Case study
Preuve publiquePreuvia - audit de visibilité dans les réponses des IA
Aider une marque à savoir si elle apparaît dans les réponses des assistants IA, qui ressort à sa place, quoi publier, puis quoi re-tester au prochain audit.
| Type | Produit - audit GEO (visibilité IA) |
|---|---|
| Période | Juin 2026 - en cours |
| Rôle | Conception produit, méthode d'audit, site, prototypage du livrable |
| Statut | Offre en ligne - phase de lancement |
| Niveau de preuve | Un lien public permet de contrôler au moins l'élément principal. |
| Stack | Next.js, GEO / AEO, LLM multi-modèles, Schema JSON-LD, PDF |
| En bref | Audit GEO productisé : mesurer qui les IA citent à la place d'une marque, comparer les écarts, puis livrer un plan de publication re-testable. |
| Preuves | Site et détail public de l'offre accessibles en ligne. Les éventuelles missions clients restent hors du périmètre des preuves publiques. |
Aperçu
Preuves visuelles.
Contraintes
Contexte et contraintes.
- Sujet mouvant : les réponses des IA varient selon le modèle, le prompt et le moment.
- Promesse honnête imposée : ne jamais garantir l'apparition dans les IA.
- Méthode et template d'audit = actif commercial, non publiés.
Architecture / workflow
Architecture.
- Site et tunnel de prise de contact en Next.js, déployés et suivis en production.
- Protocole d'audit reproductible : un jeu de requêtes testé sur plusieurs assistants (ChatGPT, Claude, Perplexity, Gemini, Mistral).
- Grille de lecture publique : présence, exactitude, fraîcheur et citabilité, notées de 0 à 3 par assistant.
- Comparaison des sources citées (concurrents, comparatifs, forums) pour situer la marque.
- Livrable PDF structuré : score de visibilité, écarts, contenus et balisage à publier, puis éléments à re-tester au prochain audit.
Décisions
Les choix et leurs compromis.
| Décision | Pourquoi | Écarté |
|---|---|---|
| Score public sur 4 dimensions | Rendre l'audit vérifiable : présence, exactitude, fraîcheur et citabilité peuvent être re-testées au lieu de rester dans un score opaque. | Score propriétaire impossible à expliquer. |
| Offre productisée plutôt que SaaS | Livrer une valeur claire et facturable tout de suite, sans construire une plateforme avant d'avoir des clients. | Développer un outil de monitoring self-service d'emblée. |
| Promesse explicitement non garantie | Question de crédibilité, personne ne contrôle ce que les modèles citent. | Vendre une garantie d'apparition invérifiable. |
| Sortie = contenus prêts à publier | Donner l'action, pas seulement le constat. | Se limiter à un score de visibilité. |
Livraison
Livrables.
- Site en ligne avec tunnel de prise de contact.
- Protocole d'audit multi-modèles reproductible.
- Questions test séparant requêtes génériques et requêtes marque.
- Livrable PDF : score, sources citées, écarts et plan d'action re-testable.
- Prototype de mini-audit et modèle de livrable.
Résultats
Résultats.
- Offre, site et principes de la méthode présentés publiquement.
- Grille de lecture et structure de livrable documentées.
- Ce portfolio est lui-même optimisé selon cette méthode (llms.txt, profile.json, données structurées).
Pas encore mesuré
Ce qui reste à creuser.
- Revenus récurrents : trop tôt, offre en phase de lancement.
- Effet réel sur les citations IA des clients : mesuré au cas par cas, pas de moyenne publiable.
V2 / suite
Prochaine itération.
- Industrialiser la collecte multi-modèles.
- Suivi mensuel des écarts de citation pour les clients sous abonnement.