Share of model : cinq parts, pas une

Un client domine ChatGPT avec 60 % de part de voix et pavoise en réunion de pilotage. On ouvre Gemini : il est strictement absent. On moyenne les deux et on obtient 30 % — un chiffre qui ne décrit aucune réalité et masque une urgence stratégique sur une plateforme entière.

Moyenner la part de voix entre moteurs détruit l’information la plus actionnable de l’audit.

Le réflexe SEO classique pousse à consolider les métriques pour livrer un KPI unique et digeste. En Generative Engine Optimization (GEO), cette agrégation est une faute analytique. L’enjeu n’est pas de rassurer avec un score global, mais de cartographier des présences fragmentées. C’est le principe du « share of model » : une part de voix isolée, mesurée et défendue pour chaque plateforme, sans jamais subir de lissage artificiel.

1. La moyenne qui efface la stratégie

Pourquoi un Share of Voice (SOV) agrégé inter-moteurs cache-t-il systématiquement le trou le plus rentable à combler ? Parce que la distribution de la visibilité générative n’est jamais linéaire. Un score consolidé de 30 % peut signifier une présence médiocre partout, ou une hégémonie sur un moteur compensée par un vide absolu sur un autre. Ces deux réalités exigent des réponses opposées.

Traiter ces deux scénarios avec le même plan d’action conduit à dilapider le budget du client. Si vous êtes déjà la référence sur ChatGPT, produire davantage de contenu calibré pour ce modèle a un rendement décroissant. L’urgence est d’identifier pourquoi l’autre plateforme vous ignore. C’est ici que le dénominateur oublié du share of voice prend tout son sens : la base de calcul doit rester cantonnée à l’arène spécifique que l’on observe.

Isoler la métrique par moteur permet d’allouer les ressources techniques et sémantiques exactement là où le gain marginal est maximal.

2. Trois moteurs, trois index, trois arènes

Chaque plateforme s’appuie sur des sources, des crawlers et un index fondamentalement différents. ChatGPT interroge Bing, Gemini exploite l’infrastructure tentaculaire de Google, Perplexity maintient son propre index hybride. Leurs parts de voix ne sont donc pas commensurables. Additionner un score Perplexity avec un score Gemini revient à additionner des pommes et des requêtes SQL.

Les mécaniques de citation diffèrent radicalement d’un modèle à l’autre. Un corpus de textes denses et argumentés peut séduire l’index de ChatGPT, tandis que Gemini privilégiera une structure de données claire issue du Knowledge Graph. Vouloir optimiser pour l’IA comme un tout est une erreur de cadrage qui mène inévitablement à des recommandations génériques et inefficaces.

Traiter chaque moteur comme un écosystème autonome garantit un diagnostic technique précis, directement traduisible en correctifs d’infrastructure.

3. Lire la présence en heatmap

La méthode LIMEN/Sonar remplace le KPI unique par une matrice : la heatmap présence pilier × plateforme. Le Score GEO 3D évalue la visibilité, l’endossement et la récurrence de citation. Cette grille croise les piliers sémantiques du client avec les différentes plateformes génératives. Le résultat visuel est implacable. D’un coup d’œil, l’équipe identifie où le client domine son marché et où il disparaît totalement.

Cette lecture multidimensionnelle révèle les biais d’entraînement et de récupération des modèles. Il arrive fréquemment qu’une marque soit citée comme leader sur ses produits phares par Perplexity, mais reléguée au second plan par Gemini sur les mêmes requêtes. La heatmap force à cartographier l’arène non-brand avec une granularité qui interdit les généralisations hâtives et les fausses certitudes.

La data visualisée en matrice transforme un audit complexe en une carte de bataille lisible instantanément par les décideurs.

4. Prioriser le moteur d'absence

Le whitespace le plus net n’est pas une thématique mal couverte au sein d’un corpus ; c’est souvent une plateforme entière où le client vaut zéro. Ce vide absolu est un levier de croissance massif, pas une anomalie statistique à lisser. Lorsqu’un acteur majeur est invisible sur une surface qui capte des millions de requêtes quotidiennes, le coût d’opportunité se chiffre en parts de marché cédées à la concurrence.

Combler ce vide exige une ingénierie inverse spécifique au moteur défaillant. Faut-il restructurer les entités ? Améliorer la fraîcheur des données ? Résoudre un blocage de crawler insidieux ? C’est en isolant ce moteur d’absence que l’on découvre parfois que le blocage vit dans le CDN, pas dans robots.txt. L’investigation technique a un point de départ clair et incontestable.

Cibler l’anomalie de plateforme la plus sévère débloque des gains de visibilité massifs avec un effort technique concentré.

5. L'implication agence : reporter par moteur, jamais en moyenne

Pour l’agence, la discipline du « share of model » modifie la structure même du livrable. Fini le camembert global rassurant mais factice. Sonar génère cinq vues de plateforme distinctes, forçant le consultant à justifier les écarts de performance. Ce niveau d’exigence protège l’agence : si une mise à jour d’OpenAI fait chuter la visibilité sur ChatGPT, la stabilité simultanée sur Gemini prouve au client que la stratégie fondamentale reste saine.

• Un reporting scindé par moteur pour isoler la volatilité technologique.
• Une roadmap RICE différenciée, où les tâches techniques ciblent des index précis.
• Des KPIs qui reflètent l’architecture réelle et fragmentée du web génératif.

Vendre une part de voix globale est une facilité commerciale dangereuse qui se retourne contre l’agence à la première mise à jour d’algorithme. Il faut facturer l’instrument, pas la position, et cet instrument doit mesurer le réel sans le déformer. Le réel, ce sont des moteurs distincts avec des règles distinctes.

Imposer un reporting par plateforme assoit l’autorité technique de l’agence et fiabilise le pilotage stratégique à long terme.