Mesurer l’AI Search en 2027 : au-delà des clics, vers le revenu

Résumez cet article avec l’IA

En bref : Selon le test relayé par Search Engine Journal, une marque peut être parfaitement connue des IA et pourtant absente de 42 réponses de catégorie sur 43. Pour mesurer votre taux de recommandation, corriger les sources obsolètes et traduire le tout en indicateurs de revenu.
1 sur 43réponses de catégorie où Uphoff Advisory a été recommandé par les moteurs d’IA (test Tony Uphoff)
51 %des acheteurs B2B de logiciels démarrent plus souvent avec un chatbot qu’avec Google, contre 29 % un an plus tôt (G2, mars 2026, 1 076 répondants)
69 %des acheteurs disent qu’un chatbot leur a fait choisir un autre fournisseur que celui prévu (G2, mars 2026)

0 sur 12. 1 sur 43. Le test qui devrait vous mettre mal à l’aise

0 sur 12. 1 sur 43. Ce sont les scores d’un test publié ce mois-ci par Tony Uphoff, rapporté par Greg Jarboe dans Search Engine Journal. Uphoff a posé à ChatGPT, Gemini, Perplexity et Google AI Overviews les questions que ses futurs clients posent vraiment. Puis il a compté, réponse après réponse, combien de fois les moteurs recommandaient les deux entreprises qu’il a lancées en février.

Le bilan porte sur 59 réponses. Sa newsletter, Uphoff on Media, apparaît dans 0 des 12 réponses de catégorie. Son cabinet, Uphoff Advisory, dans 1 des 43. Pourtant, chaque moteur interrogé sur « Qui est Tony Uphoff ? » connaît son parcours sur le bout des doigts.

« Les modèles savent qui je suis. Ils ne recommandent presque jamais ce que j’ai construit. » (Tony Uphoff, cité par Search Engine Journal, traduction libre)

Connu. Pas recommandé. Deux états très différents. Et un seul des deux fait entrer de l’argent.

Le profil du testeur compte. Uphoff a dirigé cinq entreprises, transformé Business.com et ThomasNet.com, piloté le carve-out de Pipeline360. Ce n’est pas un inconnu. Si un dirigeant à ce niveau de notoriété obtient 0 % sur ses réponses de catégorie, à quoi ressemble votre score ?

Chaque fois que j’ouvre le reporting d’un nouveau client, je retrouve le même réflexe. On tape le nom de la marque dans ChatGPT. La réponse est exacte. On range le sujet. Tout le monde est rassuré.

C’est le piège. Uphoff appelle ça un faux positif, et son propre test le démontre. Une description exacte de votre marque prouve que le modèle vous a lu. Elle ne prouve pas qu’il vous propose à quelqu’un qui ne vous connaît pas encore.

Ce test tire sa force de sa simplicité. Pas d’outil à 500 $ par mois. Pas de tableau de bord opaque. Des questions, quatre moteurs, un décompte. 59 réponses lues à la main, et une vérité que aucun rapport de positions ne vous aurait montrée.

La formule à retenir

Taux de recommandation = nombre de réponses de catégorie qui citent votre marque ÷ nombre de réponses de catégorie analysées.

Un seul ratio. Lisible par n’importe quel comité de direction.

Votre visibilité n’est pas le problème. C’est la nature de ce que vous mesurez. Les deux sections suivantes expliquent pourquoi les outils actuels passent à côté, puis comment reproduire ce test sur votre marque, avec un protocole que vous pouvez lancer cette semaine.

Connu ou recommandé : la différence que votre reporting ne voit pas

Pourquoi cet écart pèse-t-il autant en 2027 ? Parce que l’ordre des étapes d’achat a changé.

Uphoff résume le mécanisme en une phrase : la machine rédige la shortlist, l’humain la valide. L’acheteur ne part plus d’une page blanche pour comparer dix sites. Il reçoit une liste courte et vérifie qu’elle tient la route. Si vous n’êtes pas sur la liste, la validation ne vous concerne jamais.

Les chiffres du terrain confirment ce changement. Selon l’enquête G2 de mars 2026, menée auprès de 1 076 acheteurs de logiciels B2B, 51 % commencent désormais leur recherche avec un chatbot IA plus souvent qu’avec Google. Ils étaient 29 % dans le rapport 2025 de G2. Autre donnée de la même étude : 69 % disent qu’un chatbot les a conduits vers un autre fournisseur que celui qu’ils avaient prévu. Et un acheteur sur trois a signé avec un fournisseur qu’il ne connaissait pas auparavant.

Relisez cette dernière donnée. Un tiers des achats va à une marque inconnue de l’acheteur au départ. Ce n’est plus la notoriété qui ouvre la porte. C’est la présence dans la réponse.

Lecture comportementale

Valider une liste demande moins d’effort mental que construire une comparaison de zéro. C’est du bon sens, pas une étude : l’acheteur qui reçoit trois noms bien présentés a peu de raisons de chercher un quatrième. Le premier tri se joue avant même que votre site soit visité.

Greg Jarboe rappelle dans son article une idée qu’il défend depuis ses chroniques sur la recherche de YouGov : la notoriété n’est pas la métrique qui désigne le gagnant. La considération l’est. L’écart « découvert contre recommandé » d’Uphoff est exactement la même distinction, mesurée à l’intérieur du moteur de réponse.

Appliquez cela à un rapport classique. Il suit les requêtes de marque. Il montre une belle courbe. Il confirme que ceux qui vous connaissaient vous trouvent. C’est utile pour la défense de la marque. Ça ne dit rien de la conquête.

Le diagnostic est toujours le même chez mes clients e-commerce : le trafic de marque rassure, les requêtes de catégorie décident. L’acheteur ne tape pas votre nom. Il tape « le meilleur [produit] pour [usage] », ou il pose une question à un assistant, avec ses contraintes de budget et de délai.

Voici le contre-intuitif. Votre meilleur score de notoriété peut cacher votre pire taux de recommandation. Plus votre marque est connue, plus l’exercice « tapons notre nom » vous rassure à tort, et plus vous retardez le vrai test.

La bonne question n’est donc pas « les IA nous connaissent-elles ? ». C’est « sur quelles questions d’acheteur apparaissons-nous, face à quels concurrents, avec quelle description ? ».

Pourquoi vos outils de suivi de positions ne voient plus la scène

Un suivi de positions répond à une seule question : à quelle place se trouve ma page sur ce mot-clé ? Une réponse d’IA n’a pas de place. Elle a une présence ou une absence, une formulation, quelques sources citées, et elle peut changer d’une exécution à l’autre.

C’est le measurement gap dont parle Jarboe : un écart entre ce que vos outils savent compter et ce qui influence réellement l’achat. À mon avis, trois pertes l’expliquent.

Le résultat se voit dans les comités budgétaires. Les directions financières demandent la preuve du retour de l’investissement en AI Search, et les équipes SEO arrivent avec des courbes de sessions. Les courbes baissent ou stagnent. Le budget est mis en question.

Search Engine Journal lui-même le reconnaît dans son rapport State of Search 2027, qui présente un tableau de bord de visibilité IA comme le remplaçant du reporting de sessions. Le secteur change de tableau de bord. Autant choisir le vôtre avant que la finance ne l’impose.

Je propose à mes clients cette correspondance pour passer de l’ancien monde au nouveau.

Ce que vous suivez aujourd’huiCe qui le remplaceCe que ça dit
Position moyenneTaux de recommandationÊtes-vous dans la sélection de catégorie ?
Clics organiquesPrésence par moteurQuel moteur vous cite, lequel vous ignore ?
ImpressionsPart de recommandation face aux concurrentsQui occupe la place que vous visez ?
Trafic de marqueExactitude de la descriptionLe moteur dit-il la vérité sur votre offre ?
Conversion au dernier clicSource déclarée à l’inscriptionCombien de clients citent un assistant IA ?

Ce qui ne change pas : la logique d’un ratio, d’une évolution mensuelle et d’une comparaison à vos concurrents. Seul l’objet mesuré se déplace : de la page vers la réponse.

Un autre point que je répète à chaque audit : ces indicateurs ne demandent pas de budget logiciel pour démarrer. Un tableur, une liste de questions, quatre moteurs et un peu de méthode suffisent. Le test d’Uphoff le montre : il a obtenu en quelques heures ce que des mois de reporting de positions n’avaient pas montré.

Quand le moindre rapport de sessions devient un indicateur partiel, la bonne décision n’est pas d’acheter un nouvel outil. C’est de définir ce qu’on veut compter.

Le protocole : reproduire le test d’Uphoff sur votre marque

Cinq étapes : c’est comme ça que je le fais avec mes clients. Chacune tient sur une page.

Étape 1 : construire le panel de questions. Ne partez pas de vos mots-clés. Partez de la bouche de vos acheteurs. Relisez les échanges commerciaux, les demandes au service client, les questions posées en démonstration. Classez-les en trois familles :

Uphoff a analysé 55 réponses de catégorie sur ses deux marques (12 plus 43). Visez un ordre de grandeur comparable : assez de questions pour qu’un seul résultat heureux ou malheureux ne fausse pas le ratio.

Étape 2 : interroger les mêmes moteurs. ChatGPT, Gemini, Perplexity, Google AI Overviews. Ces quatre, gardez-les. Vous comparerez vos résultats dans le temps sur la même base.

Étape 3 : relever la réponse, pas seulement la présence. Pour chaque réponse, notez quatre éléments.

ChampValeurs possibles
Votre marqueRecommandée / citée sans recommandation / absente
DescriptionExacte / incomplète / obsolète / erronée
ConcurrentsListe des marques citées à votre place
SourcesPages ou sites que le moteur affiche en appui

La colonne « sources » vous apporte le plus. Elle vous montre où le moteur a lu ce qu’il dit de vous, ou ce qu’il dit de vos concurrents à votre place. Vous l’exploiterez dans la section suivante.

Étape 4 : calculer trois ratios. Le taux de recommandation (présence recommandée sur les réponses de catégorie). Le taux d’exactitude (descriptions justes sur les réponses où vous êtes cité). La part de recommandation face à votre concurrent principal. Trois chiffres, pas trente.

Étape 5 : répéter chaque mois, avec le même panel. Les réponses d’IA changent. Il faut plusieurs relevés pour voir une tendance, pas un seul. Gardez les questions identiques d’un mois à l’autre, et ajoutez-en de nouvelles seulement à côté, jamais à la place.

Séparer les deux scores

Comme Uphoff, relevez séparément ce que les moteurs disent quand on les interroge sur vous par nom, et ce qu’ils disent quand on leur pose une question d’acheteur. Le premier défend votre terrain, le second vous gagne des clients. Seul le second alimente le pipeline.

Un conseil de terrain. Faites passer le panel par deux personnes différentes, avec des comptes différents, avant de présenter les chiffres. Si les écarts sont grands, notez-les comme une marge d’incertitude. Vous présentez un ordre de grandeur honnête, pas une fausse précision. C’est ce qu’une direction financière respecte.

Premier résultat, souvent, au bout d’un après-midi : un tableau où votre marque est absente de plus de réponses que vous ne le pensiez, et où trois concurrents que vous ne surveilliez pas occupent la place. Désagréable. Précieux.

Nettoyer les sources obsolètes : ce que les moteurs lisent sur vous

Le titre de l’article de Jarboe contient un verbe qui ne se prête pas au débat : fix. Corriger les sources obsolètes. Pourquoi ? Parce qu’un moteur de réponse ne vous invente pas. Il assemble ce qu’il trouve : votre site, des fiches tierces, des comparatifs, des articles de presse, des discussions de forums.

Si ces sources décrivent l’entreprise telle qu’elle était il y a trois ans, la réponse décrit l’entreprise d’il y a trois ans. Si elles ne vous mentionnent pas dans la catégorie, la réponse non plus.

Le schéma revient souvent chez mes clients. Le site a été refondu, la gamme a évolué, le positionnement s’est resserré. Mais une fiche d’annuaire, un ancien comparatif ou une page « à propos » archivée continue de raconter l’ancienne histoire. Le moteur la cite parce qu’elle est claire, ancienne et bien reliée. Ce n’est pas un bug. C’est un héritage.

La méthode tient en quatre gestes.

Dernier point, décisif. Quand aucune source claire ne positionne votre marque sur une question d’acheteur, le moteur n’a rien à citer. Il cite un concurrent qui a répondu. C’est là que l’architecture du site joue sur la recommandation, et pas seulement sur le classement.

Depuis 2016, j’ai livré plus de 1 300 cocons sémantiques. Le principe n’a pas changé : une page claire par intention, des liens qui relient les pages entre elles, un vocabulaire stable pour décrire l’offre. En 2027, cette cohérence compte aussi pour les réponses. Le moteur y trouve des passages nets à reprendre, avec votre nom attaché.

Corriger une fiche tierce qui prend vingt minutes rapporte parfois plus, sur le taux de recommandation, que la rédaction d’un long article de blog. C’est ce qui surprend le plus mes interlocuteurs. C’est une observation de terrain, pas une loi. D’où ce réflexe : avant de produire, nettoyez ce qui existe déjà.

Le problème n’était pas le contenu manquant. C’était le contenu faux, resté en ligne.

Liste de contrôle des sources

Combien de ces quatre questions obtiennent un « oui » franc sur votre site aujourd’hui ?

Traduire en langage finance : de la shortlist à l’inscription

Mesurer ne suffit pas. Il faut que votre directeur financier lise la mesure sans traducteur. Tony Uphoff a publié le 7 octobre un texte dont le titre dit tout : « AI Stopped Being a Story. Now It’s in Your Multiple », que l’on peut rendre par « l’IA n’est plus une histoire, elle est dans votre multiple de valorisation ». Quand l’IA apparaît dans la valorisation d’une entreprise, elle a cessé d’être un événement. C’est une tendance.

Jarboe ajoute, en s’appuyant sur trois autres textes d’Uphoff publiés en octobre, que votre directeur financier, votre prochain acquéreur et votre prochain employeur vont s’y intéresser : le taux de recommandation sera bientôt une ligne de due diligence.

Je construis la chaîne de valeur pour mes clients : quatre niveaux, un chiffre par niveau.

NiveauIndicateurQui le lit
PrésenceTaux de recommandation sur les questions de catégorieMarketing
QualitéTaux d’exactitude de la descriptionMarketing, produit
ConversionPart des nouveaux clients qui citent un assistant IA à l’inscriptionVentes, marketing
ValeurRevenu et marge des clients arrivés par ce cheminDirection financière

Le troisième niveau est celui qu’on oublie. Il ne coûte presque rien : une question ajoutée au formulaire d’inscription ou au premier échange commercial. « Comment nous avez-vous découverts ? », avec une réponse libre qui laisse la place à « ChatGPT m’a recommandé ». Cette donnée déclarative est imparfaite. Elle est aussi la seule qui capte ce que les statistiques de sessions ne verront jamais.

Pour construire un modèle de valeur, utilisez une formule de produit, pas une promesse. Valeur d’un point de taux de recommandation = volume de questions d’acheteur sur votre catégorie × part de ces acheteurs qui vous contactent après une recommandation × taux de transformation × valeur moyenne d’un client. Chaque terme est un chiffre que vous possédez ou que vous pouvez estimer en ordre de grandeur. Vous présentez une fourchette, pas une certitude.

Dans le cadre DOSE, que j’applique tel qu’il est enseigné par Guillaume Attias de BMO Academy, deux leviers se rejoignent ici. Le Contrôle : vous voyez ce qui se passe vraiment dans la réponse, au lieu de deviner. La Valeur : vous obtenez un budget justifiable devant la finance, parce que chaque euro dépensé se rattache à un indicateur que la direction comprend.

Il y a un point que je répète à chaque présentation. Ne cherchez pas à faire entrer l’AI Search dans l’ancien tableau de sessions. Présentez-le comme un nouveau poste : une ligne « présence sur les shortlists », avec son ratio, son évolution et sa valeur.

Le jour où votre responsable financier demande « et combien rapporte une recommandation ? », vous avez une réponse structurée. Pas une opinion. Une formule, trois ratios et un échantillon relevé à la main.

À mon avis, les équipes qui gagneront le prochain arbitrage budgétaire ne sont pas celles qui ont le plus de données. Ce sont celles dont la donnée tient sur une diapositive.

Votre plan sur 30 jours : du premier relevé au tableau de bord

Le test d’Uphoff a l’avantage de se lancer sans autorisation, sans budget et sans dépendance technique. En quatre semaines, c’est automatisé.

Semaine 1 : le panel. Rassemblez les questions réelles de vos acheteurs. Classez-les en catégorie, comparaison, problème. Gardez celles qui sont précises : budget, usage, contrainte. Évitez les questions qui contiennent votre nom de marque, elles mesurent la défense, pas la conquête.

Semaine 2 : le relevé. Passez le panel sur les quatre moteurs. Remplissez le tableau : recommandée, citée, absente, description, concurrents, sources. Un après-midi suffit pour une première version. Faites vérifier par une seconde personne.

Semaine 3 : les sources. Classez les sources citées. Corrigez d’abord les cinq plus fréquentes. Alignez la description de votre offre sur toutes vos pages et vos profils. Ajoutez une question d’origine déclarative dans votre parcours d’inscription.

Semaine 4 : la diapositive. Trois ratios, une fourchette de valeur, un plan d’action. Présentez-la à la direction avec cette phrase : « voici notre point de départ, voici ce que nous corrigeons, voici comment nous le suivons chaque mois ».

Les trois erreurs à éviter dès le début

Le contraste avec l’ancienne logique est net. Avant, on rapportait des clics et on espérait qu’ils deviennent des clients. Maintenant, on rapporte une présence, on corrige les sources qui la limitent, et on relie le résultat à des inscriptions déclarées.

C’est plus modeste dans l’outil. C’est plus solide dans la décision.

Un dernier rappel du côté du terrain. Uphoff lance ses deux entreprises en février, et en octobre il connaît son point de départ, avec des chiffres précis, et il peut le publier. Ce simple geste lui donne une avance sur la plupart des marques qui attendent le prochain outil pour savoir où elles en sont.

Je ne vous vends pas la méthode. Je vous montre les pages. Sur un premier audit, nous ouvrons ensemble les quatre moteurs, nous posons vos questions d’acheteur en direct, et vous voyez qui est recommandé à votre place.

Alors, si vous posiez dès aujourd’hui à ChatGPT, Gemini, Perplexity et Google les dix questions que vos meilleurs clients vous ont posées avant d’acheter, combien de fois votre nom apparaîtrait-il dans la réponse ?

Audit live de votre visibilité IA

Je passe vos questions d’acheteur dans ChatGPT, Gemini, Perplexity et Google en direct, je relève votre taux de recommandation et je vous montre les sources à corriger en priorité.

Réserver un appel diagnostic — 30 min

Questions fréquentes

Qu’est-ce que le taux de recommandation en AI Search ?

C’est le nombre de réponses d’un moteur d’IA qui recommandent votre marque, divisé par le nombre de réponses analysées. Exemple du test d’Uphoff : 1 sur 43, soit environ 2,3 %.

Pourquoi interroger l’IA sur le nom de ma marque ne suffit-il pas ?

Parce que le moteur peut bien décrire votre marque sans la proposer à un acheteur qui vous ignore. Uphoff l’a vu : les moteurs le connaissent, mais ne lui recommandent presque jamais ses entreprises.

Faut-il un outil payant pour mesurer sa visibilité dans les moteurs d’IA ?

Pas pour démarrer. Un tableur, un ensemble de questions d’acheteur et quatre moteurs suffisent pour un premier relevé. Une fois la méthode éprouvée, les outils automatisent le suivi mensuel.

Comment relier une recommandation d’IA à un revenu ?

Posez une question simple à l’inscription ou au premier échange commercial, puis suivez le revenu des clients qui mentionnent un assistant IA. Croisez ce chiffre avec votre taux de recommandation pour établir une fourchette de valeur.

À quelle fréquence relever son taux de recommandation ?

Une fois par mois, avec exactement les mêmes questions, car les réponses d’IA varient d’une exécution à l’autre. Seule une série mensuelle révèle une tendance fiable plutôt qu’un résultat isolé.

Stéphane Jambu

Stéphane Jambu

Ingénieur SEO & IA

Je forge des systèmes de croissance / IA / Neurosciences | 650+ clients · 80 témoignages LinkedIn · 30 ans d’expertise · 15 ans de systèmes qui tournent sans moi.

Suivre sur LinkedIn