MEIKAILe cadre de visibilité IA de l’IAB est là. C’est le jalon qui manquait au GEO.
En août 2026, l’IAB a publié Measuring Visibility in the AI Era, le premier cadre interprofessionnel décrivant comment la visibilité des marques et des éditeurs dans les réponses IA doit être mesurée, documentée et maintenue dans le temps. Il émane du Project Eidos, l’initiative de standards de mesure de l’IAB, élaboré par un groupe de travail réunissant des annonceurs (Walmart), des agences (WPP Media, PMG, Tinuiti), des éditeurs et des sociétés de mesure.
Le diagnostic du document est direct, et il est juste. Plus de 20 sociétés commercialisent aujourd’hui des outils de visibilité IA, chacune avec sa méthodologie, sa bibliothèque de prompts et son scoring, produisant des réponses différentes pour une même marque. Seules 16 % des marques suivent aujourd’hui leur visibilité IA de façon systématique, non par manque de budget mais parce que les acheteurs n’avaient aucune base pour évaluer ce qu’ils achetaient. Optimiser sans mesurer relève de la devinette et, jusqu’à cette publication, il n’existait aucune définition partagée de ce qu’est une mention, une citation ou une part de voix.
C’est pourquoi cette publication compte davantage que ne le laissent penser ses 36 pages. Un marché ne mûrit que lorsque la rigueur devient comparable. Le cadre offre aux acheteurs un vocabulaire, un niveau d’exigence et une checklist de transparence ; il offre aux fournisseurs sérieux ce que nous attendions depuis le premier jour : la possibilité de rivaliser sur la méthode plutôt que sur les promesses.
Transparence et méthode. Meikai est un fournisseur de mesure de visibilité IA : cet article est donc la lecture, par un acteur du marché, d’un cadre qui s’applique à lui. L’IAB ne note ni ne certifie aujourd’hui les fournisseurs, et rien ici ne constitue une validation de l’IAB. Les affirmations relatives aux capacités de Meikai qui suivent reflètent le produit et la documentation MCP disponibles à la date de publication ; les éléments de roadmap sont signalés comme tels. Il s’agit de l’auto-évaluation de Meikai, non d’une validation de l’IAB. Nous vous encourageons à nous appliquer l’exercice suggéré par le cadre, comme à chaque fournisseur de votre short-list : demandez ce qu’un prestataire doit divulguer avant que vous n’accordiez votre confiance à ses données.
Ce que dit réellement le cadre de l’IAB
Le cadre fait quatre choses, et se refuse délibérément à une cinquième. Il définit un vocabulaire de métriques partagé, fixe des standards de qualité, précise ce que les fournisseurs doivent divulguer et décrit comment conduire un programme de mesure qui reste comparable dans la durée. Il ne note pas les outils et ne prescrit aucun fournisseur. Son périmètre se limite à la visibilité organique ; la mesure des placements payants est signalée comme une lacune adjacente urgente.
Le vocabulaire des métriques s’organise autour des 4 P de la visibilité IA, une hiérarchie causale qui va du fait d’apparaître au fait d’agir :
| Couche IAB | Question centrale | Métriques de marque IAB |
|---|---|---|
| Presence | La marque apparaît-elle ? | Mention Rate, Citation Rate, Share of Voice, Visibility Momentum |
| Prominence | À quel endroit et avec quelle mise en avant ? | Position |
| Portrayal | Dans quel contexte, avec quelle exactitude ? | Sentiment, Framing, Hallucination Rate, Factual Inaccuracy Rate |
| Persuasion | La visibilité déclenche-t-elle une action ? | Recommendation Strength, Post-Citation CTR |
Au-dessus du vocabulaire se trouvent deux idées qui constituent, selon nous, le cœur du document. D’abord, la séparation entre mesure directionnelle et mesure decision-grade : les signaux de tendance sont légitimes, mais l’allocation budgétaire, le choix d’un fournisseur et la stratégie de direction générale exigent un niveau supérieur sur la taille d’échantillon, le volume de requêtes, la couverture des intentions, la fréquence, la reproductibilité, la validation, la documentation et la couverture des plateformes. Le mode de défaillance consiste à traiter une donnée directionnelle comme decision-grade sans s’apercevoir de l’écart.
Ensuite, le principe de transparence : des niveaux de qualité ne valent que si les acheteurs peuvent les vérifier ; les fournisseurs doivent donc divulguer leur couverture de plateformes, la construction de leur bibliothèque de prompts, la provenance de leurs requêtes, leur architecture de collecte, leur approche de validation et la gestion de leurs historiques de référence. Lorsqu’un fournisseur refuse de divulguer, cette absence est elle-même un signal.
Pourquoi c’est un jalon pour le GEO
Trois raisons, au-delà de l’évidence selon laquelle les standards précèdent la maturité sur tout marché de la mesure.
Cela met fin au grand désordre des définitions. Lorsque deux outils publient des parts de voix différentes pour une même marque, la discussion portait jusqu’ici sur le marketing le plus convaincant. Elle peut désormais porter sur le dénominateur retenu, la définition de l’univers concurrentiel et la méthode d’échantillonnage : autant de questions auxquelles on peut répondre.
Cela rend l’opacité coûteuse. Le cadre demande aux acheteurs de considérer une absence de transparence comme une faille majeure dans toute revendication de qualité. Cette seule phrase change la façon d’acheter. Les fournisseurs bâtis sur un scoring en boîte noire portent désormais la charge de la preuve.
Cela nomme honnêtement les problèmes difficiles. Le non-déterminisme ne se supprime pas par l’ingénierie, une mesure sur une seule réponse n’est pas une mesure, et une part de voix publiée comme une simple valeur ponctuelle suggère une fausse précision. Le cadre demande au secteur de publier des distributions, des fourchettes et des chiffres par plateforme. C’est inconfortable pour quiconque vend de la certitude, et parfaitement juste.
Nous le disons en tant qu’entreprise dont le nom signifie clarté. La transparence de la méthode est la position fondatrice de Meikai, et il est réellement encourageant de voir l’organisme de standards du secteur parvenir à la même conclusion : pas de boîte noire.
Comment Meikai se situe face aux 4 P
En résumé : Meikai est largement aligné sur les principes de mesure du cadre et met déjà en œuvre l’essentiel de son vocabulaire de base. Là où les formules coïncident directement, nous le disons ; là où Meikai emploie une autre taxonomie ou un indicateur de substitution, nous signalons la différence. Le tableau ci-dessous est vérifiable au regard de nos définitions de KPI dans la plateforme, documentées et interrogeables via notre serveur MCP.
| Métrique IAB | Meikai aujourd’hui |
|---|---|
| Mention Rate | Visibility Score : nombre de réponses mentionnant la marque divisé par le nombre total de réponses, par plateforme, marché, sujet et étape du funnel. Exactement le calcul spécifié par le cadre. |
| Citation Rate | Suivi des citations au niveau du domaine et de l’URL, incluant la part de citation, la classification par type de média, la fraîcheur et, lorsque le contenu de la page collectée est disponible, le fait que la page citée mentionne ou non la marque. |
| Share of Voice | Mentions de la marque cible divisées par les mentions de l’univers concurrentiel suivi par Meikai, sur le même ensemble filtré de réponses. Cet univers réunit la marque cible, les concurrents actifs définis par le client et une sélection de concurrents découverts, en excluant les entités ignorées. |
| Visibility Momentum | Les KPI de visibilité principaux sont suivis dans le temps à partir d’observations quotidiennes, sur des fenêtres plus longues. Les cycles de prompts sont versionnés, ce qui permet de distinguer une évolution de l’ensemble mesuré d’une évolution de la performance. |
| Position | Le Brand Position est le rang moyen, à l’échelle de la réponse, calculé sur la position de la première mention de chaque marque ; plus il est bas, mieux c’est. Il se distingue du Visibility Rank concurrentiel et de la position dans les carrousels shopping. |
| Sentiment et Framing | Brand Perception : notes d’attributs structurées de 1 à 5 par sujet, produit, plateforme et marché, face aux concurrents, suivies dans le temps. L’IAB note lui-même que la classification de sentiment manque de fiabilité sur un langage nuancé ; c’est la raison pour laquelle nous avons remplacé le sentiment de polarité par une notation par attributs. |
| Hallucination et exactitude factuelle | Les réponses brutes complètes sont conservées et consultables. Les signaux de perception, la reconnaissance d’entités et les preuves issues des pages citées aident les équipes à instruire les inexactitudes potentielles. Meikai ne publie pas encore le Hallucination Rate et le Factual Inaccuracy Rate définis par l’IAB comme des KPI formels par plateforme ; cette formalisation figure sur notre roadmap. |
| Recommendation Strength | Les signaux de perception et de position en couvrent une partie aujourd’hui ; l’IAB signale que cette frontière relève d’un jugement exigeant une grille explicitée, et nous partageons cet avis. |
| Post-Citation CTR | Site Scanner mesure les visites référées par l’IA au moyen d’un pixel de suivi first-party ; les logs CDN mesurent séparément l’activité des crawlers IA. Les plateformes n’exposant pas de dénominateur complet d’opportunités de clic, cela reste un signal de liaison directionnel plutôt qu’une mesure complète du CTR. |
Face au niveau decision-grade
La matrice de critères est l’endroit où le cadre a du mordant. Voici la correspondance, vérifiable.
| Critère decision-grade | Meikai aujourd’hui |
|---|---|
| Taille d’échantillon | Les prompts sont planifiés quotidiennement sur chaque plateforme activée, avec un suivi des taux de remplissage par fournisseur. Meikai expose les preuves de réponse et les volumes d’observations dans les endpoints concernés. Pour les estimations EIVA et de lift de citations, nous publions des bandes de qualité d’échantillon haute, moyenne et basse, avec des seuils documentés. |
| Volume de requêtes | Le plan Enterprise prend en charge jusqu’à 500 prompts suivis par marque et par marché, organisés en sujets et étapes de funnel configurables, et planifiés pour une mesure quotidienne sur les plateformes activées. Le cadre considère qu’en dessous de 50 requêtes par programme, on reste au stade exploratoire. |
| Couverture des types de prompts | Full-funnel par construction : notoriété, considération, conversion, avec une distribution explicitée et des résultats segmentables par étape. |
| Fréquence des tests | Planifiée quotidiennement sur les plateformes activées, sous réserve de la disponibilité des fournisseurs et des taux de remplissage suivis. |
| Reproductibilité | L’extraction des mentions de marque est déterministe pour une réponse figée et un dictionnaire de marques daté. Des instantanés quotidiens du dictionnaire et des jeux de tests multilingues permettent un retraitement historique reproductible. |
| Validation des données | Des tests de données déterministes conditionnent les changements en CI, tandis que des contrôles d’intégrité, de fraîcheur, de déduplication et de taux de remplissage fournisseur surveillent la qualité du pipeline. Prompt Studio permet aux équipes clientes de valider sujets et prompts avant publication. |
| Documentation méthodologique | Les formules de KPI et les définitions de scoring sont documentées et accessibles dans la plateforme comme via MCP. Les sujets et les prompts sont partagés et validés avec les équipes clientes avant lancement. |
| Couverture des plateformes | La plateforme Meikai reconnaît 13 surfaces de réponse IA, dont Qwen, Ernie, Doubao, DeepSeek et Clova. La disponibilité réelle et la couverture quotidienne dépendent du marché, du fournisseur et de la configuration client. |
| Agrégation multiplateforme | Les vues agrégées sont accompagnées de ventilations par plateforme et par modèle, ce qui permet aux équipes d’examiner les divergences plutôt que de s’en remettre à un chiffre unique mélangé. |
Sur la stabilité, troisième pilier du cadre, notre cohorte de déperdition des citations de mars à juillet 2026 illustre le sérieux avec lequel nous traitons les écarts liés aux plateformes par rapport à ceux liés au marché : une même modification de pages sources a ramené les citations ChatGPT à 12,2 % de leur niveau de référence tandis que Perplexity se maintenait à 109,5 %, sans aucune campagne média en cours. Un score mélangé aurait comptabilisé cela comme une performance de marque. Le reporting par plateforme n’est pas une préférence de fonctionnalité : c’est ce qui rend l’attribution honnête. L’analyse complète figure dans notre étude sur la déperdition des citations.
Ce que nous ne satisfaisons pas encore complètement
Le cadre demande aux fournisseurs de se différencier par la rigueur plutôt que par les promesses ; voici donc la liste honnête de nos écarts.
Taxonomie d’intentions. L’IAB segmente les requêtes en informationnelles, comparatives, de recommandation et transactionnelles. Notre taxonomie repose sur les étapes du funnel (notoriété, considération, conversion), qui couvrent le même terrain avec d’autres coutures. Nous publierons une correspondance explicite entre les deux, afin que les acheteurs puissent comparer nos éléments de transparence à périmètre égal.
Taux de représentation erronée nommés. Nous exposons les réponses brutes, les signaux de perception et les preuves issues des pages citées, que les équipes peuvent utiliser pour instruire des inexactitudes potentielles, plutôt que de masquer les réponses sous-jacentes. Ce que nous ne publions pas encore, ce sont le Hallucination Rate et le Factual Inaccuracy Rate en tant que deux taux nommés distinctement, par plateforme, face à une source de vérité fournie par la marque, dans les définitions exactes de l’IAB. Cette formalisation figure désormais sur notre roadmap, et nous estimons que la séparation opérée par l’IAB entre les deux (fabrication par la plateforme contre restitution fidèle d’une source erronée) est la bonne, parce que les remèdes diffèrent.
Seuils de variabilité. Le groupe de travail a délibérément laissé ouverts les seuils quantitatifs de variabilité acceptable. Pour les estimations EIVA et de lift de citations, nous publions aujourd’hui des bandes de qualité d’échantillon et des contrôles de confiance. Nous alignerons des fourchettes publiées plus larges sur les valeurs du groupe de travail lorsqu’elles paraîtront.
Rien de tout cela ne modifie notre lecture du document. Un cadre qui permettrait à un fournisseur de revendiquer un sans-faute dès le premier jour ne vaudrait pas grand-chose.
Là où nous pousserons le secteur à aller plus loin
Nous entendons nous aligner sur ces standards partout où ils rendent la mesure plus comparable. Nous entendons aussi plaider, au sein du débat professionnel, pour trois points sur lesquels le document devrait évoluer.
La mesure du payant ne peut pas rester une annexe. Le cadre se limite à la visibilité organique et signale la normalisation de la mesure payante comme une priorité adjacente urgente, puisque citations organiques et placements payants s’affichent désormais sur la même surface de réponse. Nous partageons ce constat, et nous opérons sur cette surface depuis le lancement de ChatGPT Ads : notre position est que payant et organique doivent partager une même couche de planification et jamais un même score. Le secteur devrait normaliser cette séparation avant que ne prolifèrent les tableaux de bord mêlant payant et organique. Notre point de vue est exposé dans notre comparatif des plateformes GEA.
Les prompts réels des consommateurs doivent passer d’élément de transparence à dimension de qualité. Le cadre impose déjà aux fournisseurs d’indiquer si leurs jeux de requêtes sont synthétiques ou ancrés dans des comportements réels. Nous pensons que la prochaine révision devrait aller plus loin : une bibliothèque de prompts jamais confrontée à ce que les gens demandent réellement à l’IA peut être parfaitement reproductible et répondre avec précision aux mauvaises questions, ce que le cadre reconnaît lui-même. Meikai exploite des données de panel de prompts réels anonymisées dans ses travaux de recherche et dans certains workflows Prompt Studio, afin de vérifier si le monitoring synthétique reflète une demande consommateur authentique ; notre méthodologie de modélisation des prompts en détaille l’approche générale.
Le Portrayal mérite mieux qu’une polarité. Le cadre reconnaît franchement que l’exactitude de la classification de sentiment varie et qu’un langage descriptif neutre domine les contextes commerciaux. C’est aussi notre expérience, et c’est pourquoi nous notons plutôt des attributs structurés sur une échelle de 1 à 5. Nous plaiderons pour l’entrée de la perception par attributs dans le vocabulaire de base à mesure que la couche Portrayal gagnera en maturité.
Et lorsque le cadre de transparence deviendra un programme de certification, comme le document l’anticipe, nous ferons partie du premier groupe de candidats.
Ce que cela implique pour les acheteurs ce trimestre
N’attendez pas la certification. La checklist de transparence est déjà utilisable dans vos achats. Demandez à chaque fournisseur de votre short-list, nous compris, quelles plateformes et quelles versions de modèles il couvre, comment sa bibliothèque de prompts est construite et rafraîchie, si les requêtes sont synthétiques ou ancrées dans des comportements consommateurs réels, comment les mentions sont détectées à travers les écritures et les langues, sur quoi ses données sont validées, et comment les références historiques sont gérées lors des mises à jour de modèles. Confrontez ensuite les réponses à la décision que vous prenez : une preuve directionnelle pour un point d’information, une preuve decision-grade pour un budget.
Si vous voulez voir comment Meikai répond à ces questions sur votre propre marque et vos marchés, échangez avec notre équipe. Nous vous montrerons les réponses brutes derrière chaque chiffre, car c’est tout l’enjeu.
Méthode et sources
La description du cadre résume le document de l’IAB Measuring Visibility in the AI Era, publié en août 2026 dans le cadre du Project Eidos et lu intégralement à la date de publication. Les affirmations relatives aux capacités de Meikai reflètent le produit, la documentation MCP et les analyses citées disponibles à la date de publication ; les éléments de roadmap sont signalés comme tels. Les chiffres de citations portent sur une cohorte fixe de 126 marques monitorées de mars à juillet 2026, mesurées en citations pour 1 000 réponses de plateforme ; la méthode complète et ses limites figurent dans l’analyse liée. Il s’agit de l’auto-évaluation d’un acteur du marché face à un cadre publié, non d’un audit indépendant.
- IAB: Measuring Visibility in the AI Era, August 2026
- Documentation MCP Meikai, incluant les définitions de KPI et les concepts clés
- Meikai : analyse de la déperdition des citations LLM
- Meikai : méthodologie de modélisation des prompts
- Meikai : comparatif des plateformes GEA
- Meikai : présentation de la sécurité
Questions fréquentes
Qu’est-ce que le cadre Measuring Visibility in the AI Era de l’IAB ?
Un cadre interprofessionnel publié par l’IAB en août 2026 dans le cadre du Project Eidos. Il définit un vocabulaire commun pour les métriques de visibilité IA (les 4 P : Presence, Prominence, Portrayal, Persuasion), un standard de qualité à deux niveaux distinguant la mesure directionnelle de la mesure decision-grade, une checklist de transparence fournisseur pour les achats, et des pratiques permettant de garder une mesure comparable dans le temps. Il ne note pas les fournisseurs et ne couvre pas la mesure des placements payants, qu’il identifie comme un chantier à venir.
Quelles sont les 4 P de la visibilité IA ?
Presence (la marque apparaît-elle : Mention Rate, Citation Rate, Share of Voice, Visibility Momentum), Prominence (à quel endroit et avec quelle mise en avant : Position), Portrayal (dans quel contexte et avec quelle exactitude : Sentiment, Framing, Hallucination Rate, Factual Inaccuracy Rate) et Persuasion (la visibilité déclenche-t-elle une action : Recommendation Strength, Post-Citation CTR). La hiérarchie est causale : chaque couche ne compte que si celle du dessus tient.
Quelle différence entre mesure directionnelle et mesure decision-grade ?
La mesure directionnelle repère des tendances et des signaux précoces ; elle convient aux points internes et à la veille concurrentielle. La mesure decision-grade satisfait une exigence plus élevée sur la taille d’échantillon, le volume de requêtes, la couverture des intentions, la fréquence, la reproductibilité, la validation, la documentation et la couverture des plateformes ; elle peut soutenir une allocation budgétaire, un choix de fournisseur et une stratégie de direction générale. Les deux sont légitimes ; l’erreur contre laquelle l’IAB met en garde consiste à traiter une donnée directionnelle comme si elle était decision-grade.
Meikai satisfait-il le cadre de l’IAB ?
Meikai est largement aligné sur le cadre : définitions des métriques, mesure quotidienne planifiée sur les plateformes activées, couverture des prompts, reconnaissance de marque reproductible, documentation méthodologique et analyse par plateforme. Les plans Enterprise prennent en charge jusqu’à 500 prompts suivis par marque et par marché. Deux chantiers restent en cours d’alignement : la correspondance entre la taxonomie funnel de Meikai et la taxonomie d’intentions de l’IAB, et la formalisation du Hallucination Rate et du Factual Inaccuracy Rate en KPI publiés séparément par plateforme. Les bandes de qualité d’échantillon s’appliquent aujourd’hui à certaines estimations de lift de citations plutôt qu’à toutes les métriques. Il s’agit de l’auto-évaluation de Meikai ; aucune certification IAB n’existe à ce jour.
Que faut-il demander à un fournisseur de visibilité IA avant de faire confiance à ses données ?
La liste de transparence du cadre est le bon point de départ : couverture des plateformes avec les versions de modèles, construction de la bibliothèque de prompts et fréquence de rafraîchissement, provenance des requêtes (synthétiques ou ancrées dans des comportements réels), architecture et méthode de collecte des données, validité du panel lorsqu’un panel est utilisé, approche de validation, logique de détection et de désambiguïsation des mentions, traitement de l’exactitude factuelle et gestion des historiques de référence. Un refus de transparence est déjà une réponse.