LLM

Un LLM (Large Language Model, ou grand modèle de langage) n’est ni une base de données ni un moteur de recherche : c’est un modèle statistique qui a appris, sur des milliards de phrases, à prédire la suite la plus probable d’un texte. Ce qu’il « sait » de votre marque, il l’a absorbé pendant son entraînement, sous forme de régularités et non de fiches consultables. Il ignore donc tout ce qui a été publié après sa date de fin d’entraînement (le knowledge cutoff), sauf s’il va chercher l’information sur le web au moment de répondre.

ChatGPT, Gemini, Claude ou Mistral peuvent répondre de mémoire, ou s’appuyer sur des pages récupérées en direct grâce à une architecture RAG (génération augmentée par la recherche). Votre visibilité se travaille donc sur deux horizons : exister dans les contenus qui nourriront les prochains modèles, et bien se positionner dans les résultats que l’IA consulte aujourd’hui.

Comment un LLM construit sa réponse

La question est d’abord découpée en tokens : c’est la tokenisation. Le modèle calcule ensuite, token après token, la suite la plus plausible compte tenu de tout ce qui figure dans sa fenêtre de contexte : la question, l’historique de la conversation et les éventuels passages trouvés sur le web. Les LLM sont la branche la plus avancée du traitement automatique du langage naturel. Leur fabrication se fait en deux temps : un pré-entraînement massif sur du texte brut, puis un ajustement pour suivre des instructions et répondre de façon utile.

Conséquences pratiques : la réponse n’est pas déterministe, la même question posée dix fois pouvant produire plusieurs listes de marques différentes, et le modèle peut affirmer avec aplomb une information fausse (une hallucination).

Exemple concret : une offre récente absente des réponses

Prenons un éditeur de logiciel de gestion de stock qui a lancé il y a six mois une offre dédiée aux PME industrielles. Il pose vingt questions types à un assistant, dix fois chacune, soit 200 réponses. Sa marque apparaît dans 24 d’entre elles (12 %), et uniquement quand l’assistant a lancé une recherche web. Sans recherche, le modèle décrit l’ancienne offre ou ignore le produit.

Et ce comportement fluctue : dans l’étude sur six millions de réponses de ChatGPT présentée dans le Cockpit, la part des réponses appuyées sur une recherche web est passée d’environ 10 % en mars à 94 % en juillet. Cet arbitrage appartient à l’éditeur de l’IA, et vous ne le maîtrisez pas.

Les idées reçues sur les LLM qui faussent les décisions

• Croire que le modèle lit votre site en temps réel. Sans recherche web, il répond avec une image figée, parfois vieille de plus d’un an.
• Juger sa visibilité sur un seul essai. La variabilité des réponses impose de répéter chaque question et de raisonner en pourcentage d’apparition.
• Tester depuis son propre compte. L’historique et la mémoire de l’assistant orientent les réponses : votre marque y ressort plus souvent que chez un prospect.
• Traiter tous les LLM comme un seul canal. Les assistants ne s’appuient pas forcément sur les mêmes index de recherche ni sur les mêmes sources.

Par où commencer pour évaluer votre présence dans les LLM

1. Listez une trentaine de questions qu’un prospect poserait avant d’acheter, sans citer votre marque.
2. Posez-les plusieurs fois sur les principaux assistants, hors de votre compte, en notant si une recherche web a été lancée et quelles sources sont citées.
3. Dans GA4, isolez le trafic référent de chatgpt.com, perplexity.ai ou gemini.google.com.
4. Vérifiez dans vos logs serveur que les robots des IA (GPTBot, OAI-SearchBot, PerplexityBot…) accèdent bien à vos pages et ne sont pas bloqués par le pare-feu ou par le fichier robots.txt.