Les marques traitent la visibilité de l’IA comme un problème de production de contenu. Ce n’est pas le cas. Vous ne pouvez pas corriger les informations incorrectes ou obsolètes dans les LLM en publiant « simplement » des pages faisant plus autorité, en ajoutant plus de FAQ et de contenu de comparaison et en expliquant le produit « une fois de plus ». mais avec émotion.
Dans de nombreux cas où les informations sur une marque sont obsolètes ou erronées, le problème n’est pas manque de données. Le problème est trop données. Le problème est que la marque propose déjà trop de versions de la vérité et que la version qui correspond le mieux à la question de l’utilisateur n’est pas d’actualité.
Le site Web dit une chose. Un vieux PDF en dit un autre. La documentation produit utilise un langage que l’équipe marketing a abandonné il y a deux ans. Les biographies des dirigeants conservent des titres qui n’existent plus. Les pages partenaires décrivent les fonctionnalités qui ont changé. Certaines de ces déclarations sont fausses. D’autres étaient parfaitement exacts au moment de leur publication, mais c’était il y a trois ans et ne décrivent plus l’entreprise aujourd’hui.
La recherche traditionnelle pouvait classer plusieurs de ces pages simultanément et laisser l’utilisateur décider laquelle était la plus récente. Mais désormais, les produits de recherche IA récupèrent les sources et les utilisent pour construire une réponse unique. La réponse semblera établie même si les preuves sous-jacentes ne le sont pas.
Il ne s’agit donc pas simplement d’un problème de contenu. Il s’agit d’un problème de récupération et de gouvernance du contenu, et la recherche par IA en a également fait un problème de référencement.
L’invite détermine quelle version de la vérité est récupérée
Lorsqu’une personne pose une question à un LLM, l’invite fournit le cadre et une grande partie du vocabulaire utilisé pour trouver des informations complémentaires. Le système peut réécrire un peu la question ou exécuter plusieurs recherches associées, mais il essaie toujours de répondre à la question qui lui a été posée.
Cela est important lorsque la question contient une hypothèse dont l’utilisateur ne sait pas qu’elle est obsolète. Si quelqu’un demande : « Qui est le PDG de [Company]? » ils supposent que l’entreprise a toujours un PDG. Ils n’en savent pas assez pour se demander qui « dirige actuellement la marque », si la direction a été transférée à une société mère, ou quel nouveau rôle comporte la responsabilité équivalente la plus proche, et encore moins un nom correspondant.
Une recherche centrée sur le nom de l’entreprise et le mot « PDG » favorisera naturellement les pages contenant cette relation exacte. Les anciennes biographies, communiqués de presse, interviews, profils de conférences et annonces d’acquisition peuvent tous nommer un ancien PDG. La page de leadership actuelle peut utiliser un langage différent qui ne correspond pas à « PDG ». Les nouvelles informations peuvent utiliser « directeur général », « président de la marque », « vice-président directeur de la marque » ou un autre titre que l’utilisateur ne savait pas inclure.
Si les sources décrivant la nouvelle structure ne la relient pas explicitement à l’ancienne terminologie, elles risquent de ne jamais entrer dans l’ensemble de recherche. Le LLM ne peut pas citer une source qu’il n’a pas récupérée.
Le résultat est que l’ancienne réponse l’emportera car elle correspond au langage de la question. La réalité actuelle ne correspond pas et ne sera donc pas connectée.
Un exemple réel d’une entreprise qui doit rester anonyme
J’ai vu cela se produire IRL. Si vous deviez demander à un LLM qui est le PDG de l’entreprise (et non, *est*), il pourrait nommer l’un des quatre anciens dirigeants. Aucune des réponses n’a été inventée. Toutes les personnes ont détenu ce titre à un moment donné, et l’entreprise et son organisation mère disposent toujours de pages historiquement exactes documentant ces rôles.
La structure actuelle de l’entreprise utilise cependant un langage différent – des noms totalement différents pour ces rôles de leadership. La page de l’équipe de l’entreprise identifie son nouveau haut dirigeant en tant que vice-président directeur et directeur général, tandis que l’historique de l’entreprise décrit une équipe de direction (actuelle) plus large qui comprend des directeurs principaux de l’ingénierie et des produits. Les pages de leadership de l’organisation mère décrivent les dirigeants responsables du groupe commercial plus large contenant l’entreprise. Aucun de ces faits n’est formulé d’une manière qui pourrait être interprétée comme une réponse à la question « Qui est le [company]le PDG ?
Le dossier public n’est pas non plus entièrement cohérent. Le profil du leader actuel porte le titre de vice-président directeur et directeur général, mais fait toujours référence à cette personne en tant que PDG dans une copie d’introduction de certaines pages. La page historique préserve (et nomme) correctement les anciens PDG et les périodes pendant lesquelles ils ont occupé ce poste. Ainsi, un utilisateur posant la question évidente déclenche donc une récupération de plusieurs affirmations explicites du PDG tandis que l’équivalent actuel est décrit en utilisant une autre terminologie.
Cela semble compliqué et, pour être honnête, ça l’est vraiment. Et, s’il est difficile pour les gens de suivre, sachez qu’il est presque impossible pour un LLM de comprendre. C’est pourquoi le problème est plus compliqué que la simple mise à jour d’une page À propos.
L’invite elle-même contient un modèle organisationnel obsolète. À moins qu’une source actuelle ne relie explicitement l’ancienne question à la nouvelle structure, la récupération continuera à renvoyer l’ancien vocabulaire et les personnes qui y sont attachées.
Les informations actuelles doivent répondre à la vieille question
Comment pouvons-nous corriger le dossier dans ce cas ? La réponse instinctive est de publier une nouvelle page de leadership et de supposer que la correction se répercutera sur les réponses de l’IA. Parfois, cela aide, mais la publication n’est pas la même chose que la correction, et des informations précises écrites dans un vocabulaire inapproprié peuvent rester invisibles par rapport aux questions réellement posées.
Les marques ont besoin d’un contenu de transition qui relie le langage obsolète à la réalité actuelle.
Dans l’exemple de leadership, la phrase que vous devez publier (pour corriger le dossier) n’est pas simplement « Jane Smith est vice-présidente directrice et directrice générale ». Il s’agit : « Suite à l’acquisition, le [company] n’a plus de PDG autonome. Jane Smith mène désormais [company] en tant que SVP et directeur général au sein [Parent Company Group].»
Cette phrase rencontre l’utilisateur là où commence le malentendu. Il contient :
- L’ancien rôle.
- Explique pourquoi cela ne s’applique plus.
- Et nomme l’équivalent actuel.
Il donne aux systèmes de récupération une source qui correspond à « PDG » sans attribuer faussement le titre à quelqu’un d’autre. Ce même principe s’applique lorsque des produits sont renommés, des plans sont retirés, des entreprises fusionnent, des certifications expirent, des zones de service changent ou des fonctionnalités sont transférées dans des packages différents.
Ne présumez pas que les utilisateurs connaissent suffisamment bien le nouveau nom pour le rechercher. Publier le rapport entre le terme qu’ils utilisent encore et la réalité qui l’a remplacé.
Corrigez la chaîne de preuves, pas seulement la page la plus récente
Une fois qu’une réponse inexacte est identifiée, remontez-la à travers les citations et les résultats de recherche qui la soutiennent. Le but est de trouver la chaîne de preuves qui produit la réponse, et non de l’enterrer sous une autre page fraîchement publiée.
Les pages possédées peuvent être mises à jour, consolidées, redirigées ou annotées. Une ancienne annonce ne doit pas être réécrite pour prétendre que l’histoire s’est déroulée différemment, mais elle peut comporter une date claire, une note d’état ou un lien vers des informations actuelles. Les biographies actuelles ne doivent pas conserver des titres obsolètes dans la copie d’introduction. Les profils et répertoires de partenaires actifs peuvent être corrigés. Les PDF et les documents de vente qui ne devraient plus représenter l’entreprise peuvent être retirés ou étiquetés comme archives.
Les rapports tiers nécessitent plus de jugement. Vous ne pouvez pas exiger qu’une publication réécrive une histoire exacte vieille de cinq ans parce que l’organisation a changé par la suite. Vous pouvez rendre l’explication canonique actuelle facile à trouver et demander aux partenaires, annuaires et profils censés rester à jour de mettre à jour leurs enregistrements.
Parfois, la stratégie de contenu la plus efficace consiste à réparer l’ancien contenu que vous avez oublié d’avoir publié.
Un audit de visibilité de marque ne suffit pas, vous avez besoin d’un audit de revendication de marque
Un inventaire de contenu traditionnel enregistre les URL, les titres, le trafic, les classements et peut-être les données de conversion. Un audit de revendication de marque enregistre les affirmations factuelles faites par ces actifs. Pour la recherche par l’IA, elle doit également enregistrer la langue que les gens sont susceptibles d’utiliser lorsqu’ils posent des questions sur ces faits.
Pour chaque réclamation importante, documentez :
- La question ou l’invite qu’une personne est susceptible d’utiliser.
- Toute hypothèse obsolète contenue dans cette question.
- L’ancienne terminologie et l’équivalent actuel.
- Le fait actuel approuvé et sa source publique canonique.
- Autres pages, fichiers PDF, flux, biographies ou profils détenus dans lesquels apparaissent des versions plus anciennes.
- Les sources sont actuellement citées dans des réponses inexactes de l’IA.
- L’action requise : mettre à jour, annoter, consolider, rediriger, retirer ou créer du contenu de pont.
- L’équipe chargée de maintenir la réclamation et de l’examiner lorsque les conditions changent.
Ne limitez pas l’audit aux pages HTML. Recherchez des kits média, des supports de vente téléchargeables, du contenu du centre d’aide, des valeurs de schéma, des flux de produits, des listes de magasins d’applications, des biographies d’intervenants, des offres d’emploi et d’anciens sous-domaines. Demandez aux ventes, au support, aux ressources humaines, aux produits, aux services juridiques et aux communications quels documents ils publient sans impliquer l’équipe Web.
Le but n’est pas de forcer toutes les phrases à être identiques partout. Différents publics ont besoin de différents niveaux de détail. Les faits sous-jacents devraient aboutir à la même réponse, et le langage que les gens utilisent encore devrait les conduire à l’explication actuelle plutôt que de piéger une récupération passée.
Mesurez la précision, pas seulement la présence
Les rapports de visibilité de l’IA ont tendance à se concentrer sur le fait qu’une marque a été mentionnée, citée ou incluse dans un ensemble d’invites. Ce sont des observations utiles, mais la présence seule peut créer une fausse confiance.
Pour les invites de grande valeur, évaluez la réponse elle-même. Est-ce exact ? Est-ce actuel ? Répond-il à l’intention réelle de l’utilisateur ou accepte-t-il simplement une fausse prémisse intégrée dans la question ? Lorsque la réponse est fausse, inspectez les citations et reproduisez les recherches probables avant de supposer que le modèle est halluciné.
Une mention de marque n’est pas une victoire si la réponse nomme un ancien dirigeant, utilise un ancien prix, attribue une fonctionnalité abandonnée au produit actuel ou comprend mal la relation entre une marque et sa société mère.
Vous ne pouvez pas contrôler chaque phrase publiée sur votre marque et vous ne pouvez pas garantir qu’un système d’IA produira toujours la réponse que vous préférez. Vous pouvez vous assurer que les questions que les gens posent réellement mènent clairement à la vérité actuelle.
Ce travail ne générera pas de tableau de célébration montrant que l’équipe de contenu a publié 200 nouvelles pages. Cela rendra la marque plus facile à comprendre pour les moteurs de recherche, les systèmes d’IA, les clients, les journalistes et même ses propres employés. Dans l’environnement de recherche de l’IA, cette clarté fait partie de la visibilité.
Plus de ressources :
