Un benchmark avec
ses calculs à l’appui.
Nous mesurons à quelle fréquence votre marque apparaît, est recommandée et citée en premier dans un ensemble défini de réponses fraîchement recueillies via les API. Vous recevez les chiffres, les comparaisons et les preuves originales.
Le périmètre comprend une marque, une catégorie, un public et un marché mondial ou national. Vous choisissez l’anglais, l’allemand ou le français pour les questions, et pouvez choisir séparément la langue du rapport. Vous approuvez les questions après paiement, avant collecte. Les résultats décrivent ce test à cet instant. Ils n’estiment ni toutes les conversations avec l’IA, ni la demande de recherche, ni la part de marché.
Définir le test.
Les questions sont enregistrées avant toute collecte de réponses payantes.
Conserver les preuves.
Réponses originales, questions, identifiants de modèles, heures de collecte et sources restent attachés au rapport.
Montrer le calcul.
Les nombres et dénominateurs accompagnent les pourcentages. Les analyses manquantes restent visibles.
L’IA pour interpréter. Le code pour mesurer.
Nous privilégions les règles déterministes lorsqu’elles suffisent. Le logiciel construit les questions payantes, vérifie l’intégrité de la collecte, retrouve les citations et calcule les scores. Ces étapes ne demandent pas à un modèle d’improviser un chiffre.
Là où l’IA apporte une valeur
Les fournisseurs génèrent les réponses mesurées. Des modèles interprètent aussi le contexte du site, classent les recommandations, examinent les identités de produits ambiguës et aident à transformer les preuves en briefs précis.
Là où les règles prennent le relais
Validation, rapprochement des noms, déduplication, dénominateurs, pourcentages et classement suivent un code défini. Avec les mêmes données enregistrées, étiquettes acceptées, décisions d’identité et version du code, le calcul est répétable.
Le comptage déterministe ne rend pas une étiquette d’IA infaillible. Répéter la collecte ou l’interprétation peut changer les preuves ou les étiquettes. Nous conservons le dossier, affichons la couverture et relions les constats aux réponses originales pour permettre leur examen.
« Pour les décisions d’achat testées, qui est recommandé à notre place, et sur quelles preuves pouvons-nous agir ? »
Maîtriser la question.
Puis la répéter.
Vous fournissez deux à cinq besoins d’acheteurs et deux à dix concurrents. Chaque besoin est testé selon les mêmes cinq critères : adéquation globale, rapport qualité-prix, qualité, expérience client et facilité d’adoption.
Chaque besoin reçoit cinq critères. Un groupe supplémentaire teste la catégorie sans public ni besoins individuels. Moins de besoins signifie plus de répétitions, pas un prix inférieur.
Le tableau d’échantillonnage complet
| Besoins des acheteurs | Questions distinctes | Répétitions par modèle | Total des réponses |
|---|---|---|---|
| 2 | 22 | 8 | 704 |
| 3 | 32 | 5 | 640 |
| 4 | 42 | 4 | 672 |
| 5 | 52 | 3 | 624 |
Nous choisissons le plus petit nombre entier de répétitions permettant d’atteindre au moins 624 réponses, avec un minimum de trois. C’est un objectif de collecte, pas un calcul de puissance statistique. « Plus de 600 réponses » inclut les répétitions entre modèles ; cela ne signifie pas 600 questions uniques ou acheteurs indépendants.
Ce que voit réellement le modèle interrogé
La catégorie, le public, le marché, le besoin et le critère d’achat entrent dans un modèle de question fixe. La marque cible, le site et la liste de concurrents ne sont pas fournis comme contexte distinct. La validation bloque les noms suivis reconnus, les URL et certains motifs d’instruction dans le brief.
Quelles options de la catégorie « logiciels de gestion de projet » envisageriez-vous pour le public « équipes en croissance » et le besoin « collaboration en équipe » ? Marché cible : Suisse. Comparez les options adaptées selon le critère « Adéquation globale » et expliquez les compromis. Si aucune option adaptée ne peut être établie, dites-le explicitement. Ne substituez pas une autre catégorie de produits.
Un groupe distinct par catégorie seule retire le public et les besoins individuels. Il est inclus dans le total et affiché séparément dans le registre. Il offre une comparaison plus large, pas un test causal du biais.
L’effet des suggestions du site sur le brief
L’aperçu fondé sur le site peut utiliser un modèle pour interpréter le texte public dans la langue choisie et suggérer catégorie, public, marché et besoin. L’extraction déterministe reste un point de départ. Les suggestions du brief payant doivent également être vérifiées. Elles décrivent le site du vendeur, pas une demande client mesurée.
Vous vérifiez le brief payant et approuvez toutes les questions. Appuyez les besoins sur de vrais échanges commerciaux, entretiens clients ou demandes d’assistance. Les contrôles de noms ne peuvent empêcher qu’une combinaison très spécifique de fonctionnalités favorise un fournisseur. Les avertissements signalent certaines formules promotionnelles, descriptions chargées et besoins similaires ; ils ne détectent pas toutes les questions orientées.
Quatre fournisseurs.
Une configuration documentée.
Nous appelons une API configurée par fournisseur. Chacune reçoit les mêmes questions approuvées et le même nombre de répétitions. Il s’agit de nouvelles requêtes sans historique ni personnalisation d’un compte grand public.
OpenAI
openai/gpt-5-miniGemini
google/gemini-3-flashClaude
anthropic/claude-sonnet-4.6Perplexity
perplexity/sonarValeurs par défaut actuelles. Les identifiants de modèles et heures conservés dans votre rapport font foi pour cet essai. Les alias et résultats de recherche peuvent évoluer.
Recherche, localisation et génération
OpenAI, Gemini et Claude disposent d’outils de recherche web natifs activés ; le modèle décide de leur utilisation. Perplexity utilise Sonar avec recherche. Les appels passent par Vercel AI Gateway. Disponibilité et comportement varient ; la comparaison porte donc sur les systèmes configurés, sans isoler la capacité du modèle.
Répondez en français en 300 mots au maximum. Utilisez au maximum une recherche sur le Web si nécessaire.
OpenAI utilise un contexte de recherche et un effort de raisonnement faibles. L’outil de recherche Claude est limité à une utilisation. Une recherche et 300 mots sont des consignes, pas une garantie d’exécution identique. Le budget de sortie est de 4 000 tokens ; les réponses vides ou tronquées par la limite sont rejetées. Aucune température ni graine aléatoire commune n’est imposée.
Les erreurs techniques peuvent être retentées avec la question enregistrée. La reprise conserve les réponses réussies sans les recueillir à nouveau.
Le pays choisi figure dans la question. « Global » utilise une formulation mondiale. Aucun réglage n’échantillonne les utilisateurs par pays ni ne vérifie une diffusion par IP locale. Les résultats sont des observations dans la langue des questions, sans pondération régionale d’audience. Les réponses originales ne sont pas traduites pour la mesure.
Ce rapport ne reproduit pas les applications ChatGPT, Gemini, Claude ou Perplexity, leurs modèles par défaut, leur personnalisation ou leur recherche spécifique. Les noms identifient les systèmes testés, sans impliquer de partenariat ni d’approbation.
Le dénominateur
change le récit.
La part de voix dans l’IA est la part d’une marque dans les mentions comptées sur un ensemble défini de réponses. Une marque compte au maximum une fois par réponse, même si elle apparaît plusieurs fois. Un modèle extrait les étiquettes ; le code valide les preuves et agrège les chiffres.
Les mêmes 12 mentions.
Trois mesures différentes.
Taux de mention. Fréquence d’apparition de la marque dans une réponse.
Part de voix des marques sélectionnées. Dépend des concurrents choisis.
Part de voix des options découvertes. Inclut les alternatives pertinentes hors de votre liste.
Plusieurs marques peuvent apparaître dans une réponse ; les mentions marque-réponse peuvent donc dépasser le nombre de réponses. « Toutes les options identifiées » désigne celles trouvées par cette analyse, pas tous les fournisseurs du marché.
- Citée
- Réponses contenant une mention extraite de la marque ÷ réponses analysées. Une mention peut être positive, négative ou accessoire.
- Recommandée
- Réponses étiquetées « recommandée » ou « meilleur choix » pour la marque ÷ réponses analysées. Réserves, alternatives et avis défavorables restent distincts.
- Citée en premier
- Réponses où la marque est la première des entités retenues dans le texte ÷ réponses analysées. L’ordre du texte ne prouve pas une préférence.
- Votre site dans les sources
- Réponses réussies citant votre domaine ou un sous-domaine ÷ toutes les réponses réussies. Cette mesure ne nécessite pas une extraction réussie.
- Classement partageable
- Classement selon le nombre de recommandations dans le périmètre choisi. Les ex æquo partagent un rang (1, 2, 2, 4). Les fiches exigent collecte et analyse complètes, quatre fournisseurs, au moins 24 réponses analysées dans le périmètre et une recommandation de la marque. Une fiche limitée à un besoin décrit ce sous-ensemble, pas tout le marché. Choisir le meilleur sous-ensemble ne le rend pas représentatif du rapport entier.
Alias, appartenance à la catégorie et citations
Les alias fournis et variantes de noms de domaine prises en charge sont regroupés. Une revue d’identité distincte, liée aux sources, peut rapprocher le même produit ou retirer des noms de catégorie ou canal. Les correspondances incertaines restent séparées et les revues absentes ou partielles sont signalées. Les réponses originales restent intactes.
Les concurrents découverts doivent être classés comme options pertinentes ; partenaires d’intégration et marques tierces accessoires sont exclus. Les mentions de la marque cible sont conservées même si elles sont accessoires ou hors catégorie : « citée » est donc plus large que « recommandée comme option adaptée ». Les étiquettes peuvent être fausses ; examinez la réponse source.
Les sources citées sont les liens rattachés à la réponse : annotations ChatGPT, citations Claude, références numérotées Perplexity et sources de grounding Gemini. Requêtes et résultats de recherche sont conservés séparément. Les rapports collectés avant octobre 2026 affichent les résultats de recherche Claude et Perplexity comme sources. Pour certaines redirections Gemini, un titre ressemblant à un domaine fournit un hôte non vérifié, signalé dans le rapport. Une source listée ne prouve ni la citation d’un passage précis, ni l’exactitude de la page, ni son rôle causal dans la recommandation.
Des contrôles consultables.
Le registre montre ce qui a réussi, ce qui a été évalué et ce qui manque. Chaque protection vise un mode de défaillance précis ; aucune ne certifie la neutralité.
Questions approuvées, conservées
Le panel payant est fixé avant collecte. Les réponses sont nouvelles ; les réponses favorables de l’aperçu ne les remplacent pas. Les questions ne sont pas réécrites selon les résultats.
Les requêtes réelles sont vérifiées
Chaque combinaison prévue de question, formulation, fournisseur et répétition doit apparaître exactement une fois. Le contrôle vérifie aussi la conformité de la question enregistrée à celle approuvée.
L’extraction ignore l’identité du client
Le modèle reçoit la question, la catégorie et les passages de réponse. Il ne connaît ni la marque cliente, ni les concurrents suivis, ni le fournisseur de la réponse. Les noms restent dans le texte : c’est une annotation aveugle à la cible, pas une anonymisation. Le rapprochement de la marque cible intervient ensuite dans le code.
Les citations viennent de la réponse enregistrée
Le code retrouve les passages et compare noms et citations au texte. Le modèle classe, sans inventer les citations. L’ancrage vérifie l’existence de la preuve, pas la véracité de la classification ou de l’affirmation produit.
Les réponses peu utiles restent dans le dossier
Le même appel évalue si la réponse est pertinente, mixte, hors sujet ou incertaine. Les réponses analysées hors sujet ou incertaines restent dans le dénominateur. Les évaluations absentes sont « non évaluées », jamais automatiquement validées.
Statut de validation et seuil d’achèvement
Les tests de régression couvrent les fuites de noms, l’intégrité des requêtes, l’équilibre de la collecte, l’ancrage, la déduplication et les dénominateurs. Des données synthétiques annotées par les développeurs et un jeu synthétique distinct testent l’extraction et la pertinence. C’est une validation interne, pas un audit indépendant ni une estimation publiée de précision réelle intersectorielle.
Le modèle d’extraction est OpenAI GPT-5 mini, y compris pour les réponses OpenAI. Masquer le fournisseur n’élimine ni les effets de famille de modèles, ni leur reconnaissance textuelle, ni les erreurs systématiques. Aucune annotation humaine régulière ni seconde extraction indépendante n’est promise.
Un rapport payant terminé exige toutes les réponses valides prévues et une analyse ancrée pour au moins 95 % d’entre elles. Ce seuil concerne la livraison, pas la confiance statistique. Les analyses échouées sont exclues des dénominateurs dérivés et la couverture est affichée ; elles ne comptent jamais comme absences. Si collecte ou analyse est insuffisante, le rapport passe en revue au lieu d’être livré comme complet. Les fiches de classement exigent une analyse à 100 %.
Une procédure répétable.
Des réponses variables.
Les répétitions montrent la variation pendant cette collecte. Elles n’en font pas un échantillon probabiliste de la demande. Questions liées, sources communes et comportement des modèles peuvent rendre les réponses dépendantes.
Ce que nous montrons
Les chiffres par fournisseur et répétition. Les écarts de taux de mention entre formulations sur les paires question/répétition dont les deux réponses ont été analysées. Une vue distincte par catégorie seule. La couverture à côté du résultat.
Ce que cela établit
Une variation observée dans la configuration testée. Pas une marge d’erreur de population, une probabilité de recommandation ou un résultat sans biais. Nous ne publions aucun score de confiance non étayé.
Chaque modèle reçoit la même allocation. Les taux globaux regroupent les réponses analysées ; si certaines analyses manquent, les fournisseurs peuvent contribuer des nombres légèrement différents. Les échecs d’extraction peuvent être systématiques, donc leur exclusion peut influer sur le résultat. Le mélange n’est pas pondéré par part de marché, popularité des questions ou usage de vos clients.
Comparer un rapport ultérieur
Conservez catégorie, public, marché, besoins, formulations approuvées, noms suivis et alias. Vérifiez modèles, versions de collecte et d’analyse, dates, sources et couverture avant d’interpréter une évolution.
Mises à jour des fournisseurs, recherche en direct et variation des réponses peuvent modifier les résultats sans changement de votre site. Un nouvel essai peut suivre la même procédure sans reproduire les réponses. Un écart avant/après ne peut à lui seul attribuer une amélioration à une modification de contenu, campagne d’avis ou autre intervention.
Un constat doit
donner un point de départ.
Le rapport payant inclut un plan de travail priorisé. Chaque tâche relie un écart observé à des réponses justificatives, un responsable suggéré, un effort indicatif, des critères de réalisation et une mesure initiale.
Le périmètre vise le travail marketing : contenu plus clair, ressources éditoriales utiles, profils et avis externes exacts, correction d’affirmations non étayées. Une expression absente ne prouve pas une fonctionnalité absente. Ce benchmark seul ne justifie pas des changements de produit.
Ce que couvre la revue du site et des actions
Nous examinons un nombre limité de pages HTML publiques et tentons de lire robots.txt. Une revue approfondie facultative utilise le sitemap, des pages supplémentaires et certaines sources externes citées. Des limites de pages, taille et temps s’appliquent, ainsi que les exclusions de robots ; les vérifications partielles réussies sont conservées. Il s’agit d’une revue ciblée de preuves, pas d’un audit complet.
Lorsque preuves et budget le permettent, un appel borné rédige des briefs plus précis, puis un appel distinct les critique. Les citations doivent correspondre au texte examiné et les références de mesure sont préservées. Si l’enrichissement est indisponible ou invalide, la liste ancrée reste disponible. C’est une revue automatisée, pas une mission de conseil humain.
Le crawl ne rend pas JavaScript, ne vérifie pas l’indexation, n’examine pas toutes les pages et ne teste pas l’accès depuis le réseau d’un fournisseur. Une page absente de ce crawl limité n’est pas prouvée inexistante. La cooccurrence de sources ne prouve pas l’influence. Les tâches sont des hypothèses à vérifier, sans promesse de classement, trafic ou revenu.
Les détails accompagnent
le résultat.
Le rapport conserve questions approuvées, réponses originales et sources. Le registre montre intégrité, couverture d’analyse, vérifications de périmètre et différences de formulation. Identifiants et versions permettent de vérifier la méthode utilisée.
Ce que vous pouvez auditer
Périmètre, échantillonnage, comptage, configuration et limites sont publics. Votre rapport ajoute les questions, réponses et preuves nécessaires pour contester un constat. Un calcul reproductible applique les mêmes règles au même dossier ; il ne promet pas des réponses identiques lors d’un nouvel essai.
Notre code source, nos instructions internes et nos réglages restent propriétaires. Leur lecture n’est pas nécessaire pour vérifier un chiffre publié. La méthode et les preuves peuvent être examinées sans publier le logiciel qui les produit.
- Protocole des questions
buyer-panel-v2 (EN) · buyer-panel-v3-de / -fr- Protocole de collecte
api-search-fr-300w-v1- Version d’analyse
report-v2.1- Modèle d’extraction
source-anchored-v4-multilingual- Allocation de collecte
- Égale entre fournisseurs et questions approuvées
- Unité de comptage
- Une marque retenue par réponse, comptée une fois
- Opérateur de recherche
- Share of Voice by Serge · Superstellar LLC
- Méthode revue le
Aperçus gratuits, anciens rapports et corrections
Un aperçu gratuit teste une question déduite du site auprès de quatre fournisseurs, sans l’étendue ni les répétitions du panel payant. Les aperçus admissibles peuvent être servis depuis le cache pendant 24 heures. L’heure de collecte et le périmètre affichés font partie du résultat. Une commande payante recueille un nouveau panel après approbation des questions.
L’exemple public utilise une marque fictive et des réponses illustratives. Il montre l’expérience du rapport, pas un benchmark réel ni un résultat de validation.
Les anciens rapports conservent leurs questions et analyses. L’ancien protocole de besoins combinés et le score par noms exacts ne sont pas directement comparables au panel actuel. Les anciennes extractions ne sont pas décrites rétroactivement comme aveugles à la cible. Consultez la méthode enregistrée de chaque rapport.
Si un nom est mal classé ou si un chiffre ne se réconcilie pas, contactez hello@shareofvoice.app avec les références du rapport et de la réponse. Nous pouvons examiner les preuves, sans certifier chaque affirmation des fournisseurs.
La réflexion derrière
la méthode.
Ces sources éclairent nos choix sur la transparence, la variation des questions et l’analyse par modèles. Elles ne certifient pas Share of Voice et ne valident pas notre rapport commercial.
- 01HELM: Holistic Evaluation of Language ModelsStanford CRFM · Liang et al., 2022
A model-evaluation framework that makes scenarios, metrics, prompts and outputs inspectable. Relevant to our evidence-first reporting, not a validation of our scores.
- 02Standards for DisclosureAmerican Association for Public Opinion Research
A useful disclosure reference for exact wording, sampling, weighting, processing and limits. Our benchmark is a model-output study, not a survey of people or an AAPOR-certified study.
- 03ProSA: Assessing and Understanding the Prompt Sensitivity of LLMsZhuo et al. · Findings of EMNLP, 2024
Documents sensitivity to prompt wording across models and tasks. Our two phrasings expose some variation; they cannot cover every way a buyer might ask.
- 04Judging the Judges: A Systematic Study of Position Bias in LLM-as-a-JudgeShi et al. · IJCNLP–AACL, 2025
Studies position bias in model-based judging. Its setting differs from our extraction task; it supports treating model labels as fallible, not borrowing an accuracy claim.
Ouvrez un rapport.
Suivez les preuves.
Explorez l’exemple illustratif, de la conclusion aux réponses individuelles et au plan d’action.
Examiner le rapport exemple 179 USD par rapport payant. Rapports mensuels facultatifs.