Comment les LLM décrivent votre entreprise (et comment y remédier)
Chaque jour, des millions de personnes interrogent des systèmes d'intelligence artificielle sur des entreprises, des marques, des personnes et des organisations. Elles reçoivent des réponses qui semblent objectives, complètes et faire autorité. En réalité, elles sont le résultat d'un processus de sélection et de synthèse que presque aucune entreprise ne surveille, et que moins encore sont capables d'influencer.
La question n'est pas de savoir si les systèmes d'IA parlent de votre entreprise. C'est ce qu'ils en disent — et comment y remédier si nécessaire.
Que se passe-t-il lorsqu'un LLM reçoit une question sur votre entreprise ?
Le processus est moins mystérieux qu'il n'y paraît, mais plus complexe que beaucoup ne l'imaginent.
Lorsqu'un utilisateur interroge ChatGPT, Gemini, Claude ou Perplexity sur une entreprise, le système ne « cherche » pas d'informations en temps réel comme le ferait un moteur de recherche traditionnel. Il puise dans un écosystème de connaissances construit lors de son entraînement — complété, dans les systèmes les plus récents, par une récupération de sources en temps réel.
Dans les deux cas, le mécanisme de sélection privilégie :
- La cohérence entre différentes sources : une information qui apparaît sur plusieurs sources faisant autorité a plus de poids qu'une déclaration isolée
- La structure et la lisibilité : les contenus avec des titres clairs, des données vérifiables et un langage précis sont plus facilement intégrés dans la synthèse
- L'autorité de la source : les médias, les institutions, les bases de données publiques, Wikipédia ont plus de poids que les contenus propriétaires de l'entreprise elle-même
- La distribution dans le temps : des signaux continus et mis à jour priment sur des contenus publiés une seule fois
Le résultat est une représentation qui reflète l'écosystème informationnel de l'entreprise — et non sa communication officielle.
Pourquoi ce qu'un LLM dit de votre entreprise peut être erroné ?
Il existe deux mécanismes distincts qui produisent des représentations erronées, indépendamment de toute erreur de l'entreprise.
Le premier est le désalignement sémantique : l'entreprise dispose de contenus en ligne, mais ceux-ci ne sont pas structurés de manière lisible par les systèmes d'IA. Le résultat est une représentation incomplète — non pas fausse, mais partielle. Des chapitres entiers de l'identité de l'entreprise ne sont tout simplement pas lus.
Le second est l'hallucination : le système génère des informations fausses avec une assurance totale. Il peut attribuer à l'entreprise des positions jamais exprimées, citer des données inexistantes, associer la marque à des événements qui n'ont jamais eu lieu. Ces informations apparaissent avec le même ton autoritaire que les informations correctes — et sont invisibles pour les systèmes de surveillance traditionnels.
Ces deux mécanismes ont le même effet sur la réputation : la personne qui interroge le système reçoit une image de l'entreprise que celle-ci n'a pas autorisée et qu'elle ne connaît souvent pas.
Comment mesurer ce que les LLM disent d'une entreprise ?
La mesure de l'AI Reputation requiert une approche systématique et multi-modèle.
Il ne suffit pas d'interroger un seul système d'IA : chaque LLM possède des caractéristiques d'entraînement différentes, accorde un poids différent aux sources et utilise des logiques de synthèse distinctes. Une représentation stable n'émerge que de l'analyse comparative sur plusieurs systèmes — ChatGPT, Gemini, Claude, Perplexity, Mistral — interrogés avec des requêtes calibrées sur les dimensions pertinentes pour cette organisation.
Les dimensions à mesurer sont :
- Sentiment : le ton général de la représentation — positif, neutre, négatif ou ambivalent
- Visibilité : la fréquence à laquelle l'entreprise apparaît dans les requêtes pertinentes pour son secteur
- Couverture thématique : quelles dimensions de l'identité de l'entreprise sont citées (innovation, durabilité, leadership, produits) et lesquelles sont absentes
- Cohérence narrative : les différentes sources convergent-elles vers un récit cohérent ou se contredisent-elles ?
- Risque réputationnel : des informations négatives, obsolètes ou potentiellement préjudiciables apparaissent-elles ?
Le résultat de cette analyse est la cartographie de l'écart entre l'identité réelle et la représentation algorithmique — le point de départ de toute intervention sur l'Aurelian Lab AI Reputation Framework.
Quelles sont les sources que les LLM utilisent pour construire la réputation d'une entreprise ?
L'un des éléments les plus surprenants pour les professionnels de la communication d'entreprise est la hiérarchie des sources utilisée par les systèmes d'IA.
Contrairement à l'intuition, les systèmes d'IA ne privilégient pas les contenus propriétaires de l'entreprise. Ils privilégient les sources qu'ils considèrent comme les plus crédibles et indépendantes. En pratique, cela signifie que :
- Les médias et les publications journalistiques ont beaucoup plus de poids que le site corporate de l'entreprise
- Wikipédia — lorsqu'elle existe et est à jour — est une source de référence principale pour presque tous les systèmes d'IA
- Les rapports et bases de données institutionnelles (Consob, Borsa Italiana, registres publics) ont un poids élevé
- Les contenus éditoriaux et sociaux — y compris Reddit, LinkedIn, les forums sectoriels — sont intégrés bien plus que ne l'imaginent de nombreuses entreprises
- Les communiqués de presse et les rapports ESG propriétaires ont un poids limité s'ils ne sont pas repris par des sources tierces
Cette hiérarchie a des implications directes sur la stratégie : construire l'AI Reputation ne signifie pas produire plus de contenu. Cela signifie construire un écosystème de confirmations externes — earned media, citations crédibles, validations indépendantes.
Comment changer ce qu'un LLM dit de votre entreprise ?
Modifier la représentation algorithmique d'une entreprise est possible, mais cela demande du temps et de la méthode. Il n'existe pas de raccourci.
Le processus s'articule sur trois niveaux, en cohérence avec l'Aurelian Lab AI Reputation Framework :
1. Rendre lisible ce qui existe La première intervention concerne la structure des contenus existants. Les textes sans titres clairs, les données non contextualisées, les déclarations sans preuves à l'appui sont invisibles pour les systèmes d'IA. Restructurer les contenus dans un format lisible par les algorithmes est le point de départ.
2. Construire un écosystème de confirmations externes Le deuxième niveau concerne la distribution des preuves. Le earned media, les citations dans des sources qui font autorité, la présence sur Wikipédia, les données vérifiables publiées par des tiers — tout ce qui renforce et distribue le récit de l'entreprise en dehors de ses canaux propriétaires.
3. Surveiller et corriger en continu Le troisième niveau est la surveillance structurelle. L'AI Reputation ne se gère pas par une intervention ponctuelle. Elle exige une veille continue des représentations générées par les systèmes, avec une capacité d'intervention rapide lorsque des distorsions ou des hallucinations apparaissent.
Combien de temps faut-il pour modifier la représentation d'une entreprise dans les systèmes d'IA ?
Il n'y a pas de réponse unique, car cela dépend de l'écart entre la représentation actuelle et la représentation cible, de la qualité de l'écosystème informationnel existant et de la capacité de l'organisation à produire des signaux cohérents dans le temps.
En général, les systèmes d'IA avec récupération en temps réel (comme Perplexity) réagissent plus rapidement aux nouveaux contenus. Les systèmes basés principalement sur l'entraînement (comme les versions hors ligne d'autres LLM) nécessitent des délais plus longs.
Ce qui est certain, c'est que ceux qui commencent les premiers se construisent un avantage cumulatif difficile à rattraper. L'autorité de citation — comme l'autorité de domaine dans le SEO traditionnel — s'accumule avec le temps. Les organisations qui investissent aujourd'hui dans l'AI Reputation seront celles que les systèmes d'IA citeront demain.
Commencez par les bases → Qu'est-ce que l'AI Reputation : définition, risques et opportunités Découvrez pourquoi les communiqués de presse ne suffisent plus → Pourquoi les communiqués de presse ne suffisent plus Découvrez comment la durabilité devient un signal fort → Durabilité et réputation dans les systèmes d'IA Retour au modèle complet → Gouverner la Corporate Reputation à l'ère de l'IA : le pilier d'Aurelian Lab Vous voulez mesurer votre AI Reputation ? → Aurelian ESG Monitor · Contactez-moi