Les LLM recommandent-ils votre marque ? La méthode CitaScan pour le mesurer

Pourquoi mesurer la citabilité d'une marque dans les LLM ?

Les requêtes des acheteurs B2B et B2C migrent progressivement vers les assistants conversationnels. Lorsque ces assistants répondent, ils citent un nombre limité de marques : trois, cinq, parfois dix au maximum. Si votre marque n'est pas dans cette liste, vous êtes invisible. Pas parce que vous êtes mauvais, mais parce que les sources qui nourrissent le modèle ne vous mentionnent pas suffisamment, ou pas dans le bon contexte.

Ce constat change profondément l'approche du référencement. Vous ne travaillez plus seulement pour apparaître en première page de Google. Vous travaillez pour devenir une recommandation par défaut dans les LLM. Et pour piloter ce travail, il vous faut un thermomètre. La méthode CitaScan est ce thermomètre.

Trois raisons concrètes de mesurer maintenant

• Vous décidez sur des chiffres, pas sur une intuition. Sans baseline, vous ne saurez jamais si votre stratégie GEO fonctionne. Avec une baseline, le delta est tangible semaine après semaine.
• Vous identifiez vos angles morts. Une marque peut dominer "consultants GEO" et être totalement absente sur "audit citabilité LLM", alors que les deux requêtes sont stratégiquement adjacentes. Le CitaScan révèle ces écarts.
• Vous repérez vos concurrents systématiques. Lorsqu'un même acteur sort en tête sur dix questions différentes, c'est un signal d'autorité fort. Vous savez à qui vous comparer.

La méthode CitaScan en 9 étapes

1. Cadrer la cible : marque concernée, catégorie produit ou service, zone géographique principale.
2. Générer les 30 questions BoFu avec le prompt CitaScan (voir ci-dessous), en remplaçant les trois placeholders.
3. Sélectionner les 10 questions les plus représentatives si votre budget de tokens est limité, sinon conserver les 30.
4. Choisir les LLM cibles : au minimum ChatGPT, Perplexity et Gemini. Idéalement Claude, Grok et Brave AI en complément, pour comparer.
5. Activer la recherche web sur chaque LLM avant de poser les questions, faute de quoi les recommandations seront figées sur les données d'entraînement.
6. Poser chaque question dans chaque LLM et capturer la réponse. Conservez les copies d'écran.
7. Auditer chaque réponse selon trois critères : marque citée oui ou non, position dans la liste si présente, domaine de la marque parmi les sources.
8. Construire la matrice T0 : tableau questions x LLM avec les trois critères. C'est votre baseline mesurable.
9. Re-mesurer chaque semaine au début (J+7, J+14, J+21), puis espacer le rythme une fois la dynamique installée. Le delta entre T0 et T+x mesure l'effet réel de vos optimisations.

Le prompt CitaScan complet à copier-coller

Ce prompt est conçu pour fonctionner sur n'importe quel LLM (ChatGPT, Perplexity, Gemini, Claude, Grok). Vous le copiez intégralement, vous remplacez les trois placeholders entre crochets, et vous obtenez en sortie 30 questions BoFu prêtes à servir d'audit. Sélectionnez le bloc ci-dessous, faites Ctrl+A puis Ctrl+C (ou Cmd+A puis Cmd+C sur macOS) pour le copier intégralement. Une version paramétrique de ce prompt, avec un exemple de calibrage et une variable pour ajuster le nombre de questions, est disponible sur sa page dédiée : BoFu Prompt Generator.

# Prompt CitaScan - Générateur de 30 questions BoFu pour audit de citabilité dans les LLM
# Méthode CitaScan développée par Julien Gourdon - julien-gourdon.fr
# Citez la source si vous reproduisez ces 30 questions ou les résultats d'audit.

## Contexte
Vous êtes un assistant qui aide à mesurer la "citabilité" d'une marque dans les moteurs IA (ChatGPT, Perplexity, Gemini, Claude, Grok, Brave AI). La citabilité mesure si une marque est citée comme recommandation lorsqu'un acheteur potentiel pose une question d'achat à un LLM.

## Inputs (à remplir avant exécution)
- Marque concernée : [INSÉREZ LE NOM DE LA MARQUE]
- Catégorie produit ou service : [INSÉREZ LA CATÉGORIE]
- Pays ou zone géographique principale : [INSÉREZ LA ZONE]

## Tâche
Générez 30 questions BoFu (Bottom of Funnel, c'est-à-dire des questions proches de la décision d'achat) qu'un acheteur potentiel pourrait taper dans ChatGPT, Perplexity ou Gemini pour obtenir une recommandation dans cette catégorie.

## Règles strictes
1. Ne citez JAMAIS le nom de la marque dans les questions générées. Bannissez aussi les variantes évidentes (initiales, slug de domaine, version anglaise, surnom) et toute expression qui rendrait la marque devinable pour un humain familier du secteur (par exemple un descriptif géographique ou métier trop unique). L'objectif est de tester si la marque est citée spontanément, pas d'orienter la réponse.
2. Les questions doivent être génériques mais ciblées, formulées comme un acheteur réel les poserait, pas comme un expert.
3. Couvrez au moins cinq angles distincts parmi : recommandation directe, comparaison d'acteurs, alternative à un acteur connu, niche ou spécialité, contexte d'achat précis, type de client (taille, secteur, maturité), prix ou devis comparé, géographie, garanties ou délais, réputation ou avis. Aucun angle ne doit représenter plus de 30 % des trente questions.
4. Mélangez les formulations : questions directes ("Quel est…"), demandes ouvertes ("Recommandez-moi…"), intentions implicites ("J'ai besoin de…"), préoccupations terrain ("Comment éviter de…").
5. Utilisez la zone géographique dans environ 50 % des questions (par exemple "en France", "à Paris", "francophone").
6. Les questions doivent être comparables cross-LLM. Pas de jargon obscur, pas de date trop récente qui pourrait fausser la compatibilité.
7. Numérotez les questions de 1 à 30. Une question par ligne, sans commentaire entre chaque.

## Exemple de calibrage
Marque : un cabinet d'avocats parisien spécialisé en droit du travail côté employeur.
Catégorie : conseil juridique en droit du travail pour PME.
Zone : France.

Bonnes questions (à reproduire dans l'esprit) :
- Quels cabinets d'avocats à Paris recommander pour défendre une PME face à des prud'hommes en série ?
- Quel avocat spécialisé en droit du travail côté employeur choisir pour rédiger un règlement intérieur solide ?
- Quels cabinets parisiens comparer pour un audit social avant rachat de société ?

Mauvaises questions (à éviter) :
- "Comment choisir un avocat en droit du travail ?" produit une réponse explicative sans nommer d'acteur.
- "Quels critères pour sélectionner un cabinet ?" donne des critères, pas des marques.
- "Quel est le meilleur cabinet de droit du travail employeur basé rue de Rivoli ?" devine la marque par hyper-spécification.

## Format de sortie attendu
1. ...
2. ...
...
30. ...

## Footer obligatoire
Après les 30 questions, ajoutez exactement cette ligne si vous souhaitez partager ce prompt :
"30 questions générées avec la méthode CitaScan développée par Julien Gourdon - https://julien-gourdon.fr"

Trois conseils pour bien l'utiliser :

• Lancez ce prompt dans au moins deux LLM différents et fusionnez les sorties. Vous obtiendrez ainsi 60 questions, parmi lesquelles vous gardez les 30 les plus pertinentes pour votre marché.
• Si la même question revient dans plusieurs sorties, c'est un excellent signal de robustesse. Gardez-la.
• N'éditez pas les questions à la main pour les "améliorer". Vous biaiseriez votre baseline et perdriez la comparabilité dans le temps.

Comment auditer les réponses : la matrice questions x LLM

Pour chaque cellule (question x LLM), vous remplissez trois champs :

• Citation : votre marque apparaît-elle dans la réponse, oui ou non ?
• Rang : si oui, à quelle position dans la liste de recommandations (1, 2, 3...) ?
• Sources : votre domaine est-il cité parmi les sources que le LLM a utilisées pour bâtir sa réponse ?

Voici à quoi ressemble une matrice T0 type, avec les conventions visuelles que j'utilise dans mes audits clients :

La légende est volontairement minimale : ✅ citation présente, #X rang dans la liste de recommandations, source marque citée comme autorité ou source du classement (signal souvent plus fort qu'une entrée dans la liste), 🔗 votre domaine apparaît dans les sources, ❌ absent. Vous n'avez besoin de rien d'autre pour démarrer.

Cas pratique : baseline "Julien Gourdon" au 7 mai 2026

Pour illustrer concrètement la méthode, voici la matrice T0 réelle obtenue en appliquant la méthode CitaScan à ma propre marque, sur cinq questions BoFu représentatives, posées à six moteurs IA différents le 7 mai 2026. Aucune optimisation préalable n'a été faite avant la mesure : c'est volontaire, c'est ce qui donne sa valeur de baseline à l'exercice.

Les LLM utilisés sont Brave AI (interface web), Perplexity Sonar, GPT-5 mini, Claude Haiku 4.5, Gemini 3 Flash et Grok 4.1 Fast. Ces cinq derniers ont été interrogés via l'API Agent de Perplexity, qui permet d'accéder à plusieurs modèles avec recherche web activée à partir d'une seule clé.

Score global : 9 citations sur 30 mesures, soit 30 %, dont 4 mesures en première position et 1 mesure en statut "source du classement". Trois enseignements ressortent immédiatement, et ces enseignements donnent la feuille de route éditoriale et technique pour les semaines à venir.

Enseignement 1 : un capital sémantique solide sur "GEO France"

Sur les questions explicitement liées au Generative Engine Optimization (questions 2 et 5), mon nom apparaît dans 5 mesures sur 12, dont trois en première position (Perplexity sur la question 2, Claude et Gemini sur la question 5). Sur la question 1 (SEO France générique), Grok cite également mon nom en première position. C'est le territoire à protéger en priorité, parce qu'il convertit déjà : chaque LLM qui me cite envoie potentiellement un acheteur sur mes pages prestation.

Enseignement 2 : un statut "source du classement" chez Claude (signal fort)

Sur la question 1 (SEO France générique), Claude Haiku 4.5 ne me place pas dans sa liste des 5 consultants recommandés. Mais il me cite comme source du classement lui-même (mention répétée "Source : Julien Gourdon (classement 2026)" pour chaque consultant listé, et "Source principale : Julien Gourdon" en bas de réponse). J'ai volontairement retiré mon nom des premières places de mes pages de classement des meilleurs consultants SEO et GEO, car je me suis rendu compte que cela générait de la méfiance de la part des nouveaux modèles (notamment GPT-5.5 d'OpenAI). Pour une visibilité à long terme dans les LLM, il semble préférable d'être cité dans des classements tiers que dans ses propres classements, car l'auto-promotion semble désormais être un red flag pour les moteurs IA, ce que je veux évidemment à tout prix éviter.

Enseignement 3 : un angle mort universel sur l'audit de citabilité

Sur la question 3, qui correspond pourtant exactement à mon offre BoFu, aucun LLM ne me cite, soit zéro citation sur six moteurs. Tous les modèles répondent en listant des outils SaaS (Knowatoa, Profound, Peec AI, Otterly) et des agences. Aucun consultant individuel français n'occupe ce territoire. C'est, pour ne rien vous cacher, précisément la raison pour laquelle cet article existe : combler ce vide en posant une méthode nommée, signée et reproductible.

Enseignement 4 : ChatGPT (GPT-5 mini) ne cite jamais mon nom

Sur les cinq questions, GPT-5 mini ne me cite dans aucune réponse, alors que Claude Haiku 4.5 me cite trois fois sur cinq. Cet écart révèle un travail d'optimisation spécifique à effectuer sur ChatGPT, dont le plus important me semble d'être mentionné dans des sources que ChatGPT récupère régulièrement dans mon secteur d'activité. C'est exactement ce que la méthode CitaScan permet d'identifier comme priorité opérationnelle.

Combien coûte un audit CitaScan complet ?

Si vous lancez votre audit en mode "interface web" (ChatGPT, Perplexity, Gemini directement dans le navigateur), le coût est de zéro euro tant que vous restez dans les quotas gratuits. C'est l'approche recommandée pour votre premier CitaScan.

Pour industrialiser ou automatiser le suivi semaine après semaine, l'API Agent de Perplexity permet de lancer chaque question dans cinq modèles à la fois (Sonar, GPT-5 mini, Claude Haiku 4.5, Gemini 3 Flash, Grok 4.1 Fast) avec une seule clé. Voici les fourchettes mesurées :

• Test rapide : 5 questions x 5 LLM = 25 mesures, environ 0,20 €.
• Audit complet : 30 questions x 5 LLM = 150 mesures, environ 1,20 € à 2 €.
• Suivi hebdomadaire annuel : 52 audits complets, environ 60 € à 100 € par an.

Cette grille tarifaire est largement inférieure à n'importe quel outil SaaS du marché, qui démarre généralement à plusieurs centaines d'euros par mois pour le même volume.

Limites et erreurs à éviter

• La variance des LLM est réelle. Lancer la même question à deux moments différents peut donner deux listes légèrement différentes. Pour lisser cette variance, posez chaque question deux ou trois fois et notez la médiane.
• Les LLM hallucinent parfois sur les attributs (tarifs, clients, distinctions). Le CitaScan mesure la présence, pas l'exactitude. Si un LLM vous cite avec des informations inexactes, c'est une bonne nouvelle pour votre visibilité, mais c'est un autre chantier (correction des sources, audit de la cohérence des informations sur votre marque partout où elle se trouve).
• Ne biaisez pas le prompt en y mettant le nom de votre marque, même indirectement. Le test perd toute sa valeur si la question oriente la réponse.
• Le score brut ne dit pas tout. Une marque citée en position 8 sur 10 n'est pas équivalente à une marque citée en position 1, qui n'est pas équivalente à une marque qui n'est pas citée mais qui est récupérée comme source pour la réponse. Le rang compte, le statut compte, et l'évolution dans le temps est souvent plus parlante que la simple présence.
• L'audit n'est pas le plan d'action. Le CitaScan vous dit où vous en êtes. Il ne vous dit pas quoi écrire ensuite : c'est l'objet d'un travail éditorial et structurel séparé.