Deux familles d'indicateurs
Tout le dispositif repose sur une distinction simple. Les indicateurs de présence mesurent votre place dans les réponses des LLM : ils réagissent vite et pilotent le travail au quotidien. Les indicateurs de résultat mesurent l'effet réel sur le chiffre : les prospects, les inscriptions, les ventes, avec des semaines de décalage. Les premiers justifient l'effort, les seconds justifient le budget. Il faut les deux.
Indicateurs de présence : le suivi de prompts
Commencez par constituer une bibliothèque de prompts représentative de votre métier et de vos objectifs produit, par exemple la facturation électronique. Un outil de suivi de prompts, comme Peec, Profound ou Otterly, les rejoue chaque jour sur les différents modèles et collecte trois choses : les mentions (votre marque apparaît dans la réponse), les citations (votre marque est reprise comme source) et la position (le rang moyen de votre mention dans les réponses).
De ces trois données brutes, je tire cinq indicateurs.
| Indicateur | Calcul | Ce qu'il dit |
|---|---|---|
| Part de voix | Vos mentions rapportées à toutes les mentions | Votre performance face aux autres. Aucun sens commercial en soi, mais sa tendance valide ou invalide vos efforts. |
| Visibilité | Taux de mention sur l'ensemble des prompts joués | Votre couverture du périmètre défini par la bibliothèque de prompts. Bon indicateur de travail. |
| Position | Rang de votre mention par rapport aux concurrents | Le plus précieux à mes yeux : être cité en premier traduit probablement une crédibilité supérieure. |
| Mention pondérée | Moyenne de l'inverse du rang sur tous les prompts, ramenée sur 100 (formule sous le tableau) | Suivi chaque jour, c'est un vrai indicateur de pilotage, le plus parlant du lot. |
| Part de voix pondérée | Le même calcul, appliqué à chaque concurrent | Compare couverture et position face au marché. Plus riche que la part de voix classique, et complémentaire. |
La mention pondérée mérite sa formule, puisque c'est elle qui pilote le travail. Pour chaque prompt, votre mention vaut l'inverse de son rang : 1 si vous êtes cité en premier, 0,5 en deuxième, 0,33 en troisième, 0 si vous êtes absent. La moyenne de ces scores sur toute la bibliothèque, multipliée par 100, donne l'indicateur. Exemple sur 100 prompts : cité 30 fois premier, 20 fois deuxième et 10 fois troisième, soit (30 × 1 + 20 × 0,5 + 10 × 0,33) / 100 × 100 ≈ 43 sur 100.
Ajoutez deux lectures qualitatives. Les citations d'abord : puisqu'une adresse citée influence le récit du modèle, creusez lesquelles fonctionnent, servez-vous-en pour justifier vos investissements ou prioriser vos actions, par exemple les fils de discussion à influencer en premier ou les vidéastes à contacter, et observez ce que font les concurrents. Le sentiment ensuite : la manière dont les modèles parlent de vous. Si vous alimentez régulièrement des tiers qui parleront de votre marque, suivez l'effet de chaque événement, comme un nouveau label obtenu, sur le sentiment global ou par produit.
Quatre sources complémentaires
| Source | Ce qu'elle apporte |
|---|---|
| Les données des moteurs | Bing et Google publient leurs propres données liées à l'IA. Elles servent surtout à justifier une allocation de budget, ou à creuser un point précis. |
| Les journaux serveur | L'activité des robots d'exploration dans vos journaux répond à des questions concrètes : vous avez déployé une amélioration technique pour aider les modèles à comprendre le site, quel effet côté exploration ? |
| Les données de fournisseurs tiers | Certains panels, comme Similarweb, savent dire si un internaute a visité un LLM le même jour que votre site. À prendre avec prudence, mais l'angle de vue est précieux. |
| Le suivi des AI Overviews | Un bon indicateur de travail pour mesurer l'effet des tactiques ou des changements apportés au site : nouveau contenu, nouvelle mise en forme. |
Indicateurs de résultat : l'impact réel
Le déclaratif d'abord. La question « comment nous avez-vous connus ? » mesure l'impact commercial réel, et son verdict diverge souvent de celui du modèle d'attribution. Sans elle, vous passez à côté du scénario le plus courant : quelqu'un lit une recommandation dans un LLM, tape votre marque dans Google, clique sur un lien payant ou naturel. Aucun modèle d'attribution ne voit cette chaîne.
L'analytique ensuite. Dans GA4, filtrez les adresses de provenance propres aux LLM (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai) : quand un visiteur arrive en cliquant un lien dans une réponse, vous pouvez l'attribuer. Complétez avec les témoins de connexion : si un prospect visite votre site, passe par un LLM puis revient, vous devriez le voir, selon votre philosophie d'attribution, premier clic, dernier clic ou mixte.
Les signaux indirects enfin. Une hausse inexpliquée du trafic de marque et du trafic direct suit la même logique que le déclaratif. Faites analyser chaque jour les transcriptions de vos équipes commerciales pour repérer les prospects qui citent un LLM comme source, une petite automatisation suffit. Et gardez un œil sur les études déclaratives, publiques ou payantes, qui documentent comment les gens cherchent : toujours instructif.
| Signal | Ce qu'il capte | Sa limite |
|---|---|---|
| Déclaratif | Le canal réel par lequel les prospects vous ont connu | Dépend de la mémoire et de la sincérité du répondant |
| Analytique (GA4) | Les clics directs depuis les réponses des LLM | Aveugle à la recommandation suivie d'une recherche de marque |
| Signaux indirects | Trafic de marque, transcriptions commerciales, études | Des corrélations, jamais des preuves isolées |
Tout rassembler
Le dernier maillon est le plus simple : réunissez toutes ces données au même endroit et confiez à Claude une analyse hebdomadaire, avec un court résumé de l'évolution des tendances livré dans un message Slack. La mesure ne vaut que si quelqu'un la lit chaque semaine.
En 2026, l'impact des LLM sur la génération de lead ne se lit dans aucun tableau de bord tout fait. Il se reconstruit, indicateur de présence après indicateur de résultat, jusqu'à ce que les deux courbes racontent la même histoire.
Questions fréquentes
D'autres analyses sur la mesure et le référencement génératif sont à lire dans le journal.