Sommaire
Duane Forrester avance que les moteurs IA tendent à faire émerger un groupe restreint de marques pour plusieurs formulations proches, même lorsque leur ordre varie. Il s’appuie notamment sur trois travaux récents consacrés à l’accord entre modèles, à la personnalisation et à la reconnaissance des marques.
Duane Forrester, ancien responsable chez Bing et fondateur de la plateforme de mesure CitationIQ, propose une lecture différente de la visibilité de marque dans les moteurs IA. Il précise lui-même avoir un intérêt commercial dans ce domaine et présente son analyse comme une hypothèse appuyée par plusieurs travaux récents.
Son idée centrale porte sur ce qu’il appelle la convergence. Plusieurs formulations ou prompts peuvent conduire les moteurs à faire apparaître un petit groupe de marques, sans produire pour autant un classement stable.
Trois modèles s’accordent rarement sur la première place
Forrester cite un audit publié en juin 2026 portant sur 3 750 réponses, trois modèles et 250 requêtes de catégorie.
Les trois modèles ont désigné la même marque en tête dans seulement 41,6 % des cas. Ce chiffre montre une forte variabilité lorsqu’on cherche à reproduire un classement précis.
Le résultat change toutefois lorsque l’étude mesure l’accord majoritaire. Dans 91,6 % des requêtes étudiées, au moins deux des trois modèles ont placé la même marque en première position.
Pour Forrester, ces résultats suggèrent que les modèles peuvent varier sur l’ordre tout en faisant régulièrement revenir le même ensemble de candidats. Cette lecture rejoint la question de la manière dont les assistants construisent leurs recommandations.
Il distingue ainsi la stabilité d’une position précise de celle du groupe de marques retenues par les systèmes.
La personnalisation modifie surtout les marques intermédiaires
Une deuxième étude citée par Duane Forrester porte sur 2 000 exécutions réalisées avec dix personas d’acheteurs différents.
Les marques dominantes ont conservé environ 80 % de cohérence malgré les changements de persona. Les marques intermédiaires se sont montrées beaucoup plus sensibles au contexte.
Dans certains cas, jusqu’à 75 % des recommandations intermédiaires changeaient lorsque le profil supposé de l’utilisateur était modifié.
La personnalisation ne produit donc pas les mêmes effets sur toutes les marques observées dans cette étude. Les leaders restent relativement stables tandis que les autres noms composant la sélection peuvent davantage varier.
Ce comportement constitue aussi une limite à une lecture des réponses IA comparable à celle d’un rank tracker classique.
Une marque réelle recommandée dans 670 essais sur 670
Forrester cite également une expérience menée par des chercheurs de Trine University et Texas A&M.
Les chercheurs ont constitué des groupes de produits comprenant une marque réelle et neuf marques fictives préalablement validées. Les produits présentaient les mêmes caractéristiques déclarées, notamment les prix, notes, nombres d’avis et descriptions d’ingrédients.
Seul le nom de la marque variait.
Dans les 670 essais valides réalisés sur trois modèles, deux langues et quatre catégories de produits, la marque réelle a été recommandée systématiquement. Aucune marque fictive n’a été retenue.
Forrester rapproche cette observation du poids accordé aux marques reconnues dans plusieurs travaux consacrés à la recherche générative.
Le même audit de juin relève par ailleurs des catégories sans marque dominante dans seulement 8 % des 250 requêtes analysées.
Plusieurs formulations peuvent conduire à la même opportunité
Le raisonnement de Forrester porte également sur la manière de considérer les mots-clés et les prompts.
Le SEO traditionnel permettait de distinguer de nombreuses formulations proches et de les agréger comme autant d’opportunités de recherche. Les systèmes génératifs peuvent au contraire regrouper plusieurs formulations proches avant de construire leur réponse.
Google documente notamment le recours à plusieurs recherches connexes dans AI Overviews et AI Mode pour explorer des sous-thèmes avant de générer une réponse.
Forrester estime donc que plusieurs requêtes considérées séparément dans une analyse SEO peuvent finalement faire émerger le même ensemble de marques dans les interfaces génératives.
Dans son approche, l’objectif d’un outil de suivi ne serait alors pas seulement de mesurer une position, mais aussi d’observer si plusieurs formulations aboutissent à une sélection similaire.
Les données disponibles comportent encore plusieurs limites
Les analyses de visibilité IA reposent encore largement sur des panels de prompts synthétiques, alors que les distributions réelles des requêtes adressées aux assistants ne sont pas disponibles à grande échelle.
Forrester souligne également que la convergence varie selon les requêtes. Les résultats lui paraissent plus solides sur les questions informationnelles et les recherches de catégorie que sur des demandes commerciales très précises intégrant plusieurs contraintes.
Il ne peut donc pas déterminer si les groupes observés aujourd’hui conserveront la même stabilité à mesure que les modèles et les systèmes de retrieval évolueront.
