Étude de cas
Nous nous sommes audités en premier.
Le premier cas CiteGap est notre propre site, demandfieldnotes.com, passé par les mêmes 30 questions d'acheteur sur ChatGPT, Perplexity et Gemini, mesuré deux fois sur deux jours. Aucun client n'a signé. Aucun autopromotion de fournisseur n'entre en jeu. Le jour 1 est mesuré et publié ci-dessous ; le retest du jour 2 et les deux moteurs bloqués arriveront quand ils seront mesurés.
Ce que le jour 1 a réellement mesuré.
Le cycle a commencé le 12 novembre 2026. Sur les 90 cellules prévues (30 questions d'acheteur × 3 moteurs), 15 ont produit des réponses mesurables, toutes sur Perplexity. ChatGPT était bloqué à l'entrée : notre IP de sortie proxy est rejetée par le bord d'OpenAI, les rejets archivés dans le journal du cycle. Gemini n'acceptait aucune soumission anonyme, et son chemin de retest exige un compte Google propre que nous n'avions pas. Les deux remédiations figurent dans le journal au lieu d'être maquillées.
Nommé dans 2 des 15 réponses mesurées : une au nom seul, une avec substance. 4 des 15 répondaient à propos d'un autre produit qui porte notre nom, un SaaS de suivi hebdomadaire appelé CiteGaps.
Étagère de découvrabilité : absent. Dans les 9 questions mesurables de découvrabilité et de cas d'usage, les concurrents nommés incluaient Profound, Semrush AI Visibility, Peec AI, Otterly, AthenaHQ, Scrunch et Ahrefs Brand Radar. Les concurrents l'emportaient sur nous à peu près 3 contre 1 dans les réponses mesurées.
Là où du contenu existe, la citabilité fonctionne. L'unique question pour-et-contre a produit une réponse exacte et bien sourcée qui citait nos propres pages, aux côtés d'une pièce jointe au mauvais domaine et du tracker homonyme. La désambiguïsation d'entité, pas la qualité du contenu, est notre écart.
Signaux de confiance : quasi zéro. La seule preuve tierce que le moteur a remontée pour nous est une soumission Product Hunt sans avis substantiels. Pas de page uptime, pas de citations de clients, pas de couverture indépendante. Consigné, et maintenant sur notre propre liste de corrections.
Base de mesure : 30 questions d'acheteur par moteur, un seul passage le jour 1, 15 des 90 cellules mesurées. Chaque chiffre ci-dessus est traçable jusqu'aux journaux question par question. Le retest du jour 2 et les deux moteurs bloqués arriveront sur cette page quand ils seront mesurés, pas avant.
Les mécanismes que l'auto-audit devrait exposer.
Les pages que les moteurs ne peuvent pas analyser ne sont pas citées
Des données structurées et une ouverture qui répond d'emblée rendent une page prélevable. Les pages qui enterrent la réponse sous le texte marketing sont survolées ou sautées. Nos propres pages ne sont pas exemptées, et l'audit les vérifie comme il vérifie un site client.Ce qu'une expérience sur 1 885 pages a trouvé au sujet de JSON-LD.
L'absence au moment de la comparaison remet le deal à celui qui s'est présenté
Quand un acheteur demande à un moteur de comparer des options, le moteur nomme les fournisseurs qu'il peut appuyer avec des sources. Si vous n'êtes pas dans cette réponse, la vente a commencé sans vous. Notre propre catégorie n'est pas plus douce : les acheteurs qui comparent les audits de visibilité IA posent exactement cette question aux moteurs.Pourquoi être nommé bat le classement.
Les moteurs répètent ce qu'ils peuvent citer, et se couvrent sur le reste
Si le seul matériau à votre sujet est votre propre copie marketing, la réponse reste vague, et l'éloge vague ne survit pas à une décision d'achat. Les questions de phase de décision sur la confiance, les résultats et les risques n'obtiennent des réponses assurées que quand des preuves citables existent.Ce qui se passe quand l'IA recommande un fournisseur inconnu.
Les faits périmés font couvrir les moteurs, et se couvrir perd des deals
Les moteurs conservent des captures de semaines différentes. Si les prix, la catégorie ou les détails d'entreprise divergent entre captures, la sortie sûre est une réponse assortie de réserves. L'audit confronte ce que les moteurs affirment à ce que le site affirme aujourd'hui, et tout décalage devient un ticket de correction. La méthode complète est documentée sur la page méthodologie.
Ce qui se cache derrière les chiffres publiés.
Chaque chiffre publié de l'auto-audit remonte au paquet de preuves que la pipeline produit à chaque cycle :
Journaux de réponses par question. Chaque réponse de chaque moteur, pour les deux jours : la question posée, le texte intégral de la réponse, qui a été nommé, et à quelle position.
Capture des citations. Quelles sources chaque réponse a citées, enregistrées par round, pas reconstruites après coup.
Instantanés de réponses. Quand un moteur n'offre aucun lien public stable, le texte de la réponse est capturé tel quel et archivé.
Tickets de correction. Le ticket que l'audit a produit pour chaque écart, pour qu'une affirmation publiée corresponde à un changement réellement effectué.
Le paquet est archivé et vérifiable. Les chemins de fichiers internes restent internes ; ce qui est publié, ce sont les chiffres et la base de mesure, pas la disposition du stockage. Sur les cycles payants, les réponses brutes font partie du livrable, pour qu'un client puisse recalculer chaque chiffre du rapport.
Vous travailleriez avec la personne qui a mené cet audit.
Demand Field Notes est un laboratoire d'une personne. Les questions, les cycles, le rapport et la réponse à votre courriel viennent de la même personne. Posez-nous toutes vos questions sur la méthode, ou commencez par la vérification gratuite sur votre propre page d'accueil.
Les détails de la méthode d'abord ? Lire la méthodologie. Full pricing lives on the page tarifs.