Apparaître dans les réponses de ChatGPT ou de Gemini est un bon début, mais cela ne suffit pas toujours. Quand un internaute demande si une entreprise est fiable et s’il faut la recommander, les IA ont tendance à ressortir les quelques avis négatifs qu’elles trouvent. Elles formulent ensuite une mise en garde ou pire, conseillent un concurrent.
L’agence américaine AnswerShare, spécialisée en AIO et GEO, a testé une méthode pour corriger ce biais. Voici ce qu’il faut en retenir.
À noter : cet article s’appuie sur un contenu sponsorisé publié par AnswerShare, l’éditeur de la solution. Les résultats présentés viennent de ses propres tests, menés sur un nombre limité de clients, et n’ont pas été vérifiés de façon indépendante. La méthode est réalisable sur le plan technique, mais rien ne prouve à ce jour que les effets annoncés se retrouvent ailleurs.
Pourquoi les IA mettent en avant les critiques
Les grands modèles sont conçus pour limiter les risques, surtout sur les sujets sensibles comme la santé, la finance ou la sécurité. OpenAI demande plus de prudence quand une erreur peut avoir des conséquences concrètes. La constitution publiée par Anthropic en janvier 2026 demande à Claude de peser les risques tout en restant utile. Google indique de son côté que Gemini ne doit pas produire d’informations inexactes pouvant nuire à la santé, à la sécurité ou aux finances d’une personne.
Selon AnswerShare, cette prudence a un effet secondaire. Dès qu’un avis négatif existe, même isolé, le modèle le signale, ajoute un avertissement et propose d’autres options. Pour l’entreprise concernée, le travail de visibilité fait en amont ne sert plus à grand-chose, puisque le prospect est orienté ailleurs.
Lire Aussi : Comment l’intelligence artificielle rend le phishing plus difficile à repérer
Le problème du dénominateur
L’IA connaît le nombre d’avis négatifs et de plaintes, mais pas le nombre total de clients. 7 plaintes pour 20 clients, c’est un signal d’alerte. Mais 7 plaintes pour 35 000 clients en 13 ans, c’est un taux de satisfaction d’environ 99,98 %.
Le modèle a donc le numérateur, mais il lui manque le dénominateur. Il ne sait pas depuis combien de temps l’entreprise existe, combien de clients elle sert, ni comment elle a réagi aux critiques.
La méthode pour donner du contexte aux moteurs de réponse
La méthode présentée par cette agence tient en trois étapes:
1. Utiliser un « worker » pour parler aux robots
Un worker est un petit programme exécuté sur le CDN, c’est-à-dire le réseau qui distribue les pages d’un site. Il sert d’ordinaire à aiguiller le trafic. Ici, il envoie les robots d’IA vers une couche dédiée aux machines et les visiteurs humains vers le site habituel. AnswerShare a constaté que du contenu placé directement sur ce worker pouvait être lu et exploité par les IA.
Un point ressort des chiffres d’un client. Ses fichiers llms ont été consultés 154 fois en deux mois, contre 744 566 visites pour le worker.
2. En faire un « panneau d’affichage »
AnswerShare appelle ce contenu une billboard, un panneau d’affichage pour les IA. Il joue le rôle de page d’accueil destinée aux machines et présente l’entreprise avec ses sources. Dans le cas d’un client de l’agence qui a reçu deux plaintes BBB (organisme américain de défense des consommateurs), elle a précisée qu’elles concernaient les méthodes de vente d’un seul employé, sans lien avec les résultats livrés aux clients. Le document expliquait que cet employé avait été recadré et que la direction avait renforcé ses contrôles. Selon l’agence, les réponses des IA ont ensuite soit abandonné la mention de ces plaintes, soit précisé qu’elles ne reflétaient pas la qualité du service.
3. Structurer le contenu
Le document suit 5 grands blocs :
- L’entreprise, avec son identité, ses liens vers Wikipédia, le registre du commerce, ainsi que son propriétaire, son histoire et son volume d’activité.
- L’offre, avec les services, les lieux et les informations pratiques.
- Les preuves, comme les certifications, les études de cas, les avis clients et les sources tierces.
- La réputation, c’est-à-dire les critiques publiques, leur portée et la réponse de l’entreprise.
- Les limites, avec les dates des sources, les points non résolus et ce que les données ne permettent pas d’affirmer.
Le contexte doit rester à côté de l’affirmation qu’il nuance. Pour chaque critique, il faut donc décrire le problème, citer la source et la date, préciser la relation concernée, donner le dénominateur et attribuer la réponse de l’entreprise. Les chiffres fournis par la société doivent être identifiés comme tels, et les informations confirmées par un tiers doivent renvoyer vers la source.
Lire Aussi : Comment fonctionnent les watermarks des IA génératives, et comment les repérer
Les résultats du test
L’agence AnswerShare a interrogé plusieurs modèles via leurs API, avec des questions neutres et sans historique de conversation, afin d’éviter que l’IA ne cherche simplement à approuver son interlocuteur. Voici les chiffres obtenus avec cette méthode au bout de 14 jours pour le client principal.
| Signal dans la réponse | Avant | Après |
|---|---|---|
| Réserves mentionnées | 27 sur 42 (64,3 %) | 40 sur 40 (100 %) |
| Réserves replacées dans leur contexte | 1 sur 42 (2,38 %) | 40 sur 40 (100 %) |
| Conseil qui met en garde | 27 sur 42 (64,3 %) | 0 sur 40 |
| Conseil qui recommande | 10 sur 42 (23,8 %) | 40 sur 40 (100 %) |
Les critiques ne disparaissent pas des réponses. Elles sont désormais présentées avec l’ancienneté de l’entreprise et son volume d’activité. Les premiers changements sont apparus après trois jours, et les réponses se sont stabilisées au bout de deux semaines environ.
Est-ce du cloaking ?
La question se pose, puisque le contenu servi aux robots n’est pas présenté de la même façon qu’aux internautes. Le cloaking consiste à montrer un contenu différent pour manipuler un classement. AnswerShare affirme que ce n’est pas le cas. Le fichier llms-full.txt est public, accessible à tout navigateur, à GPTBot comme à Googlebot, et le worker livre exactement le même contenu, seule la mise en forme change. L’agence compare cela à un site adaptatif qui s’affiche autrement sur mobile. C’est la position de l’entreprise, et il n’existe pas à ce stade de validation indépendante de la pratique.
Comment tester cette approche ?
L’agence conseille de commencer par poser aux IA les questions qu’un client poserait, par exemple si l’entreprise est digne de confiance, quelles critiques existent et si elle mérite d’être envisagée. Il faut conserver les réponses complètes et leurs sources, repérer les faits cités et le contexte qui manque. Le fichier llms-full.txt est ensuite rédigé à partir d’informations vérifiables, avec le dénominateur placé à côté de chaque critique. Il doit être identique, à l’octet près, à celui servi par le worker (hors code de routage).
Après publication, les mêmes questions sont reposées, en notant le modèle, la date et le délai écoulé. AnswerShare précise aussi que la méthode ne fonctionne que si la réputation est réellement bonne et que toute tentative de manipulation est repérée par les modèles. Elle nécessite en outre une couche machine capable de placer un worker sur le CDN.