AI & Technology

Dans l'habillement, un score de visibilité IA mesure les questions

L'étude de Dekuple Insight sur ChatGPT et Gemini a dénombré 496 enseignes dans 560 réponses sur l'habillement, la dispersion la plus large des six secteurs du commerce français. Un article arXiv publié par un éditeur d'outils de visibilité montre que les profils de marques agrégés s'effondrent quand les questions changent : le chiffre utile à un distributeur d'habillement est l'intention pour laquelle chaque moteur le cite.

A nautilus at a sorting table watches hundreds of different clothing labels spill from two chat windows marked ChatGPT and Gemini, beside a grocery crate that holds a few labels repeated many times.

Admiral Neritus Vale

Dekuple Insight a passé deux mois à enregistrer la façon dont ChatGPT et Gemini recommandent des enseignes françaises dans six secteurs. Comarketing-News a publié le communiqué, qui recense 496 enseignes dans 560 réponses sur l’habillement. Le score de visibilité IA d’un distributeur d’habillement décrit les questions sur lesquelles il a été calculé, et le chiffre qui vaut la peine d’être connu est plus étroit : l’intention pour laquelle chaque moteur cite le distributeur. Le communiqué ne dit pas à quelle fréquence chaque enseigne est apparue, si bien que ce décompte mesure l’étendue, pas la stabilité.

L’habillement est le secteur le plus dispersé de l’étude. Si l’on divise le nombre d’enseignes de chaque secteur par son nombre de réponses, l’habillement ressort, d’après nos calculs, à 0,89, le plus haut des six ; l’alimentaire se situe à 0,18. EcommerceMag et e-marketing.fr ont publié les six décomptes le 2 octobre, tous deux à partir du même communiqué. Ce ratio a deux explications innocentes. La mode compte un univers d’enseignes bien plus vaste que l’alimentaire, et le communiqué ne précise pas comment Dekuple décide de ce qui compte comme une enseigne.

L’affirmation centrale de Dekuple, reprise par The Media Leader FR le 29 septembre, est que chaque intention construit son propre champ de concurrents. L’intention propre à l’habillement était les tendances. Notre lecture, que le communiqué ne confirme pas, est que les questions de tendances appellent de nouvelles marques, de sorte qu’une partie de la dispersion de l’habillement pourrait tenir à la liste de prompts. Le communiqué ajoute que seuls les leaders les mieux établis sont restés relativement stables, tandis que les positions secondaires variaient selon le modèle, les sources et la période. Ce constat vaut pour l’ensemble de l’étude, pas pour l’habillement seul. Le communiqué cite douze enseignes, aucune pour l’habillement, et Dekuple n’a publié aucune méthode au-delà de ses effectifs d’échantillon.

Dmitrij Żatuchin, fondateur de l’éditeur d’outils de visibilité IA Rankfor.AI, montre dans un article soumis à arXiv le 23 septembre qu’une seule réponse trahit le moteur qui l’a rédigée. Son corpus rassemble les réponses de cinq systèmes en production, dont GPT-5.2 et Gemini 3 Flash, à des questions sur les cadeaux, la réputation d’entreprise et la « propriété de catégorie », cette dernière demandant quelle marque possède une catégorie. Les réponses ont été collectées l’hiver dernier. Il n’a pas étudié l’habillement : l’analogie est donc de nous. Sur des réponses tronquées à leurs 800 premiers caractères, une réponse isolée permettait d’identifier le système qui l’avait écrite dans 97,84 % des cas. L’article situe l’essentiel de ce signal dans la mise en forme : masquer les noms de marques et les mots à majuscule l’a à peine fait bouger.

Le comportement des marques, la matière que résume un rapport de visibilité IA, n’a pas survécu à un changement de domaine. Żatuchin a agrégé les réponses en profils des habitudes de marques de chaque système, et un classifieur entraîné sur les profils de propriété de catégorie a attribué tous les profils de cadeaux au mauvais système. Dans les réponses sur les cadeaux, Gemini 3 Flash citait 8,41 marques par réponse et GPT-5.2 en citait 0,94. L’ordre s’inversait pour la propriété de catégorie : l’écart apparent entre moteurs dépendait donc de la question. Deux réserves s’imposent : le dictionnaire de marques de l’article sous-estime les marques de cadeaux citées par GPT-5.2, et l’inversion repose sur la minorité de réponses de Gemini qui n’ont pas été tronquées. Żatuchin indique que l’inversion est cohérente avec l’échec du transfert, sans qu’il soit démontré qu’elle en soit la cause.

Dans les données de Żatuchin, l’écriture d’un moteur a survécu à un changement de questions, pas ses habitudes de marques.

L’annexe de l’article montre jusqu’où de tels chiffres peuvent se propager avant que quiconque les refasse tourner. Elle corrige une version antérieure, dont certaines valeurs « ont figuré dans des conférences, des publications et un livre », et retire des affirmations pour lesquelles, écrit-il, aucun code n’existe. La victime la plus citable, un écart de sentiment entre GPT et Gemini, passe de +0,511 à +0,043 dès que les réponses de GPT sont ramenées à la longueur de celles de Gemini auxquelles elles sont appariées. L’essentiel de la chaleur mesurée tenait à la longueur. Son verdict pour quiconque lit des chiffres de visibilité IA est que, dans ce corpus, un profil de comportement de marque « ne se transfère pas entre les deux domaines où il pouvait être testé ».

Le meilleur argument en faveur du score est qu’il n’a jamais eu besoin de voyager. Un distributeur qui relance chaque mois un jeu de prompts fixe, comme les trackers de marque relancent un questionnaire, tire des enseignements des variations, même si le niveau veut dire peu. Cela tient à une condition : les variations doivent venir de ce que le distributeur a fait. Les résultats de Dekuple vont dans l’autre sens, puisque les positions secondaires jugées instables variaient avec le moteur et ses sources autant qu’avec le temps. Un delta mensuel ne dit pas lequel de ces facteurs a joué, et ajouter des prompts ne séparerait pas l’effet du distributeur de celui du moteur.

L’unité qu’un distributeur d’habillement peut exploiter est l’intention pour laquelle il est cité, et les résultats de Dekuple sur le sport le montrent. Décathlon apparaît dans 80 % des réponses de ChatGPT aux questions de qualité dans le sport, mais n’arrive en tête que dans 30 % d’entre elles. Un score de présence porte la question au crédit de Décathlon ; le classement, lui, l’attribue la plupart du temps à quelqu’un d’autre. Les moteurs, selon la lecture de Dekuple, donnent à Décathlon le rôle de l’accessibilité et du rapport qualité-prix, et à Au Vieux Campeur celui de l’expertise technique.

L’intention doit se lire moteur par moteur, car ChatGPT et Gemini ne décrivent pas le même marché. Sur les questions techniques de sport, Gemini a cité 34 marques distinctes et ChatGPT 15, Gemini s’élargissant aux spécialistes de niche et ChatGPT se concentrant sur un noyau de leaders. Une marque de niche peut donc apparaître chez un moteur et disparaître chez l’autre pour la même question. Les réponses sur les cadeaux de Żatuchin montrent un écart semblable sur une autre mesure, le nombre de marques par réponse, et il s’inverse pour la propriété de catégorie. Fusionner les deux moteurs en un seul score gomme la différence sur laquelle un distributeur pourrait agir.

L’intention indique aussi sur quelles preuves un distributeur doit travailler, puisque les sources des moteurs changent avec la question. Pour les faits opérationnels comme la livraison, la disponibilité et le retrait en magasin, ce sont les sites des enseignes elles-mêmes qui portent la réponse : ils représentent 91 % des domaines utilisés par les moteurs pour les services omnicanaux dans la high-tech. Dekuple a mesuré cela dans la high-tech ; le transposer à l’habillement est notre analogie. Pour les jugements de qualité, de prix et de fiabilité, les moteurs se tournent vers les associations de consommateurs, les comparateurs, les médias spécialisés et les plateformes d’avis. Un distributeur d’habillement qui achète un audit de visibilité IA cet automne peut payer pour un seul chiffre, qui dépend de la liste de prompts de l’éditeur, ou pour une grille d’intentions par moteur, qui décrit ce qu’il peut changer. S’il achète le chiffre, son budget finira par servir les questions de l’éditeur.