Notre méthode

Ce que mesure l'Observatoire

L'Observatoire GEO-LAB mesure une seule chose, mais il la mesure avec rigueur : la visibilité des marques dans les réponses des intelligences artificielles génératives. Concrètement, quand un internaute pose une question à une IA — « quelle banque en ligne choisir ? », « quel est le meilleur opticien ? » —, quelles marques cite-t-elle ?

Notre Indice répond à cette question, secteur par secteur, avec un chiffre : le taux de citation d'une marque, c'est-à-dire la part des réponses dans lesquelles elle apparaît.

Ce que l'Indice n'est pas. Un taux de citation n'est pas une part de marché, ni une note de qualité, ni un classement des « meilleures » marques. Il mesure la visibilité d'une marque auprès des IA — rien de plus, rien de moins. Une marque très citée n'est pas forcément la meilleure : elle est celle que les IA ont le plus tendance à nommer. C'est précisément ce décalage que nous mesurons.

Les sept moteurs interrogés

Nous interrogeons les principales intelligences artificielles utilisées en France : ChatGPT, Gemini, Perplexity, Mistral, Claude, Google AI Overviews et Google AI Mode. Sept moteurs, parce qu'il n'existe pas une « réponse de l'IA » unique : chaque système a ses propres réponses, et une marque peut être leader sur l'un et absente d'un autre. Mesurer un seul moteur donnerait une image fausse.

Le principe qui guide toute notre mesure : l'expérience du grand public. Nous interrogeons chaque moteur dans sa configuration par défaut — celle qu'obtient un utilisateur français ordinaire, sans réglage particulier ni abonnement premium. Notre objectif n'est pas de mesurer la « meilleure » réponse possible de chaque IA, mais la réponse que reçoit réellement le grand public. C'est un choix fondamental : il garantit que nos chiffres reflètent ce que voient les gens, pas un laboratoire idéalisé.

Comment nous posons les questions

Pour chaque secteur, nous interrogeons les IA avec un ensemble de questions réelles, formulées en français, telles qu'un particulier les poserait. Ces questions couvrent les différentes façons d'aborder un sujet : la demande générale, le prix, un besoin précis, un profil particulier.

Chaque question est posée plusieurs fois à chaque moteur. Les IA ne répondent pas toujours à l'identique : leurs réponses varient d'une fois à l'autre. En répétant les interrogations, nous mesurons non pas une réponse isolée mais un comportement moyen, plus fidèle à la réalité.

Comment nous comptons

Le calcul est volontairement simple, parce que sa simplicité est sa force : nous comptons. Le score d'une marque est la proportion des réponses où elle est citée. Rien n'est pondéré, rien n'est ajusté selon un jugement de valeur. Une marque citée dans la moitié des réponses obtient 50 %.

Quelques principes encadrent ce comptage, pour qu'il reste juste :

• Les questions qui ne demandent pas de recommandation de marque — définitions, questions réglementaires, questions d'opinion générale — sont écartées du calcul du classement. Elles ne cherchent pas « quelle marque choisir ».
• Lorsqu'une question nomme déjà une marque, cette marque n'est pas comptée dans sa propre faveur sur cette question.
• Les mentions négatives ne sont pas comptées comme des recommandations.

Ces règles servent un seul but : que le score reflète bien la visibilité d'une marque là où les IA recommandent réellement.

Notre score principal : la recommandation générale

Notre classement de tête répond à la question la plus simple et la plus fréquente : quand un internaute demande à une IA « quel est le meilleur X ? » ou « je cherche un bon X, tu as des pistes ? », quelles marques ressortent ?

Nous appelons cela le score de recommandation générale. C'est notre chiffre principal, celui qui ordonne le classement affiché en premier.

Pourquoi ce choix. Une marque peut être très citée sur une question très spécifique — la moins chère, celle pour un profil particulier, celle d'une niche — sans être celle que les IA recommandent quand on leur demande simplement un bon prestataire. Additionner toutes ces questions dans un seul score mêlerait des choses différentes et donnerait un chiffre difficile à interpréter : une marque pourrait « gagner » grâce au prix tout en n'étant jamais recommandée en général. En nous concentrant sur la recommandation générale, notre score principal répond à la vraie question que se posent les gens, et il reste stable et lisible.

Ce qu'est une question de recommandation générale. C'est une question ouverte, sans critère restrictif. « Quel est le meilleur X », « je cherche un bon X », « lequel a les meilleurs avis » en font partie : toutes demandent un bon choix, jugé largement. En sont exclues les questions portant un critère particulier — un prix, un profil, un besoin précis, un contexte de vie (« je viens de… »), un canal, une sous-catégorie spécialisée. Ces questions-là existent et sont mesurées, mais elles nourrissent nos lectures détaillées, pas le score principal.

Acteurs et intermédiaires : une distinction nécessaire

Dans beaucoup de secteurs, les IA citent volontiers des intermédiaires — comparateurs, plateformes de mise en relation, annuaires — avant les acteurs eux-mêmes. Un comparateur d'assurances n'est pas un assureur ; une plateforme de réservation n'est pas un salon.

Pour que nos classements restent lisibles, nous distinguons les deux. Les acteurs figurent dans le classement principal ; les intermédiaires, lorsqu'ils pèsent lourd, sont présentés dans une lecture séparée. Le critère est constant : qui édite le service ? Une marque qui rend le service final est un acteur ; un tiers qui oriente vers d'autres est un intermédiaire. Ce choix est assumé et appliqué de la même façon partout.

Lire au-delà du classement principal

Le score de recommandation générale dit qui est le mieux placé quand on demande un bon prestataire. Mais il ne dit pas tout : une marque absente du haut de ce classement peut dominer sur le prix, sur une niche, ou auprès d'un profil précis.

C'est pourquoi, sous le classement principal, chaque secteur publié s'accompagne de lectures détaillées par type de question : le prix, le haut de gamme, les besoins spécifiques. Ces lectures ne modifient jamais le score principal : ce sont des grilles de lecture complémentaires, qui révèlent d'où vient la position d'une marque et ce que le classement général ne montre pas. Une marque peut ainsi être troisième au général mais première sur le prix — les deux informations sont vraies, et nous publions les deux.

Ce que nos chiffres ne disent pas

Nous tenons à être clairs sur les limites de la mesure — c'est une condition de sa crédibilité.

Nos scores mesurent la stabilité de nos mesures, pas une vérité absolue du marché. Lorsque nous indiquons une dispersion entre les interrogations, elle traduit à quel point le résultat bougerait si l'on reposait les mêmes questions le même jour — pas une marge d'erreur sur la réalité économique.

Sur les petits échantillons, nous restons prudents : un secteur peu mesuré ou une question isolée produit un signal fragile, que nous signalons plutôt que de le présenter comme certain.

Enfin, notre mesure est une photographie datée. Les IA évoluent : leurs réponses d'aujourd'hui ne seront pas celles de demain.

Quand deux marques sont trop proches

Deux marques séparées par quelques dixièmes de point ne sont pas vraiment départageables. Les réponses des IA varient d'une interrogation à l'autre ; un écart minuscule peut s'inverser par simple hasard. Afficher l'une « première » et l'autre « deuxième » dans ce cas donnerait une fausse impression de précision.

Nous faisons donc le choix inverse : quand l'écart entre deux marques est trop faible pour être distingué de cette variabilité, nous les plaçons dans le même groupe de rang — ex æquo — plutôt que de leur attribuer des places distinctes. Nous mesurons pour cela la dispersion de chaque score entre nos interrogations répétées, et nous ne séparons deux marques que lorsque leur écart la dépasse nettement.

Ce n'est pas un renoncement à classer : c'est classer honnêtement. Nous montrons toujours qui est en tête ; nous refusons seulement d'inventer une hiérarchie que nos données ne soutiennent pas. À mesure que les mesures s'accumulent, la précision augmente et les marques réellement distinctes finissent par se séparer d'elles-mêmes.

Des modèles qui changent

Les intelligences artificielles sont mises à jour en permanence. Une réponse mesurée à une date donnée peut changer quand le modèle évolue. Nous l'assumons : l'Observatoire ne mesure pas un objet figé, mais un écosystème mouvant.

Notre réponse à cette instabilité n'est pas de figer un vieux modèle « pour comparer » — ce serait mesurer un monde qui n'existe plus. Nous suivons toujours le modèle grand public du moment, et nous documentons les changements plutôt que de prétendre à une fausse stabilité. C'est la même logique qu'un indice des prix : le panier évolue, on le dit, et l'on raccorde les mesures par une méthode transparente.

À quelle fréquence nous mesurons

La mesure n'est pas un instantané unique : elle se répète, pour suivre l'évolution des réponses des IA dans le temps. La cadence dépend du secteur.

Les secteurs les plus stratégiques et les plus mouvants sont mesurés chaque semaine. D'autres, plus stables, le sont chaque mois. Enfin, l'ensemble le plus large est repris deux fois par an. Ce rythme à trois vitesses concentre l'effort là où les réponses des IA bougent le plus, tout en gardant une vue d'ensemble régulière.

L'Indice est publié à chaque collecte — hebdomadaire, mensuelle ou semestrielle selon le secteur. Chaque chiffre affiché correspond ainsi à la dernière mesure en date, et porte sa date de mesure.

Notre indépendance

L'Observatoire mesure ; il ne vend pas. Aucune place dans nos classements ne s'achète, aucune note ne se négocie. Nos chiffres ne sont influencés par aucune marque mesurée. La neutralité ne se proclame pas, elle se prouve par des choix — à commencer par celui de publier notre méthode et nos données, pour que chacun puisse les examiner.

Pourquoi cette transparence

Nous publions notre méthode parce qu'un chiffre sans méthode ne vaut rien. Chacun doit pouvoir comprendre comment nous mesurons, juger nos choix, et nous tenir pour responsables de nos résultats. C'est la condition pour faire ce que nous faisons : mesurer sérieusement, et parfois contredire les idées reçues — y compris les nôtres.

Dernière mise à jour : 28 juillet 2026. Cette méthode évolue ; chaque évolution significative est datée et documentée.