Comment choisir un outil de suivi de visibilité IA en 2026 ? La grille de 12 critères

Vingt plateformes racontent la même histoire depuis dix-huit mois : vos clients interrogent ChatGPT, votre marque n’y apparaît pas. Le constat est juste. Le problème commence au moment de sortir la carte bleue, parce que tous les comparatifs disponibles vous donnent les mêmes quatre critères de sélection : combien de moteurs, combien de prompts, quelles métriques, quel prix.

Ces quatre critères sont faciles à vérifier. Ils sont aussi les moins utiles. Deux outils affichant exactement la même fiche technique peuvent produire des scores écartés de quarante points sur la même marque et le même prompt, parce qu’ils n’interrogent pas les modèles de la même façon.

Je vends un outil de suivi de visibilité IA. Autant le dire tout de suite : je suis co-fondateur de Cockpyt AI, et j’ai donc un intérêt évident à ce que vous choisissiez le mien. La grille qui suit est construite pour être utilisable contre Cockpyt AI aussi bien qu’en sa faveur, et je vous montrerai en fin d’article les critères sur lesquels mon propre outil ne coche pas la case.

Comment choisir un outil de suivi de visibilité IA ?

Vous choisissez un outil de suivi de visibilité IA en notant douze critères pondérés, dont huit portent sur la fiabilité de la mesure et quatre sur le périmètre fonctionnel. Un outil qui passe sous 60 points sur 100 produit des chiffres que vous ne pourrez pas défendre devant un client ou une direction.

Voici la grille. Elle est volontairement chiffrée pour que vous puissiez comparer deux devis côte à côte au lieu de comparer deux argumentaires commerciaux.

Les quatre critères de périmètre, ceux que publient tous les comparatifs, se trouvent en bas du tableau. Ils totalisent 25 points. Les huit critères de fiabilité, que quasiment personne ne demande à un éditeur avant de signer, en totalisent 75.

Les 4 critères visibles, et pourquoi ils ne suffisent pas

Les critères publics servent à éliminer, pas à décider. Ils vous disent si un outil est hors-jeu, jamais s’il est bon.

Les moteurs couverts. Compter les moteurs est le faux débat le plus coûteux du marché. Un outil qui suit neuf modèles quand 85 % de votre audience utilise ChatGPT vous fait payer huit dashboards décoratifs. La bonne question porte sur la présence de Mistral pour un marché B2B francophone, et sur la couverture des AI Overview de Google, déployés en France depuis juillet 2026.

Le volume de prompts. Le chiffre affiché sur la page tarifs ne veut rien dire seul. Un plan à 50 prompts qui teste chaque prompt une fois par semaine sur un moteur produit 200 réponses par mois. Un plan à 15 prompts testé cinq fois par semaine sur trois moteurs en produit 900. Multipliez toujours prompts, variations et moteurs avant de comparer deux tarifs.

Les métriques. Presque tous les outils annoncent mentions, citations, part de voix et sentiment. Le mot qui compte manque souvent : la recommandation. Être mentionné dans une liste de dix acteurs n’est pas la même chose qu’être désigné comme le meilleur choix. Un outil qui fusionne ces deux états dans un score unique vous fait piloter à l’aveugle.

Le prix. Le ticket d’entrée du marché tourne autour de 29 dollars par mois côté trackers légers, et grimpe jusqu’à 295 dollars mensuels pour les plateformes premium. Justa, dans son comparatif de juin 2026, relève que plus de vingt plateformes se disputent le même récit. Le prix isolé ne dit rien. Le prix rapporté au nombre de réponses générées, oui.

Les moteurs réellement inclus. La couverture affichée n’est presque jamais la couverture souscrite. Plusieurs éditeurs annoncent six ou sept moteurs et n’en incluent que trois par formule, les autres étant facturés en supplément. Chez Hikoo, Perplexity n’arrive qu’au palier à 139 € HT en annuel, les trois premiers paliers n’en couvrant qu’un ou deux. Chez Otterly, Gemini, Google AI Mode et Claude sont vendus en add-on sur toutes les formules. Lisez toujours la ligne « inclus » avant la ligne « disponible », et recalculez le prix à périmètre moteurs identique.

Les 8 critères de fiabilité que les éditeurs ne publient pas

La fiabilité d’un outil de suivi de visibilité IA se joue sur son protocole d’interrogation des modèles, et ce protocole est rarement documenté. L’Agence WAM le formulait dès janvier 2026 : la plupart des solutions ne dévoilent qu’une partie de leur méthodologie, sans préciser quels prompts, quels modèles ni quelle pondération. Voici les huit questions à poser par écrit à un éditeur avant de signer.

1. API brute ou simulation d’interface ?

Un outil qui interroge l’API d’OpenAI mesure la réponse d’un modèle dans des conditions de laboratoire. Un outil qui simule un navigateur mesure ce que voit un utilisateur réel. Les deux mesures sont légitimes, elles ne sont pas comparables. LLM-GEO.fr documentait ce point en avril 2026 en soulignant que la plupart des outils ne précisent pas laquelle des deux ils effectuent.

D’après moi, ce critère devrait être éliminatoire. Un éditeur qui refuse de répondre par écrit à cette question vend un score, pas une mesure.

2. La recherche web est-elle activée ?

Un appel API sans outil de recherche activé renvoie ce que le modèle a retenu de son entraînement, avec un décalage de plusieurs mois. Le même prompt avec recherche activée renvoie une réponse construite sur des pages crawlées le jour même. Un outil qui mesure le premier cas vous dira que votre nouvelle marque n’existe pas, alors que ChatGPT la cite correctement depuis trois semaines.

3. Combien de répétitions derrière un prompt suivi ?

Les modèles de langage sont non déterministes. La même question posée deux fois produit deux réponses différentes. Une étude publiée par SparkToro en janvier 2026 a fait tourner 12 prompts identiques près de 3 000 fois via 600 volontaires : les chances d’obtenir deux fois la même liste de marques ressortent sous 1 sur 100.

Demandez donc le nombre d’appels réels par prompt et par cycle, et faites-le écrire. Une passe unique ne permet pas de conclure sur une question isolée, quelle que soit la fréquence de relevé.

Le seuil utile est plus bas qu’on ne le dit. Un travail publié en septembre 2025 sur la fiabilité des évaluations de modèles montre que deux répétitions suppriment environ 83 % des inversions de classement produites par une passe unique, et que passer de une à trois répétitions ne réduit l’erreur type que d’environ 5 %. Au-delà, le rendement s’effondre. Un outil qui vend 30 passes quotidiennes vend donc surtout du coût de calcul.

Attention à une confusion fréquente, et je la commets moi-même si je ne fais pas attention. Répéter un prompt identique mesure la variance du modèle. Varier la formulation d’une question mesure la robustesse de votre visibilité aux façons de poser la demande. Les deux sont utiles, ce ne sont pas les mêmes exercices, et un éditeur qui répond « nous testons trois variations » n’a pas répondu à la question des répétitions.

4. Sur quelles questions le score est-il calculé ?

C’est le critère le plus lourd, et le plus récent. Deux familles coexistent et produisent des chiffres incomparables.

Les outils à base agrégée constituent leur propre jeu de prompts. Ahrefs part de sa base de mots-clés, l’étend via les « Autres questions posées » et l’expansion sémantique, puis interroge les plateformes et stocke les réponses. Semrush s’appuie sur une base de plus de 300 millions de prompts issus de données de navigation et de son jeu de mots-clés. Vous interrogez ensuite cette base pour votre marque.

Les outils à questions déclarées mesurent les requêtes que vous saisissez vous-même, et seulement celles-là.

Les deux approches sont légitimes et servent des besoins différents. Mais une marque peut très bien sortir correctement sur les questions génériques de son secteur et jamais sur ses dix requêtes commerciales réelles. Ahrefs le documente d’ailleurs honnêtement : son index fonctionne mieux pour les marques établies à demande de recherche significative, et sa couverture peut être limitée pour les marques peu recherchées. Pour une PME française, ça change la lecture du chiffre.

Posez la question en une phrase : ce score est-il calculé sur mes questions ou sur les vôtres ?

5. La composition du score est-elle publiée ?

Un score sur 100 n’est pas une mesure, c’est une formule. Et les formules divergent beaucoup plus qu’on ne l’imagine.

• Le diagnostic gratuit de HubSpot attribue jusqu’à 40 points sur 100 au ressenti, 20 à la notoriété, et seulement 20 au total à l’exposition et à la position concurrentielle.
• Semrush calcule un score relatif : votre fréquence de mentions rapportée à la médiane de concurrents que l’outil identifie lui-même. Il peut donc monter parce que vos concurrents reculent.
• Le Cockpyt Score combine présence, position et présence d’un lien, et tombe à zéro sans citation.

La version du modèle interrogé compte autant, et presque personne ne la publie. HubSpot documente les siennes, dont Gemini 2.0 Flash, une version allégée différente du modèle servi par défaut dans l’application Gemini.

D’après moi, un éditeur qui ne publie ni sa pondération ni ses versions de modèles vend un chiffre que vous ne pouvez pas interpréter, donc pas défendre en réunion. C’est une raison suffisante de l’écarter.

6. Mention, citation et recommandation sont-elles distinguées ?

Trois états très différents se cachent derrière le mot visibilité :

• La mention : votre nom apparaît dans la réponse, sans lien ni contexte favorable.
• La citation : votre URL est référencée comme source de l’information.
• La recommandation : le modèle vous désigne comme réponse au besoin exprimé.

Un outil qui additionne ces trois états dans un pourcentage unique produit un indicateur flatteur et inutilisable. Vous saurez que vous êtes passé de 30 à 45 %, sans savoir si vous avez gagné des recommandations ou de simples mentions dans une liste.

7. La donnée est-elle rejouable ?

Un score sans réponse brute derrière est invérifiable. Vous devez pouvoir ouvrir n’importe quel point de mesure, lire le texte intégral généré par le modèle, voir la date, l’heure et le prompt exact envoyé. Sans cette traçabilité, vous ne pourrez ni contester un chiffre ni le défendre en réunion. The Media Leader posait le bon cadre en avril 2026 : les études d’audience média reposent aussi sur des échantillons, mais ces échantillons sont standardisés et audités, ce qui n’est pas encore le cas sur ce marché.

8. Le trafic réel est-il rattaché à la mesure ?

Savoir que vous apparaissez dans 40 % des réponses ne dit rien du nombre de visites générées. Un outil qui ne se connecte ni à Google Analytics 4 ni à la Search Console vous laisse avec un indicateur de notoriété déconnecté du business. C’est le point qui fait échouer la plupart des présentations de résultats GEO en comité de direction.

Le test de reproductibilité en 20 minutes

Vous pouvez vérifier vous-même la fiabilité d’un outil pendant son essai gratuit, sans compétence technique. Le protocole tient en cinq étapes et prend vingt minutes.

Étape 1 – Choisissez un prompt commercial

Prenez une requête à intention d’achat sur votre marché, du type « meilleur logiciel de facturation pour PME ». Évitez les requêtes de marque, trop stables pour révéler quoi que ce soit.

Étape 2 – Lancez trois scans à la demande

Déclenchez le même prompt trois fois, à trois moments différents de la journée. Si l’outil ne permet pas de scan manuel, notez-le comme un défaut de rejouabilité.

Étape 3 – Relevez présence et rang

Pour chaque passage, notez si votre marque apparaît et à quelle position dans la réponse. Notez aussi les trois premiers concurrents cités.

Étape 4 – Calculez l’écart

Soustrayez le score le plus bas au score le plus haut sur vos trois passages.

Étape 5 – Interprétez

Un écart nul sur trois passages signale une mise en cache : l’outil vous ressert la même réponse. Un écart supérieur à 30 points signale un échantillonnage trop faible pour produire une tendance. Un écart compris entre 5 et 20 points correspond au comportement normal d’un modèle correctement interrogé plusieurs fois.

Terminez en posant le même prompt manuellement dans l’interface du moteur concerné. Si le résultat manuel n’a rien à voir avec celui de l’outil, vous venez de découvrir que l’éditeur mesure une API sans recherche web.

Les 4 familles d’outils et à qui elles s’adressent

Le marché se divise en quatre familles, et choisir un outil commence par choisir une famille. Cette segmentation, proposée par l’agence Justa en juin 2026, reste la plus opérante à ce jour.

Les plateformes full-stack couvrent monitoring, analytics et production de contenu dans une seule interface. Large couverture, profondeur moyenne sur chaque brique, tickets d’entrée entre 99 et 300 dollars mensuels. Pour des équipes marketing sans stack existante.

Les trackers purs font bien le monitoring et les citations, sans couche d’optimisation. Bon coût par réponse, mais vous voyez le problème sans savoir quoi corriger. Pour des équipes qui ont déjà un pôle SEO et contenu.

Les modules greffés sur une suite SEO évitent d’ajouter un abonnement. Intégration réussie avec votre outillage existant, prompts souvent figés, couverture de modèles limitée. Pour les utilisateurs intensifs d’une suite déjà payée.

Les générateurs de contenu repositionnés produisent des textes optimisés pour les LLM sans mesurer quoi que ce soit. Complément utile, jamais substitut à un tracker.

D’après moi, la seule erreur structurelle est de prendre une plateforme full-stack sans avoir une personne dédiée au moins deux jours par semaine à l’exploitation des données. Un tableau de bord sans opérateur est une ligne de coût fixe, pas un outil de pilotage.

Les 5 erreurs qui font acheter le mauvais outil

• Acheter avant d’avoir écrit ses prompts. La pertinence de vos requêtes de suivi détermine la valeur de la mesure. Sans liste de trente prompts stratégiques, vous n’êtes pas prêt à souscrire, vous êtes prêt à faire un atelier.
• Compter les moteurs au lieu de compter les réponses. Neuf modèles interrogés une fois valent moins que trois modèles interrogés cinq fois.
• Confondre présence et recommandation. Le premier indicateur monte facilement, le second est celui qui génère des leads.
• Accepter un score propriétaire sans connaître sa formule. Demandez ce que le score agrège et avec quelle pondération. Un refus vaut réponse.
• Négliger l’état du site. Un outil de mesure sur un site mal structuré ou sans autorité produit des données, pas des résultats.

Transparence : où se situe Cockpyt AI dans cette grille

Cockpyt AI est l’outil que je co-fonde avec Laurent Séjourné. Voici son passage honnête dans la grille ci-dessus.

Ce qui coche. Mesure dans des conditions identiques, sans compte connecté, avec la recherche web activée, et indication sur chaque réponse relevée si le moteur a mobilisé la recherche web ou sa mémoire. Questions déclarées par vous, donc un score calculé sur vos requêtes commerciales. Composition du Cockpyt Score publiée. ChatGPT, Gemini et AI Mode suivis chaque jour dans les quatre formules, les Aperçus IA chaque semaine sur vos mots-clés, sans supplément par modèle. Réponses brutes consultables, connexion Google Analytics 4 et Search Console, audit GEO à la demande avec plan d’action priorisé, lancé avec les crédits IA inclus.

Ce qui ne coche pas. Une passe par question et par jour, là où la grille recommande deux répétitions au minimum. Le score affiché se lit donc en moyenne sur 7 jours : en formule Solo, il agrège 420 observations par semaine (20 questions, 3 moteurs, 7 jours), ce qui rend la tendance lisible, mais le relevé d’une question isolée sur une journée ne doit pas être surinterprété. C’est une limite réelle et je ne la contourne pas.

Ce qui manque aussi. Mistral, Claude et Copilot ne sont pas suivis, et Perplexity est une option payante. Les projets sont illimités, mais le volume s’arrête à 420 questions sur la formule Scale : au-delà, une plateforme sur devis sera mieux adaptée.

Questions fréquentes

Un outil de suivi de visibilité IA remplace-t-il un outil SEO ?

Non. Les deux mesurent des surfaces différentes : votre position dans une page de résultats d’un côté, votre présence dans un texte généré de l’autre. Un outil GEO ne remonte ni volumes de recherche, ni backlinks, ni erreurs techniques d’indexation. Prévoyez les deux budgets, pas un seul.

Combien de prompts faut-il suivre pour une mesure fiable ?

Comptez entre 20 et 30 prompts pour une activité mono-produit, et 80 à 150 pour un catalogue ou un marché multi-segments. Au-delà, la difficulté n’est plus le volume mais la revue trimestrielle : les requêtes de vos prospects évoluent, une liste figée perd sa pertinence en six mois.

Pourquoi deux outils donnent-ils des scores différents pour la même marque ?

Parce qu’ils ne mesurent pas la même chose. Cinq causes se cumulent : les questions mesurées, la pondération du score, les moteurs et versions interrogés, le nombre de répétitions, et la variabilité intrinsèque des modèles. Deux outils peuvent afficher 62 et 18 pour la même marque le même jour sans qu’aucun ne se trompe. Le détail des cinq causes et le protocole de comparaison font l’objet d’un article dédié.

Peut-on mesurer sa visibilité IA gratuitement ?

Oui, à petite échelle. Interroger manuellement dix prompts chaque mois dans ChatGPT, Gemini et Perplexity, puis consigner les résultats dans un tableur, coûte deux heures mensuelles et donne une tendance exploitable. L’automatisation devient rentable au-delà de trente prompts suivis.

Les outils GEO couvrent-ils Mistral ?

Rarement. Le modèle le plus pertinent pour une partie du B2B francophone reste absent de la majorité des plateformes grand public. Si votre audience est française et technique, posez la question avant de souscrire, elle éliminera plusieurs candidats.

À quelle fréquence faut-il mesurer sa visibilité IA ?

Une mesure quotidienne lue en moyenne glissante sur 7 jours donne la tendance la plus stable. Un relevé hebdomadaire suffit pour une veille légère. Dans les deux cas, ne réagissez pas à un relevé isolé : la variabilité des modèles fait bouger un chiffre du jour au lendemain sans que rien n’ait changé.

Faut-il un outil quand on est une TPE locale ?

Seulement si vous avez identifié des requêtes locales à intention commerciale sur lesquelles vos concurrents apparaissent. Commencez par tester manuellement cinq requêtes du type « meilleur [métier] à [ville] ». Si vous êtes absent des trois, l’outil devient utile pour suivre la correction.

Sources

• Rand Fishkin et Patrick O’Donnell, New Research: AIs are Highly Inconsistent When Recommending Brands or Products, SparkToro, janvier 2026 : sparktoro.com
• Berk Atıl et al., Non-Determinism of « Deterministic » LLM System Settings in Hosted Environments, Association for Computational Linguistics, décembre 2025 : aclanthology.org/2025.eval4nlp-1.12
• Miguel Angel Alvarado Gonzalez et al., Do Repetitions Matter? Strengthening Reliability in LLM Evaluations, arXiv:2509.24086, septembre 2025 : arxiv.org/abs/2509.24086
• Justa, « Les meilleurs outils GEO et AI visibility en 2026 : comparatif et framework de décision », Benoît Eveillard, juin 2026 : justa.fr
• LLM-GEO.fr, « Outils de tracking GEO : Peec.ai, Profound, Otterly et les vraies questions sur la précision », avril 2026 : llm-geo.fr
• L’Agence WAM, « Outils GEO : promesses, biais et méthode pour mesurer votre visibilité », janvier 2026 : agence-wam.fr
• The Media Leader FR, « Comment les outils de mesure GEO accèdent aux réponses des LLM (et leurs limites) », avril 2026 : fr.themedialeader.com