← Retour au blog
Founder ColumnGEOAI VisibilityAnalyticsAgentic CommerceAI Commerce
Les chiffres Adobe et BrightEdge semblent incompatibles : moins de 1% de trafic referral IA d’un côté, environ 15% d’activité agent de l’autre. Ils mesurent deux plans différents : le navigateur et le serveur.
Le last-click échoue lorsque l’IA agit avant le dernier clic. Un utilisateur découvre une marque sur Perplexity, la compare sur ChatGPT, puis achète via recherche de marque. GA4 crédite Organic Search, alors que l’IA a créé l’intention.
Quatre modes d’échec reviennent : influence IA classée Direct, requêtes agent invisibles pour GA4, referrers IA mal reconnus, fragmentation entre plusieurs plateformes. Les MMP voient aussi mal l’amont Web influencé par l’IA.
Il faut une attribution en couches : AI Exposed, AI Referred, AI Assisted, AI Last-Touch, Agent Checkout, MMP Confirmed. Chaque couche a une valeur et une limite probatoire.
Il faut aussi distinguer croissance observée, croissance comparable et extension de couverture. Après Edge Lite, une hausse forte des requêtes peut révéler des données auparavant invisibles plutôt qu’une explosion réelle de la demande.
Concrètement, les limites du last-click ne doit pas être traité comme une simple initiative de contenu. Données produit, réponses IA, requêtes d’agents, visites, comportements et commandes doivent être lus comme une même chaîne de preuve. Sans cela, l’équipe ne peut pas arbitrer correctement entre contenu, données, intégration technique et budget.
Il faut aussi conserver une discipline de mesure. La recherche IA et l’Agentic Commerce sont observables, mais pas encore aussi stabilisés que les canaux paid media classiques. Prompt sampling, referrers, logs serveur et commandes Shopify ont chacun leurs angles morts. La bonne approche sépare preuve forte, signal d’assistance et corrélation.
L’attribution IA devient fragile si tous les signaux sont compressés dans un ROAS unique. Il faut d’abord nommer la couche de preuve.
Couche | Sens | Preuve | Fiabilité |
|---|---|---|---|
AI Exposed | La marque apparaît dans une réponse IA | Snapshot de réponse, SOV | Faible à moyenne. Pas causal |
AI Referred | Une visite vient de l’IA | Referrer, UTM, JS first-party | Moyenne. Preuve de visite |
AI Assisted | Une visite IA est dans le parcours | Session path, multi-touch path | Moyenne à haute. Preuve d’assistance |
AI Last-Touch | L’IA est la dernière visite avant achat | AI referrer vers purchase session | Haute. Lien direct |
Agent Checkout | Agent exécute via API | UCP, ACP, logs API | Très haute. Encore rare |
MMP Confirmed | Le MMP confirme un signal IA | AppsFlyer, Adjust postback | Haute. Dépend de l’intégration app |
Il faut aussi distinguer les types de croissance. Une hausse après Edge Lite peut être une vraie demande ou simplement une couverture nouvelle. Seule une croissance comparable, à définition constante, permet un arbitrage budgétaire fiable.
Type de croissance | Apparence | Lecture |
|---|---|---|
Observed Growth | Forte hausse après mise en place | Vérifier d’abord le changement de couverture |
Comparable Growth | Même définition, même période, hausse réelle | Peut indiquer demande ou comportement |
Coverage Expansion | Plus de signaux après bot detection ou Edge Lite | Une couche auparavant invisible devient visible |
Cette méthode évite de surestimer ou sous-estimer l’IA. Le comité de direction voit séparément revenu confirmé, preuve forte de visite, assistance et exposition. Les décisions de budget deviennent alors liées à la couche à renforcer.
Dans la pratique, la refonte de l’attribution IA ne doit pas être traité comme un simple sujet éditorial. C’est une décision opérationnelle : qui possède l’exposition, la visite, l’assistance et la conversion au-delà du last-click, quelles données soutiennent la promesse, et à quelle fréquence ces données sont-elles mises à jour ? Sans cette discipline, on produit plus de contenu sans rendre les preuves plus fiables pour l’IA.
La première séparation consiste à distinguer ce qu’un humain comprend sur la page de ce qu’un agent peut vérifier. Un bon design ne compense pas un Schema faible, un feed obsolète, des politiques peu lisibles ou des avis non structurés. À l’inverse, une marque peut rester candidate dans les comparaisons si la couverture de mesure, la croissance comparable et la jointure commande est cohérent.
La mesure doit suivre cette logique. Chaque semaine, il faut séparer exposition, requêtes agent, visites issues de l’IA, comportements commerce et connexion aux commandes. Chaque mois, seule la croissance comparable sous même définition doit être interprétée comme progression. Une hausse après un nouveau tag peut simplement refléter une meilleure couverture.
L’ordre de travail compte : réduire les erreurs d’interprétation, enrichir les données lisibles par machine, améliorer l’expérience après l’arrivée, puis renforcer le lien avec le revenu. Cet ordre évite de mélanger contenu, qualité de données et attribution.
Pour les marchés francophones, la précision des preuves de confiance est essentielle : livraison, retours, conformité, avis, disponibilité et prix doivent être explicites. L’IA ne recommande pas volontiers ce qu’elle ne peut pas vérifier.
A: Requêtes serveur invisibles, referrers incomplets et recherche de marque influencée par l’IA.
A: Un modèle qui sépare les niveaux de preuve de l’exposition IA jusqu’au revenu.
A: Pas encore comme chiffre unique fiable. Il faut d’abord des baselines par couche.
A: Non. Il ajoute les signaux IA amont que les MMP ne voient pas.
Cet article est un actif de preuve. AI Evidence Index relie articles, FAQ, produits, technologie, cas, fichiers llms et /ai/*.md.
L’audit de visibilité IA identifie les citations, recommandations et lacunes de preuve.
Demander un audit IA