Visibilité de marque dans les assistants IA : l’étude Envoyra

Introduction

Un acheteur demande à un assistant IA quels logiciels envisager, et la liste de marques qu’il obtient n’est pas toujours la même d’une semaine à l’autre ni d’un assistant à l’autre. Selon une étude d’Envoyra, 79 % des couples question-assistant ont changé de liste au moins une fois en quatre semaines. La visibilité de marque dans les assistants IA se suit donc par répétition et par plateforme, pas par une capture isolée.

1. Ce que l’étude Envoyra a mesuré

Envoyra, entreprise travaillant dans la visibilité IA, a interrogé ChatGPT, Claude, Gemini et Perplexity sur cinq catégories de logiciels professionnels : assistants de réunion, IA de support client, CRM pour petites entreprises, automatisation marketing et outils de visibilité IA. Les questions, de type acheteur, ont été posées de la même façon chaque semaine via l’API de chaque assistant, lors de quatre passages entre le 13 septembre et le 4 octobre 2026. Chaque passage comptait 170 questions par assistant, soit 2 720 réponses au total.

Le chiffre de 79 % a une définition précise. Il y a 680 combinaisons question-assistant. Sur ces 680, 536 (79 %) ont modifié leur liste de marques recommandées au moins une fois pendant les quatre semaines, et 144 ont gardé la même liste partout. Ce chiffre ne dit pas que 79 % des réponses sont fausses ni que la marque en tête a changé : il indique qu’une liste a varié au moins une fois (source : OneMetrik, qui relaie l’étude).

Envoyra résume ainsi l’enjeu : une seule vérification d’un seul assistant apprend peu, alors que la fréquence d’apparition sur plusieurs semaines apprend davantage (rapport Envoyra).

2. Des assistants qui ne s’accordent pas

Les quatre assistants ne citent la même marque en tête que dans une catégorie sur cinq : Zendesk, pour l’IA de support client. Dans les quatre autres catégories, le leader dépend de l’assistant interrogé, d’après le rapport Envoyra.

Quelques exemples publiés :

• En CRM, HubSpot arrive en tête sur trois assistants, tandis que Gemini favorise Zoho CRM.
• En automatisation marketing, ChatGPT favorise HubSpot, Claude favorise Klaviyo, Gemini et Perplexity favorisent ActiveCampaign.

Pourquoi ces écarts ? L’étude ne l’établit pas. Les configurations diffèrent : ChatGPT (gpt-4o) et Perplexity (sonar-pro) utilisaient la recherche web, Claude et Gemini non. Cette différence fait partie du protocole, mais Envoyra ne publie aucune décomposition permettant de lui attribuer l’écart. Nous vous recommandons donc de ne pas expliquer ces désaccords par une cause unique.

3. Limites : ce que l’étude ne prouve pas

Ces limites s’appliquent à tout l’article.

• L’émetteur travaille dans la visibilité IA. Envoyra l’indique elle-même. La page de Search Engine Land qui aurait relayé l’étude n’est pas consultable ; nous nous appuyons sur la page d’Envoyra et sur le relais d’OneMetrik, prestataire marketing.
• Ce sont des réponses d’API, pas l’expérience d’une personne qui utilise les applications grand public.
• Les questions ne sont pas publiées, et le pays comme la langue ne sont pas précisés. Aucun acheteur n’a été interrogé : on ne peut pas conclure de ces résultats pour la France ni pour les ventes.
• Envoyra décrit des sorties observées, pas un raisonnement. Les résultats valent pour ces assistants, ces questions et cette fenêtre. Le test de reconnaissance, sur 30 marques, est restreint : 6 réponses par marque et par assistant.
• Aucune preuve d’effet. Nous n’avons aucune donnée sur l’effet d’actions de contenu ou de SEO sur ces recommandations.
• D’autres études existent (Loudmink, BrightEdge), avec des méthodes différentes. Leurs pourcentages ne sont pas comparables entre eux ni avec Envoyra.

4. Mention, recommandation, citation : trois mesures distinctes

OneMetrik conseille de suivre trois résultats séparés pour une marque B2B SaaS : est-elle mentionnée, est-elle recommandée comme option, et la réponse cite-t-elle son site ou une source indépendante à son sujet (OneMetrik). C’est un conseil de prestataire, non validé, mais la distinction est utile.

• Mention : la marque apparaît dans la réponse.
• Recommandation : elle figure dans la liste proposée comme option.
• Citation : la réponse renvoie à son site ou à une source qui parle d’elle.

Envoyra rapporte aussi la reconnaissance (l’assistant connaît-il la marque quand on la nomme) et la recommandation côte à côte, sans les combiner. Nous recommandons de faire de même : une marque connue n’est pas forcément recommandée.

5. Mettre en place un suivi raisonnable

Voici une méthode que nous proposons, à adapter à votre contexte. Ce sont des recommandations, pas des résultats mesurés.

1. Fixez un jeu de questions. OneMetrik suggère 30 à 50 questions d’achat réalistes (découverte de catégorie, comparaisons, intégrations, objections) et un socle inchangé pendant la période d’observation. Pour la France, rédigez-les en français, tel que vos acheteurs les formulent.
2. Suivez chaque plateforme séparément. Les écarts entre assistants rendent un score unique peu lisible.
3. Répétez les mesures. Une capture favorable ne prouve pas que la marque continuera d’apparaître.
4. Notez la configuration : assistant, version, avec ou sans recherche web, date.
5. Relevez les indicateurs : taux d’inclusion dans les recommandations, marques concurrentes citées, régularité de la liste d’une semaine à l’autre.
6. Gardez les indicateurs commerciaux à part (demandes de démo, pipeline) : l’étude ne les relie pas aux recommandations.

Conseil : présentez les résultats comme des fourchettes par assistant et par semaine, avec la date et la configuration, plutôt que comme un chiffre unique.

Pour aller plus loin sur le cadre, vous pouvez consulter notre guide GEO 2026, notre article sur la visibilité de marque dans les moteurs génératifs et celui sur la façon de préparer son site B2B à la recherche IA.

Faut-il adapter son contenu à chaque assistant ? Les données ne permettent pas de trancher : elles montrent des divergences, pas l’effet d’une action.

En bref

• Envoyra a observé, par API, que 536 des 680 couples question-assistant (79 %) ont changé de liste de marques en quatre semaines.
• Les quatre assistants ne s’accordent sur la marque en tête que dans une catégorie sur cinq.
• L’étude vient d’une entreprise travaillant dans la visibilité IA, ne publie pas ses questions et ne permet pas de conclure pour la France ni pour les ventes.
• Mention, recommandation et citation se suivent séparément, par assistant et dans le temps.

Conclusion

L’étude Envoyra donne un ordre de grandeur de l’instabilité des listes de marques dans des conditions précises, rien de plus. Elle justifie un suivi régulier, par assistant, avec des questions fixes, avant toute décision de contenu. Pour articuler ce suivi avec votre positionnement, vous pouvez relire notre article sur la stratégie de marque B2B et celui sur le suivi SEO B2B et le tracking.

Sources

• Envoyra, AI Recommendation Report, Fall 2026
• OneMetrik, LLM Citation Drift: Why AI Search Sources Keep Changing and How to Track Them

Glossaire

Recherche web : capacité de l’assistant à consulter le web en direct pour répondre.

API : interface permettant d’interroger un modèle par programme, sans passer par l’application grand public.

FAQ

Une marque absente d’une réponse est-elle invisible ?

Non, pas nécessairement. Dans l’étude, les listes varient d’une semaine à l’autre : une absence ponctuelle ne dit pas ce que verra l’acheteur la semaine suivante ni sur un autre assistant.

Ces résultats valent-ils pour la France ?

Rien ne permet de l’affirmer. Le pays et la langue des questions ne sont pas précisés, et les réponses viennent d’API, sans acheteur interrogé.

Que mesure exactement le chiffre de 79 % ?

La part des couples question-assistant (536 sur 680) dont la liste de marques recommandées a changé au moins une fois en quatre semaines. Ce n’est pas un taux d’erreur.

Comment distinguer mention, recommandation et citation ?

La mention est l’apparition du nom, la recommandation est l’inclusion comme option, la citation est le renvoi vers un site. Nous conseillons de les relever dans trois colonnes distinctes.

Faut-il adapter sa stratégie de contenu à chaque assistant ?

Les preuves lues n’établissent aucun effet d’actions de contenu. Commencez par mesurer par plateforme, puis décidez en fonction de vos propres relevés.