jusqu’à ne plus la voir.
Fuite 3 : le changement de canal
La recommandation naît dans un outil. La conversion se produit dans un autre. Parfois sur un autre appareil. Un trajet commencé sur le téléphone dans une application de chat, terminé le lendemain sur un ordinateur de bureau.
Pour votre analytics, il s’agit de deux personnes différentes. L’une n’existe pas. L’autre arrive de nulle part.
Le réflexe à avoir : pour chaque rupture, posez-vous la question « qu’est-ce qui reste de cette étape dans mes données ? ». Si la réponse est « rien », ne cherchez pas un meilleur réglage. Cherchez une autre source d’information.
Ce découpage change la conversation avec une direction. Au lieu de dire « on ne sait pas mesurer l’IA », vous dites « nous perdons de l’information à trois endroits précis, et voici comment nous compensons pour chacun ». C’est une position de force.
C’est loin d’être anodin.
Un « on ne sait pas » entraîne un « alors on ne finance pas ». Un « on sait où l’on perd, et on estime la perte autrement » entraîne une discussion sur la méthode.
Voyons maintenant pourquoi ce chantier pèse plus lourd sur les épaules des marketers que sur celles d’autres profils.
Pourquoi les marketers sont plus exposés que les autres
On pourrait croire que les marketers, rompus aux outils de mesure, sont les mieux armés. À mon avis, c’est l’inverse.
Leur force est aussi leur faiblesse. Ils ont construit des pratiques entières autour de la traçabilité. Chaque euro dépensé doit pouvoir être retrouvé dans une ligne de rapport. Cette discipline est précieuse sur les canaux payants. Elle devient un frein quand le canal ne laisse aucune trace.
Ce n’est pas l’outillage. C’est la question de ce qui compte.
Je vois trois raisons structurelles.
- Le budget suit la donnée. Un marketer doit défendre ses lignes devant un directeur financier. Un canal qui ne produit pas de chiffre attribuable est difficile à défendre, même s’il travaille réellement.
- Les indicateurs sont hérités. Les rapports ont été pensés pour des parcours avec un clic à chaque étape. L’IA conversationnelle ne respecte pas ce contrat.
- Le temps est court. Un trimestre pour prouver un résultat, c’est confortable pour une campagne payante. C’est très court pour un effet de notoriété qui s’exprime par la recherche de marque, plusieurs jours ou semaines après.
Un référenceur n’échappe pas au problème, mais il l’aborde autrement. Il raisonne en visibilité, en requêtes, en pages. Il sait qu’une partie de son travail agit en amont des conversions.
Le marketer, lui, répond d’un résultat. Et il découvre que le résultat dépend d’un étage qu’il ne voit pas.
Voilà pourquoi le défi est plus dur pour lui. Pas faute de compétence, mais parce qu’il est jugé sur la partie du parcours que l’IA vide de ses traces.
Je n’ai pas de solution parfaite à vous proposer. Personne n’en a une, quoi que prétendent certains éditeurs d’outils. Ce que j’ai, c’est une méthode pour réduire l’aveuglement. Elle repose sur l’idée qu’une mesure unique ne suffit plus. Il faut en superposer plusieurs, chacune imparfaite, qui se recoupent.
C’est ce que je détaille dans la section suivante.
Les trois couches de mesure que j’empile
Aucune couche seule ne dit la vérité. Ensemble, elles dessinent une image exploitable.
Couche 1 : tester les requêtes à la main
On commence par la source. Vous listez les questions que vos clients posent réellement avant d’acheter. Puis vous les posez vous-même aux assistants IA. Régulièrement. Vous notez : votre marque est-elle citée ? À quelle place ? Avec quel descriptif ? Qui apparaît à côté ?
C’est artisanal. Ça fonctionne. Cela mesure votre présence dans la recommandation, la seule étape que votre site ne voit pas.
Je consigne les réponses dans un tableau daté. Les réponses d’un assistant varient d’une session à l’autre, donc je ne tire jamais de conclusion d’un seul test. Je cherche des tendances sur plusieurs relevés.
Couche 2 : suivre les signaux de marque
Si l’IA sème et que Google récolte, la recherche de marque doit bouger. Je suis donc le volume de requêtes contenant le nom de la marque, les accès directs, et les requêtes de type « marque + avis » ou « marque + prix ».
Un mouvement de ces courbes après un changement de visibilité dans les assistants ne prouve rien à lui seul. Mais combiné à la couche 1, il devient un indice sérieux. Quand les deux montent ensemble, l’hypothèse tient.
Pourquoi ça marche : le cerveau retient une marque mentionnée par une source jugée neutre. Une recommandation dans une conversation ressemble à l’avis d’un tiers. Elle laisse un souvenir de nom, que l’utilisateur ressortira plus tard dans une barre de recherche. La trace n’est pas dans vos données. Elle est dans sa mémoire.
Couche 3 : demander directement
La plus sous-estimée. Un champ libre dans le formulaire de contact ou à la validation de commande : « Comment avez-vous entendu parler de nous ? ». Pas une liste déroulante qui force à choisir une case. Une vraie question ouverte.
Ce que les gens écrivent est souvent précieux. Quand certains répondent qu’ils ont demandé conseil à un assistant, vous obtenez ce que votre analytics ne donnera jamais : l’aveu du parcours.
C’est déclaratif. Donc imparfait. Les gens oublient, simplifient, se trompent. Mais cette imperfection est de nature différente de celle de vos rapports, ce qui rend le recoupement utile.
Trois couches. Aucune ne suffit. Les trois ensemble, oui.
Trois cas d’usage : e-commerce, B2B, local
Le même problème prend trois visages selon le modèle économique.
E-commerce : la recommandation produit
C’est le scénario de Neil Patel. Un utilisateur demande un produit, l’IA propose des marques, il y réfléchit, il cherche ensuite la marque. Le cycle est court, mais pas assez pour rester dans une fenêtre d’attribution serrée.
Je teste les requêtes du type « meilleur [produit] pour [usage] » sur plusieurs assistants. Je suis la recherche de marque et les requêtes associées. J’ajoute un champ ouvert à la confirmation de commande.
Votre fiche produit n’est plus la seule vitrine. La vitrine, c’est aussi la façon dont l’IA vous décrit.
B2B et services : le cycle long
Ici, la fuite du délai est maximale. Une recommandation peut précéder un premier échange commercial de plusieurs semaines. Quand le prospect arrive, personne ne se souvient de ce qui l’a amené.
J’intègre la question d’origine dans le premier appel, systématiquement. Pas dans un formulaire que personne ne lit. Dans la conversation. Le commercial note la réponse mot pour mot dans le CRM.
Au bout d’un trimestre, ces notes dessinent un tableau que les rapports d’acquisition n’auraient jamais produit. C’est ce que j’observe chez mes clients qui appliquent cette discipline : les formulations des prospects révèlent des parcours que l’analytics classait en « direct ».
Local : la recommandation de proximité
Un utilisateur demande « un bon plombier près de chez moi » ou « le meilleur restaurant pour un anniversaire ». L’IA répond avec quelques noms. Il appelle, ou il cherche la fiche sur une carte.
La trace est encore plus mince. Un appel téléphonique n’a ni UTM ni référent.
Je demande aux équipes de poser la question à chaque nouveau client, et de noter la réponse. C’est tout. Simple, gratuit, redoutablement efficace.
Le fil rouge des trois cas : quel que soit le secteur, la mesure la plus fiable de l’influence de l’IA passe par un humain qui pose une question. Cette étape du parcours se déroule dans la tête du client, pas dans votre serveur.
Dans les trois cas, je procède de la même façon : je ne cherche pas le chiffre exact. Je cherche la direction et la cohérence entre les couches.
Votre plan pour les 30 prochains jours
Assez de diagnostic. À votre place, je procèderais comme ça, dans l’ordre.
Semaine 1 : cartographier. Listez 15 à 20 questions que vos clients posent avant d’acheter. Celles que vous entendez au téléphone, en rendez-vous, dans votre support. Ce sont vos requêtes de test. Elles valent mieux que n’importe quelle liste générée par un outil, parce qu’elles viennent du terrain.
Semaine 2 : relever. Posez chaque question à plusieurs assistants. Consignez dans un tableau : date, assistant, question, marque citée ou non, concurrents cités, description utilisée. Ne cherchez pas encore à interpréter. Collectez.
Semaine 3 : instrumenter. Ajoutez la question ouverte « Comment nous avez-vous connus ? » à vos points de capture : formulaire, validation de commande, premier appel. Suivez chaque mois les requêtes de marque et les accès directs.
Semaine 4 : recouper. Mettez les trois couches côte à côte. Où votre marque est-elle citée ? Que disent les clients ? Que font les courbes de marque ? Notez les convergences et, tout aussi important, les contradictions.
Ensuite, répétez chaque mois. La valeur n’est pas dans un relevé isolé. Elle est dans la série.
Gardez en tête ce principe : on ne cherche pas à attribuer chaque vente à l’IA. On cherche à savoir si la visibilité dans les assistants précède, de façon répétée, les mouvements de marque et de demande. C’est une autre question. Et celle-là, vous pouvez y répondre.
Un dernier point sur la présentation interne. Évitez de dire « l’IA nous a rapporté tant ». Vous ne pouvez pas l’affirmer, et la première question d’un directeur financier fera tomber l’édifice. Dites plutôt : « Nous observons sur trois sources indépendantes certains éléments, nous ne voyons pas les autres, et nous compensons de cette manière ». C’est honnête. C’est défendable. Et c’est bien plus crédible qu’un chiffre unique sans origine.
Je ne vous vends pas la méthode. Je vous montre : votre place, votre absence, celle de vos concurrents.
Alors, dans votre dernier rapport d’acquisition, quelle part de votre « recherche de marque » vient en réalité d’une conversation que vous n’avez jamais vue ?
Un audit live de votre visibilité IA
Je regarde avec vous comment les assistants décrivent votre marque, où vos concurrents prennent la place, et quelles couches de mesure poser dès cette semaine. Je ne vous vends pas la méthode, je vous montre les pages.
Réserver un appel diagnostic — 30 minQuestions fréquentes
Pourquoi mon analytics n’affiche-t-il pas les ventes venant de ChatGPT ?
Parce qu’on vous recommande souvent sans clic. L’utilisateur retient votre nom, puis vous cherche sur Google plusieurs jours plus tard. Votre outil attribue alors la vente à la recherche de marque.
Un modèle d’attribution multi-touch résout-il le problème ?
Non. Il répartit le crédit entre les contacts connus. Une recommandation en chat n’en laisse aucun, donc elle ne reçoit rien. Le modèle est précis avec des données incomplètes.
Comment savoir si l’IA recommande ma marque ?
Listez les questions que vos clients posent avant d’acheter, posez-les à plusieurs assistants, puis notez les réponses dans un tableau daté. Répétez chaque mois : c’est la tendance qui compte, pas un test isolé.
Quelle question ouverte ajouter pour capter l’influence de l’IA ?
« Comment avez-vous entendu parler de nous ? » en champ libre, pas en liste déroulante. Posez-la au formulaire, à la commande et au premier appel. Vous verrez d’où viennent vraiment vos clients – l’analytics les classe en « direct ».
Quels signaux de marque dois-je suivre ?
Le volume de requêtes contenant votre nom, les accès directs, et les requêtes « marque + avis » ou « marque + prix ». Quand ça évolue avec vos citations IA, l’IA a un impact.
