Lorsqu’une marque cesse d’apparaître dans ChatGPT, ou lorsque sa part de voix dans Perplexity diminue de moitié sur un quart, la réponse typique de l’organisation marketing est d’écrire davantage de contenu. Parfois beaucoup plus. L’idée est que si les systèmes d’IA ne font pas surface à la marque, la solution consiste à leur fournir davantage de matériel avec lequel travailler. Cet instinct est un diagnostic erroné. Il s’agit d’une solution de récupération appliquée à un type de problème de plus en plus différent, et le coût se manifeste par un budget gaspillé, des trimestres manqués et un sentiment rampant que le travail n’est plus lié aux résultats.
L’erreur est de traiter la visibilité de l’IA comme un problème unique alors qu’elle ne l’est pas. Il existe trois couches structurellement différentes entre votre marque et la réponse qu’un utilisateur reçoit, chacune avec ses propres modes de défaillance, ses propres correctifs et, de plus en plus, son propre propriétaire organisationnel. Diagnostiquez la mauvaise couche et le correctif n’arrive pas.
Où s’est déroulée la majeure partie de la conversation
La première couche est la récupération. C’est là que la conversation sur l’optimisation de la recherche par l’IA s’est déroulée la majeure partie des deux dernières années. La mécanique est familière dans sa forme, sinon dans ses détails. Lorsqu’un modèle doit répondre à une question fondée sur un contenu du monde réel, il extrait des éléments pertinents de sources externes et utilise ces éléments pour construire la réponse. Le nom technique est génération augmentée par récupération, ou RAG, et la couche sur laquelle elle opère est la passerelle entre votre contenu et la sortie du modèle.
C’est là que l’exploration, l’analyse et la convivialité des blocs font leur travail. Si votre contenu ne peut pas être récupéré proprement, rien en aval n’a d’importance. Les plateformes de suivi de visibilité que la plupart des équipes marketing ont évaluées cette année mesurent les résultats qui dépendent du fonctionnement de cette couche, c’est pourquoi elles ont tendance à récompenser les mêmes disciplines qui ont produit de bons résultats dans la recherche classique : contenu structuré, balisage de schéma, réponses autonomes, mise en œuvre technique propre.
Mais la récupération a une limite structurelle, et Microsoft Research a été particulièrement direct à ce sujet. Plain RAG, selon leurs propres termes, a du mal à relier les points. Il récupère des morceaux de texte qui semblent pertinents pour la question, mais il ne peut pas raisonner sur la manière dont ces morceaux sont liés les uns aux autres. Lorsque la réponse nécessite de synthétiser des informations provenant de plusieurs sources, ou lorsque la question est suffisamment large pour que la bonne réponse dépende de la compréhension des modèles sur l’ensemble d’un ensemble de données, la récupération à elle seule échoue. Le modèle récupère les morceaux et doit deviner les relations, et c’est par deviner que les hallucinations entrent.
La question de discipline que pose cette couche est simple. Le modèle peut-il récupérer notre contenu et récupère-t-il le bon contenu pour la bonne requête ? La plupart des équipes marketing ont déjà une version de ce travail en cours, même si les tactiques spécifiques ont évolué par rapport au référencement classique. Mais la récupération n’est que la passerelle. Même lorsqu’un modèle récupère correctement votre contenu, ce qu’il en fait dépend de votre existence ou non en tant qu’élément reconnu dans la couche supérieure.
Où la reconnaissance d’entité fait le vrai travail
La deuxième couche est la couche de relations, et la structure dominante est le graphe de connaissances. Les principales infrastructures de recherche en maintiennent toutes un. Le Knowledge Graph de Google, Satori de Microsoft et le graphe de connaissances ouvert construit sur Wikidata et schema.org définissent collectivement comment votre marque est représentée en tant qu’entité, dans quelle catégorie vous appartenez et à quelles autres entités vous êtes connecté.
Il s’agit de la couche qui décide si les aperçus de l’IA et les réponses des grands modèles de langage vous traitent comme un membre reconnu de votre catégorie, ou comme une chaîne candidate floue parmi tant d’autres. Les marques qui existent en tant qu’entités claires et bien définies sont citées de manière cohérente. Les marques qui existent sous forme de jetons indifférenciés dispersés sur le Web ouvert sont comparées à cinquante autres candidats et perdent plus souvent qu’elles ne gagnent.
Les graphes de connaissances existent depuis suffisamment longtemps pour que la discipline soit raisonnablement mature. Balisage de schéma sur les propriétés détenues, dénomination et identifiants cohérents sur le Web ouvert, présence structurée sur les nœuds à haute confiance comme les entrées Wikidata et les plateformes d’évaluation, et la lente accumulation de mentions de marque dans des contextes que le graphique considère comme faisant autorité. C’est là que la marque non liée mentionne la conversation, car des mentions contextuelles cohérentes renforcent l’entité même sans lien hypertexte attaché. La solution à cette couche est structurelle plutôt que basée sur le volume. Écrire plus de contenu ne fait presque rien si la définition de l’entité en dessous est floue.
La question de la discipline ici est plus difficile que celle de la couche de récupération. Sommes-nous une entité propre et défendable dans notre catégorie, ou sommes-nous toujours comparés à cinquante autres chaînes candidates ? Une marque qui ne peut pas répondre à cette question par l’affirmative va perdre du terrain dans la recherche par IA, quelle que soit la quantité de contenu qu’elle produit, car la deuxième couche est celle où le modèle décide de quoi parle réellement votre contenu.
Le graphique de connaissances indique au modèle quelle est votre marque. Mais de plus en plus, votre marque doit fonctionner à l’intérieur d’un troisième niveau que la plupart des équipes marketing n’ont pas encore rencontré, où le modèle ne se contente pas de vous comprendre, il lui est demandé de raisonner sur vous au nom de quelqu’un qui prend une décision.
Les entreprises d’entreprises de couches se construisent tranquillement en ce moment
La troisième couche est le graphique contextuel, et celui-ci nécessite une introduction minutieuse car la plupart des conversations marketing ne l’ont pas encore atteint.
Un graphe contextuel a la même forme structurelle qu’un graphe de connaissances, avec des entités, des relations et des connexions typées, mais il est fondé différemment. Un graphe de connaissances modélise le monde. Il vous dit ce que sont les choses et comment elles sont liées en général. Un graphique contextuel modélise les données, les décisions, les politiques et la réalité opérationnelle d’une organisation spécifique. Le cadrage le plus clair que j’ai vu appelle un graphe de connaissances la bibliothèque et un graphe contextuel le manuel d’utilisation rédigé par les personnes qui dirigent réellement l’endroit. La bibliothèque vous indique ce qui existe. Le manuel d’utilisation vous indique ce qui est pertinent, ce qui est autorisé et ce qu’il faut faire immédiatement. La bibliothèque est une infrastructure sémantique en lecture seule. Le manuel d’exploitation est une couche opérationnelle vivante qui s’agrandit à chaque fois qu’un processus métier s’exécute.
Ce qui différencie un graphique contextuel de tout ce qui l’a précédé, c’est que la gouvernance vit à l’intérieur du graphique plutôt qu’à côté. Les politiques, les autorisations, les fenêtres de validité et les règles d’autorisation sont des nœuds que le graphique lui-même interroge, et non une documentation externe appliquée aux bords. Lorsqu’un agent récupère quelque chose à partir d’un graphique contextuel, le résultat a déjà été filtré selon ce qui est actuellement autorisé, actuellement valide et actuellement applicable. Le graphique évolue également continuellement, donc ce qu’il sait de vous cette semaine n’est pas nécessairement ce qu’il savait le trimestre dernier. C’est de là que vient le mot « gouverné » lorsque les gens dans cet espace parlent de récupération gouvernée. Ce n’est pas un cadre, mais plutôt l’architecture.
Cette architecture était auparavant invisible pour toute personne extérieure à l’organisation qui l’a construite, c’est pourquoi les spécialistes du marketing n’ont pas eu à y penser. Cela a changé lors de Google Cloud Next ’26, lorsque Google a introduit le catalogue de connaissances dans son nouveau Agentic Data Cloud. La propre description du produit par Google, écrite dans le contenu de son propre blog, indique que le catalogue de connaissances construit un graphique contextuel unifié et dynamique de l’ensemble de votre entreprise, vous permettant d’ancrer les agents dans toutes vos données et sémantiques commerciales. Cette phrase est le moment où le terme a quitté les blogs d’ingénierie des données et est entré dans le vocabulaire des achats des entreprises.
La raison pour laquelle cela est important pour le marketing est que les graphiques contextuels sont ce qui va alimenter la prochaine génération d’agents au sein des clients de votre entreprise. Gartner prévoit que 40 % des applications d’entreprise seront intégrées à des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Agents d’approvisionnement, agents de veille concurrentielle, agents de stratégie de contenu, agents d’évaluation des fournisseurs. Ces agents ne raisonneront pas sur votre marque depuis le Web ouvert. Ils raisonneront sur votre marque à partir du graphique contextuel de leur entreprise, et ce que ce graphique dit de vous dépend de ce qui y est ingéré.
C’est dans cette ingestion que réside le travail de marketing. La marque qui arrive au graphique contextuel fragmenté arrive faible. Si le positionnement de votre catégorie est incohérent entre les médias détenus et gagnés, le graphique détecte les contradictions et vous représente de manière ambiguë. Si les données de votre entité sont floues sur la deuxième couche, elles le restent lorsqu’elles sont transférées dans la troisième. Si votre signal tiers est mince ou contradictoire, le graphique n’a rien de solide auquel s’ancrer. Le travail se fait en amont du graphique, mais les conséquences se produisent en aval, dans le processus de raisonnement d’un agent que vous ne verrez jamais directement.
Je considère cette discipline comme visibilité gouvernée. La pratique consistant à s’assurer que votre marque arrive sur le graphique de contexte dans un état qui résiste à la récupération gouvernée. Définition d’entité claire, représentation tierce cohérente, données structurées fiables et position de catégorie qui ne s’effondre pas lorsqu’un agent traverse les relations qui l’entourent. Visibilité gouvernée n’est pas une nouvelle pile tactique. C’est le résultat d’un travail suffisamment bien effectué sur la deuxième couche pour que la troisième couche ait quelque chose de solide à ingérer.
La question de discipline à ce niveau est celle que la plupart des équipes marketing n’ont pas encore commencé à se poser. Lorsqu’un agent au sein de l’entreprise de notre client raisonne à notre sujet, que trouve-t-il, et la version de nous qu’il trouve est-elle celle sur laquelle nous voudrions qu’il agisse ?
Trois couches, trois problèmes différents, trois correctifs différents. Mais aussi trois zones de responsabilité différentes, et c’est là que la plupart des équipes perdent tranquillement du terrain.
La raison pour laquelle la plupart des équipes perdront cela même si elles travaillent dur
Chaque couche correspond à une responsabilité organisationnelle différente, et la plupart des équipes marketing ne possèdent proprement qu’une des trois.
- La couche de récupération est partagée avec le Web, les développeurs et parfois l’informatique. Le marketing influence ce qui est publié, mais l’infrastructure qui rend le contenu récupérable se trouve dans le domaine de quelqu’un d’autre.
- La couche du graphe de connaissances est véritablement le territoire du marketing. Discipline des schémas, définition de l’entité, signal tiers, cohérence de la marque, lent travail structurel qui s’aggrave au fil des années.
- La couche de graphes contextuels est l’endroit où le service informatique possède l’infrastructure au sein de l’organisation du client, mais le marketing doit influencer ce qui est ingéré. Le travail se fait en amont et les conséquences se font sentir en aval, souvent de manière invisible.
Les équipes qui gagnent en 2026 sont celles qui ont compris comment opérer dans les trois zones de responsabilité plutôt que de perfectionner leur travail sur une seule. La plupart des équipes que je vois optimisent encore leur propre contenu, qui est la couche de récupération, tout en perdant du terrain sur la définition des entités, qui est la couche des graphes de connaissances, et en restant complètement absentes de la conversation sur les graphes contextuels, qui est la couche où certaines entreprises se lèvent tranquillement en ce moment.
Le travail ne consiste pas à écrire plus de contenu. Le travail consiste à déterminer sur quelle couche le problème réside réellement et à mettre en place les disciplines nécessaires pour agir sur les trois. Visibilité gouvernée est la discipline de troisième niveau que le marketing va devoir développer, que le terme colle ou non. Les marques qui le construisent aujourd’hui auront l’air prêtes dans dix-huit mois. Les marques qui ne le font pas se demanderont pourquoi leurs investissements dans le contenu ont cessé de produire la visibilité qu’ils avaient l’habitude de produire.
Si quelque chose de tout cela correspond ou contredit ce que vous voyez au sein de vos propres équipes, je veux en entendre parler. Déposez un commentaire sur le niveau sur lequel votre travail a été concentré, où vous constatez des lacunes ou où les zones de responsabilité sont réparties au sein de votre organisation. Les modèles sont encore en train de se former et les conversations dans les commentaires ont tendance à être plus fraîches qu’autre chose.
De nombreux cadres de mesure pour ce type de travail se trouvent dans la couche Machine, qui étend les 12 KPI originaux de l’ère GenAI en quelque chose contre lequel les équipes peuvent réellement s’affronter.
Plus de ressources :
Ceci a été initialement publié sur Duane Forrester Decodes.
