Pondérez la part de voix par la stabilité

Le problème du SOV brut

Deux rivaux affichent 20 % de part de voix sur une cartographie de requêtes génératives. L'un est cité de façon régulière sur chaque itération, l'autre apparaît et disparaît au gré du bruit inhérent au modèle. Les traiter à égalité revient à confondre un actif pérenne avec une anomalie statistique temporaire.

Le Share of Voice (SOV) brut additionne bêtement les occurrences. Il hérite des vieux réflexes du SEO classique, où une position acquise reste statique jusqu'à la prochaine mise à jour de l'index. Face à des LLMs probabilistes, cette approche s'effondre. Le SOV brut ne sait pas faire la différence entre une recommandation solidement ancrée dans les poids du réseau et un artefact de génération lié à la température du modèle. Cette cécité structurelle fausse le diagnostic en accordant la même valeur à un coup de chance qu'à une domination sémantique réelle. C'est pourquoi le dénominateur oublié du share of voice doit impérativement intégrer la dimension de la robustesse.

Isoler le signal durable du bruit algorithmique permet de concentrer les efforts de rétro-ingénierie exclusivement sur les concurrents qui détiennent une véritable autorité.

La stabilité inter-runs comme poids

La méthodologie LIMEN/Sonar exige de rejouer chaque prompt à l'identique. Nous fixons un standard strict de trois passages consécutifs pour évaluer une surface générative. Cette répétition n'est pas un luxe analytique, c'est la seule procédure capable de capturer et d'isoler la variance naturelle des moteurs de réponse.

Chaque citation détectée se voit attribuer un coefficient de reproductibilité. Une marque mentionnée trois fois sur trois obtient un poids maximal de 1. Celle qui n'apparaît qu'une seule fois sur la série voit son impact mathématiquement divisé. Ce mécanisme filtre les hallucinations positives et pénalise lourdement les présences fragiles. La question de savoir combien de runs pour voir un gain conditionne directement la fiabilité de ce coefficient appliqué à la performance globale.

Un rival durable pèse plus qu'un rival chanceux : la fréquence d'apparition brute n'a de valeur que si elle survit à la répétition du prompt.

Transformer une fréquence brute en un score de fiabilité inter-runs offre une métrique qui reflète le comportement réel et persistant de l'IA face à l'utilisateur final.

Reclasser les rivaux par durabilité

Appliquez ce filtre de stabilité à une arène concurrentielle et le classement change immédiatement de visage. Un acteur de second plan, artificiellement porté par un volume massif de mentions instables sur un seul run, chute brutalement au classement pondéré. À l'inverse, un concurrent discret mais systématiquement recommandé sur un cluster sémantique de niche remonte mécaniquement vers le haut du podium.

Ce reclassement par durabilité réelle est le moteur du Score GEO 3D. Il démasque les faux leaders. Le véritable étalon du marché n'est pas celui qui accumule les citations éparses sur un large spectre de requêtes, mais celui que le modèle convoque de manière déterministe à chaque génération. C'est le prérequis absolu pour cartographier l'arène non-brand sans se laisser aveugler par des anomalies de surface.

Identifier les véritables forteresses sémantiques évite de gaspiller du budget pour attaquer un rival dont la présence algorithmique s'effondrera d'elle-même.

Encadrer avec Wilson

Pondérer par la fréquence est une première étape, quantifier l'incertitude autour de ce poids en est une autre. Sur des échantillons de requêtes génératives, souvent limités par la nature même de l'audit, la marge d'erreur peut dévorer la donnée. C'est ici qu'intervient l'intervalle de confiance de Wilson, particulièrement adapté aux proportions extrêmes sur de petits volumes de données, là où un intervalle classique de Wald produirait des aberrations.

En associant le poids de stabilité inter-runs à un intervalle de Wilson, on cesse d'afficher des pourcentages absolus trompeurs. On encadre la performance. Si le score pondéré d'un rival est de 15 %, l'intervalle nous indique si la réalité probabiliste oscille de façon serrée entre 14 et 16 %, ou si elle bégaie entre 5 et 25 %. C'est la raison méthodologique qui impose de livrer une fourchette, pas un point lors des restitutions stratégiques.

Borner la donnée par des intervalles statistiques asymétriques transforme une intuition chiffrée en une preuve mathématique opposable.

L'implication agence : un SOV défendable en réunion

Face à un comité de direction, un chiffre brut est une cible facile. Le premier décideur qui a testé la requête ciblée sur son smartphone dans le taxi et obtenu un résultat différent remettra en cause l'intégralité de votre audit. Le SOV brut s'effondre face à l'expérience empirique et anecdotique du client.

Un classement pondéré par la stabilité, rigoureusement encadré par des intervalles de confiance, verrouille ce débat. Vous n'annoncez plus une vérité absolue et fragile à l'instant T, mais une probabilité de recommandation robuste. Vous proposez un score composite qui tient en réunion, capable de justifier ses propres marges de variation et d'expliquer pourquoi le test isolé du client fait partie du bruit statistique prévu par le modèle.

Présenter une métrique pondérée et statistiquement encadrée assoit la crédibilité technique de l'agence et sécurise le renouvellement des contrats sur des cycles longs.