Perception

La visibilité vous dit si un modèle a mentionné votre marque. La Perception vous dit ce qu'il en a dit. Ouvrez le projet de Visibilité IA d'un client et choisissez Perception dans le groupe Marque de la navigation de gauche : vous obtenez les mots que les modèles emploient pour décrire chaque marque suivie (« réactif », « cher », « marque blanche », « orienté grandes entreprises »), avec la fréquence de chacun. Chaque marque suivie a sa propre carte : la marque de votre client en premier, puis les concurrents, classés selon la quantité d'éléments qui les étayent. Changez la plage en haut entre les 7, 30 ou 90 derniers jours pour voir si le langage autour d'une marque évolue ou reste stable. C'est la vue qui répond à la question qu'un client pose réellement après « sommes-nous visibles ? », à savoir : « et comment nous décrit-on ? »

Rien de nouveau n'est calculé ici et aucune seconde passe d'IA n'est lancée pour le produire. Lorsqu'un scan lit une réponse et enregistre une mention de marque, l'extracteur relève aussi, pour cette marque, un à huit termes descriptifs courts, repris mot pour mot dans le texte de la réponse, avec la consigne explicite de ne jamais inventer un terme qui n'y figure pas. Cela se passe à chaque scan depuis longtemps : Perception est simplement la page qui l'affiche enfin, c'est pourquoi un projet avec un historique de scans a quelque chose à lire dès le premier jour au lieu de partir de zéro. Pour être précis sur ce que ce n'est pas : ce n'est pas de l'extraction d'entités, et les termes ne sont rapprochés d'aucune base de données ou base de connaissances externe. Ce sont des mots descriptifs employés par le modèle, rattachés à une marque que vous nous avez déjà demandé de suivre. Si un modèle n'a pas décrit une marque dans une réponse donnée, cette mention ne porte simplement aucun terme : rien n'est inventé pour elle. Les formulations quasi identiques sont regroupées avant que vous les voyiez : « affordable » et « affordability », ou le pluriel « deals » et « deal », comptent comme un seul attribut, pour qu'une même qualité ne soit pas éclatée sur trois lignes maigres ou trois axes du radar. Seules les variantes manifestes d'un même mot sont fusionnées : de véritables synonymes comme « cheap » et « affordable » restent séparés, car les fusionner serait un jugement que les données ne permettent pas d'étayer. Le filtre de moteur en haut de la page restreint tout cela à un seul moteur d'IA (comment ChatGPT seul décrit les marques, par rapport à Gemini seul), et chaque vue (termes, radar, carte de chaleur, sources) est recalculée à partir des seules réponses de ce moteur. Le sélecteur ne liste que les moteurs qui ont réellement produit des mentions décrites dans la fenêtre actuelle, avec le nombre d'éléments de chacun, et un seul moteur est naturellement un échantillon plus mince : attendez-vous à voir davantage de marques passer sous le seuil de cinq mentions. C'est le seuil qui fait son travail, pas des données qui disparaissent.

Chaque carte liste les 20 principaux termes de la marque, du plus fréquent au moins fréquent, avec un nombre et une part. Lisez les deux tailles d'échantillon dans l'en-tête de la carte avant les termes eux-mêmes : il indique combien de mentions portaient des termes, à côté du total de mentions de la marque, car ces deux nombres sont généralement différents. La part est calculée sur les mentions qui portaient effectivement des termes, jamais sur toutes les mentions, puisqu'une mention sans terme descriptif ne pouvait en produire aucun, et que prendre le plus grand nombre gonflerait discrètement les éléments de preuve. Les barres sont dimensionnées au sein de chaque marque, par rapport à son propre terme principal. C'est voulu : une marque se lit par rapport à elle-même, et non par rapport à un concurrent qui a cinq fois plus d'échantillon. Comparer les largeurs brutes de barres entre deux cartes en dirait plus sur le volume de mentions que sur le langage. Et une marque comptant moins de dix mentions attribuées est étiquetée « trop peu de mentions pour y voir une tendance » : elle reste affichée, car cacher des données est pire que les nuancer, mais l'étiquette est là pour que personne ne bâtisse une stratégie sur trois points de données.

Un terme marqué d'une icône d'empreinte digitale est distinctif : sur l'ensemble du projet, dans la plage que vous consultez, il a été employé pour cette marque et pour aucune autre marque suivie. C'est là que le positionnement devient visible. « Fast » appliqué à tout le monde dans la catégorie est le minimum requis et n'apprend pas grand-chose ; « white-label » appliqué à vous seul est une position que vous possédez dans le langage des modèles, et les termes distinctifs d'un concurrent sont le terrain qu'il occupe et pas vous. La distinction est relative aux marques de ce projet et à la plage sélectionnée : elle changera lorsque vous ajoutez ou retirez des concurrents ou passez de 7 à 30 ou 90 jours. Considérez un terme distinctif comme une invitation à se poser une question (est-ce ainsi que nous voulons être décrits, et le terme distinctif d'un concurrent est-il quelque chose que nous devrions chercher à obtenir ?) plutôt que comme un score.

Au-dessus des cartes par marque, trois vues comparent les marques d'un coup d'œil. Quatre tuiles de synthèse nomment les faits principaux : l'attribut que l'IA associe le plus à votre client, un terme qui lui est distinctif, le plus grand écart (un attribut dont un concurrent est décrit bien plus souvent que votre client) et le rival le plus décrit. Le radar « Forme de marque » place par défaut votre client face à ses deux concurrents les plus décrits sur les principaux attributs communs, et les pastilles au-dessus vous permettent de choisir exactement quelles marques comparer, jusqu'à votre client plus trois concurrents à la fois (davantage de formes deviendraient illisibles). Les axes sont recalculés à partir des marques du graphique, de sorte que la comparaison montre toujours les attributs que ces marques ont réellement en commun ; les marques sous le seuil de preuves apparaissent grisées plutôt que masquées. La carte de chaleur « Comparaison des marques par attribut » fait de même sur toutes les marques suivies à la fois : une grille où chaque cellule est la part d'une marque pour cet attribut, plus foncée pour une part plus grande, et « — » signifiant que l'attribut n'est jamais apparu pour cette marque. Chacune de ces vues repose sur des parts et applique le même seuil de cinq mentions attribuées que les cartes, pour la même raison : une marque est comparée sur la proportion de ses propres descriptions qui portaient un attribut, jamais sur des nombres bruts, de sorte qu'une petite marque et une grande se situent sur la même échelle. Les marques sans assez de preuves n'apparaissent pas du tout dans la comparaison.

Sous les vues de comparaison, « Attributs et sources » associe les principaux attributs de votre client aux pages que l'IA a citées dans les réponses qui employaient chacun d'eux : les endroits concrets sur lesquels agir si vous voulez changer la façon dont les modèles vous décrivent sur cette qualité. Elle est présentée sous forme de matrice (attributs en lignes, pages les plus citées en colonnes, chaque cellule étant le nombre de réponses qui ont cité la page tout en employant le terme, nuancée par ligne), vos propres pages étant marquées pour distinguer ce qu'il faut modifier de ce qu'il faut proposer à un tiers. Le nombre à côté d'une page est le nombre de ces réponses qui l'ont citée. Lisez-la comme une association, pas comme une preuve. Les citations sont enregistrées par réponse, pas par mot : ce sont donc les sources présentes dans les réponses qui portaient l'attribut, et non la preuve qu'une page a causé ce terme précis. Votre propre domaine est inclus lorsqu'il a été cité, et une page citée plusieurs fois dans une même réponse compte une fois, selon la même règle de « la valeur de preuve d'une réponse » que le reste de la vue.

Chaque carte affiche un score de sentiment sur 100 à côté des tailles d'échantillon. Ce score est le ton général de la marque sur ses mentions dans la plage. Il n'est rattaché à aucun terme individuel, et Perception ne vous montrera jamais un chiffre de sentiment à côté d'un terme, parce que nous ne le mesurons pas. La raison mérite d'être énoncée clairement plutôt qu'enfouie : les termes descriptifs et le score de sentiment sont enregistrés séparément sur chaque mention, sans lien entre eux. La lecture honnête est donc « les modèles vous ont décrit comme « support lent », et votre score de ton général est de 45 » : deux faits, côte à côte. La lecture que nous ne pouvons pas étayer est « votre sentiment sur le support est de 45 », car rien dans les données ne relie un terme précis à un score précis. Si vous voulez savoir pourquoi un score de ton est ce qu'il est, les termes sont une bonne preuve à lire à côté ; ils n'en sont pas une ventilation par aspect.

Les mêmes données alimentent les rapports. Ajoutez un widget Tableau, choisissez la source Visibilité IA et réglez sa dimension sur « Perception ». Le tableau compte cinq colonnes (Marque, Terme, Mentions, Part et « Uniquement cette marque »), de sorte qu'un client voit le langage, sa fréquence, sa part dans les mentions attribuées de cette marque, et s'il n'est employé que pour elle. Comme sur la page, la marque du client est triée en premier, et il n'y a volontairement aucune colonne de sentiment. Une différence avec la page de l'application : dans un rapport, une marque comptant moins de dix mentions attribuées est retirée du tableau au lieu d'être étiquetée. À l'écran, vous pouvez lire une réserve à côté d'un échantillon mince ; dans un rapport client, une note de bas de page que personne ne lit est pire que de ne simplement pas montrer une ligne qui ne peut pas porter son propre poids.

Vous pouvez aussi recevoir cela dans votre boîte de réception. Dans les Paramètres d'un projet de Visibilité IA, activez l'« E-mail de perception IA » : une fois par mois, le propriétaire de l'espace de travail reçoit un court récapitulatif transférable pour cette marque : les principaux termes employés par les modèles d'IA sur les 30 derniers jours, ceux qui ont progressé ou reculé par rapport aux 30 jours précédents, et un terme que l'IA a employé pour un concurrent mais jamais pour vous, chacun avec les réponses qui l'étayent. Un terme n'est considéré comme en hausse ou en baisse que s'il a été employé dans au moins 3 réponses et que la variation de sa part est trop grande pour être attribuée au hasard : chaque terme est testé avec le test exact de Fisher (et un test qui tient compte de la ressemblance entre les réponses à un même prompt, le plus strict des deux), et les résultats sont corrigés selon le nombre de termes comparés dans cet e-mail (un taux de fausses découvertes de 5 %). Le terme du concurrent exige au moins 3 réponses et passe le même test. Sans cette correction, un e-mail qui compare des dizaines de termes listerait presque chaque mois quelques variations dues au hasard. Ce sont les mêmes données calculées en direct que celles de la page Perception : l'e-mail et la page ne se contredisent donc jamais. Deux règles délibérées le gardent honnête. Il n'est envoyé que s'il y a au moins dix mentions attribuées dans la fenêtre : en dessous, les termes sont trop minces pour y voir une tendance, donc aucun e-mail ne part plutôt qu'un e-mail trompeur. Et sur les forfaits en marque blanche, il est envoyé sous la marque et le logo de votre agence, sans pied de page CrunchJunkie, pour que vous puissiez le transférer directement à l'équipe marque ou relations presse d'un client. Son exécution ne coûte rien (aucun appel d'IA, juste une lecture des mentions déjà capturées à chaque scan). Il part à 09:00 dans le fuseau horaire de votre espace de travail (Paramètres → Préférences), heure d'été comprise ; un espace de travail sans fuseau valide conserve 09:00 UTC.

Perception vous dit ce que dit l'IA. Le tableau de bord des écarts de message vous dit si cela correspond à ce que vous VOULEZ qu'elle dise. Dans les Paramètres d'un projet de Visibilité IA, listez vos attributs cibles : ce pour quoi vous investissez afin d'être connu, comme « abordable », « livraison rapide » ou « durable ». Ajoutez ensuite un widget Tableau à un rapport, choisissez la source Visibilité IA et réglez sa dimension sur « Écarts de message ». Chaque attribut cible obtient une ligne, évaluée par rapport à ce que les modèles ont réellement dit sur la période : Acquis (l'IA l'emploie régulièrement : 15 % ou plus de vos mentions décrites), Partiel (il apparaît, mais faiblement) ou Pas encore (l'IA ne l'a pas du tout associé à vous). Pour tout ce qui est en deçà d'Acquis, la dernière colonne nomme le concurrent qui possède déjà cet attribut : un écart arrive ainsi avec le nom de celui à rattraper. Les lignes sont triées par écarts d'abord, parce que c'est la liste des choses à faire. Comme le reste de Perception, il faut au moins dix mentions attribuées pour noter honnêtement ; en dessous, le widget reste vide plutôt que d'étiqueter chaque pilier comme un écart sur des données minces. La correspondance est souple (« livraison rapide » compte une mention de « rapide » ou de « livraison »), de sorte que vous pouvez écrire les piliers en langage naturel.

Les termes par marque vous disent les mots que les modèles emploient ; les Objections vous disent le réquisitoire qu'ils construisent contre vous. Ouvrez Perception et cliquez sur Analyser sur la carte Objections : Crunch lit les réponses de scan qui mentionnent votre marque et en extrait les réserves, hésitations et inconvénients récurrents qu'un acheteur lirait à côté de la recommandation, comme « intégrations limitées », « tarifs peu clairs » ou « plus petit que les acteurs établis ». Chaque objection porte ses preuves : développez-la pour lire les réponses exactes dont elle est issue (moteur et date affichés, attribution validée par rapport au texte analysé ; le nombre est dérivé de ces preuves, jamais estimé) et, agrégées sur celles-ci, les sources sur lesquelles ces réponses se sont appuyées. Considérez la liste des sources comme des pistes pour changer le discours : ce sont les pages que ces réponses ont citées, pas des causes avérées de l'affirmation précise ; une réponse peut aussi porter un fait issu de la mémoire d'entraînement du modèle. Les mêmes preuves s'attachent aux verdicts de vérification des faits « confirmé » et « contredit ». Les objections sont listées selon le nombre de réponses qui les soulèvent, chaque nombre étant rapporté au nombre de réponses analysées ; les vérifications de faits placent d'abord les faits contredits, avec un lien direct pour corriger le fait dans les Paramètres. Chaque preuve montre la question qui a produit la réponse et renvoie vers la réponse complète sur la page Réponses. C'est une passe d'IA distincte sur des réponses déjà scannées, lancée à la demande et mise en cache : elle ne ralentit donc pas la page et n'est pas recalculée à chaque chargement ; cliquez sur Réanalyser après de nouveaux scans pour l'actualiser. Même discipline que le reste de Perception : elle ne fait ressortir que les réserves réellement énoncées ou clairement sous-entendues au sujet de votre marque, jamais des mises en garde génériques de la catégorie ni les problèmes d'un concurrent, et un ensemble de réponses sans véritable objection ne renvoie rien plutôt qu'une liste inventée. Il faut au moins trois réponses qui mentionnent la marque avant qu'elle ne s'exécute. Un résultat reste valide une heure : pendant ce temps, Réanalyser est désactivé et la carte indique quand il redevient disponible, car relire les mêmes réponses deux fois ne ferait que coûter de l'argent. Chaque projet peut aussi effectuer au plus 12 appels d'IA pour cela sur 24 heures (une exécution en fait un, ou deux lorsqu'elle doit relancer une réponse tronquée) ; ensuite, la carte indique quand la prochaine exécution sera possible.

Les modèles énoncent parfois sur vous des choses périmées ou tout simplement fausses. La vérification des faits en fait quelque chose d'exploitable. Dans les Paramètres du projet, sous « Faits de marque à vérifier », listez les affirmations factuelles que vous faites sur la marque, une par ligne, comme « Fondée en 2019 », « Basée à Berlin » ou « Essai gratuit de 14 jours ». Ouvrez ensuite Perception et cliquez sur Vérifier. Crunch lit chaque fait au regard des réponses de scan qui vous mentionnent et le marque Confirmé (une réponse dit quelque chose de cohérent), Contredit (une réponse entre en conflit avec lui) ou Non mentionné (les réponses n'en parlent pas), avec une note d'une ligne paraphrasant le texte pertinent de la réponse. Un verdict Contredit est celui à traiter : c'est une erreur factuelle que les modèles répètent aux acheteurs, et la note vous dit où. Comme pour les Objections, c'est une passe d'IA à la demande, mise en cache, qui exige au moins trois réponses mentionnant la marque, et elle juge strictement d'après le texte des réponses : si les réponses n'abordent jamais un fait, il est Non mentionné, jamais une supposition. La même attente d'une heure s'applique entre deux vérifications, sauf si vous avez modifié la liste de faits : dans ce cas, la vérification s'exécute aussitôt. Le même plafond quotidien s'applique aussi : au plus 12 appels d'IA par projet sur 24 heures, modifications comprises.

Si Perception n'affiche rien, ce n'est généralement pas une panne. La cause la plus fréquente est un projet importé de Peec AI : les mentions importées de Peec sont stockées sans termes descriptifs, de sorte qu'un projet importé n'a rien à montrer sur cette page, quelle que soit la quantité de données de visibilité qu'il contient. C'est une limite de ce que l'import fournit, pas un bogue, et elle disparaît pour ce client dès que vous ajoutez des prompts natifs et lancez les propres scans de CrunchJunkie, qui alimentent les termes à partir de là. Deux autres raisons honnêtes d'une page mince ou vide : un projet tout neuf n'a simplement pas encore assez scanné, et une plage plus courte peut sortir de votre historique de scans : essayez 90 jours avant de conclure qu'il n'y a rien. Et au sein d'une plage, certaines mentions ne portent réellement aucun terme parce que le modèle a nommé la marque sans la décrire, ce qui est précisément la raison pour laquelle la carte indique séparément les mentions attribuées et le total des mentions.