Audit de véracité des IA génératives : comment vérifier ce que ChatGPT, Gemini et Perplexity disent (vraiment) de votre marque

Pendant deux ans, la question posée aux marques était : « est-ce que ChatGPT me connaît ? ». C'est en train de changer. La vraie question devient : « est-ce que ChatGPT dit des choses exactes sur moi ? ».

La nuance compte. Être absent d'une réponse coûte une opportunité. Être mal représenté coûte une vente, parfois une réputation.

Le problème n'est plus seulement d'être absent, c'est d'être mal représenté

Un audit récent de NewsGuard, qui teste chaque mois une dizaine de récits manifestement faux sur les principaux chatbots, a mesuré que la part de réponses reprenant une fausse affirmation est passée de 18% à 35% entre juillet 2024 et août 2025. Près du double en un an, alors même que les modèles progressent par ailleurs et répondent aujourd'hui à quasiment 100% des questions, au lieu de s'abstenir prudemment comme en 2024.

Dans ce même audit, les écarts entre modèles sont significatifs.

Source : NewsGuard, audit mensuel des chatbots d'IA, août 2025.

Un audit plus récent, mené en français en avril 2026 sur Le Chat de Mistral, va plus loin : quand un utilisateur demande simplement une précision sur une rumeur, sans chercher à manipuler le modèle, le taux de reprise de fausses informations grimpe à 70% en français, contre 60% en anglais.

Autrement dit, les garde-fous sont moins solides sur le contenu francophone. Un point que toute marque française qui suit sa présence dans les IA a intérêt à garder en tête.

Ces audits portent sur l'actualité et les sujets sensibles. Mais le même mécanisme joue exactement de la même façon quand un modèle répond à une question sur une entreprise : ses produits, ses prix, sa localisation, ses recommandations. Et c'est là que la véracité cesse d'être un sujet théorique pour devenir un sujet business. D'autant que la moitié des conversations dans ChatGPT relèvent d'une aide à la décision, comme le montrent les données NBER sur l'usage réel de l'outil.

Pourquoi les IA se trompent particulièrement sur les marques

Les sources citées ne sont pas les vôtres

Un LLM ne « sait » rien par cœur sur une entreprise donnée. Quand il répond à une question de marque, il s'appuie le plus souvent sur une génération augmentée par récupération (RAG), qui va chercher des passages jugés pertinents avant de rédiger une réponse.

Or une analyse d'Omniscient Digital portant sur plus de 23 000 citations de LLM montre que ce ne sont pas les sites des marques elles-mêmes qui dominent ces citations, mais les médias, forums et plateformes d'avis externes, qui représentent près de la moitié des sources retenues sur les requêtes liées à une marque.

Concrètement : le site institutionnel bien tenu pèse moins que ce qui se dit ailleurs sur le web.

Les modèles sont incités à deviner

À cela s'ajoute un biais documenté par OpenAI elle-même dans un rapport de recherche : les procédures d'évaluation standard valorisent une réponse tentée, même fausse, plutôt qu'un aveu d'incertitude. Ce qui pousse structurellement les modèles à deviner plutôt qu'à dire qu'ils ne savent pas.

Un ancien tarif, une gamme arrêtée, un concurrent cité à votre place : ce ne sont pas des bugs isolés, mais une conséquence prévisible du fonctionnement des modèles.

Ce que couvre concrètement un audit de véracité de marque

Contrairement à un audit type NewsGuard, centré sur la désinformation d'actualité, un audit de véracité appliqué à une marque cherche à répondre à des questions plus opérationnelles :

• Exactitude factuelle : le modèle décrit-il correctement vos produits, vos prix, votre zone de service, votre positionnement ?
• Attribution des sources : quand le modèle cite une source, est-ce votre propre contenu ou un tiers, souvent plus ancien ou approximatif ?
• Confusion concurrentielle : le modèle vous confond-il avec un concurrent, ou le recommande-t-il à votre place sur vos propres requêtes ?
• Stabilité dans le temps et entre moteurs : la réponse est-elle la même sur ChatGPT, Gemini, Perplexity et Claude, et reste-t-elle stable d'une semaine à l'autre ?

Ces quatre dimensions correspondent à ce que mesure la Recommendation Visibility : la fréquence et la qualité avec lesquelles une marque apparaît quand un utilisateur exprime une intention dans un système IA. C'est l'objet du pilier Search & AI Visibility.

Comment mener l'audit, étape par étape

Plusieurs méthodologies publiées convergent sur une même trame, qu'on la mène à la main ou avec un outil.

1. Construire une liste de requêtes représentatives

Marque, produits, zones géographiques, comparatifs (« X vs Y »), requêtes de recommandation (« que recommandez-vous pour... ») et requêtes sectorielles. Pas seulement le nom de l'entreprise : la majorité des occasions de recommandation se jouent sur des questions où la marque n'est jamais citée par l'utilisateur.

2. Interroger plusieurs moteurs, plusieurs fois

Les réponses varient d'un modèle à l'autre et d'une session à l'autre. Une agence spécialisée recommande de répéter chaque requête deux à trois fois avant de conclure. Une réponse unique, sur un seul moteur, ne constitue pas une mesure.

3. Qualifier chaque réponse à trois niveaux

Une méthode publiée distingue si la marque est simplement visible (elle existe quelque part dans la réponse), mentionnée (citée nommément) ou recommandée (mise en avant avec un lien). À chaque niveau, la question de l'exactitude des faits énoncés se pose séparément : une marque peut être recommandée avec un argument faux.

4. Répéter dans la durée

Un audit ponctuel donne une photo à un instant T. Il atteint vite ses limites dès qu'il faut suivre l'évolution ou comparer plusieurs concurrents sur plusieurs mois.

La limite de l'audit manuel

C'est précisément le point 4 qui casse la méthode manuelle.

Poser cinq questions à la main sur ChatGPT donne un signal utile un jour donné. Mais un audit de véracité sérieux suppose de croiser plusieurs dizaines de requêtes, sur plusieurs moteurs, répétées à intervalles réguliers, avec un historique comparable pour détecter une dégradation.

C'est ce que confirment les audits NewsGuard eux-mêmes, menés mensuellement depuis juillet 2024, précisément parce qu'une mesure isolée ne dit rien de la tendance.

C'est un travail d'orchestration et de suivi, pas un travail de rédaction. C'est là qu'un outil de monitoring devient pertinent.

Industrialiser l'audit avec Nanga

C'est l'angle que couvre le module GEO de Nanga. Plutôt que de poser les questions à la main une fois de temps en temps, la plateforme orchestre en continu une bibliothèque de plus de 500 prompts sur 8 LLMs (ChatGPT, Claude, Gemini, Perplexity, Copilot, Mistral et autres), capture l'historique complet des réponses obtenues, et compare automatiquement votre marque à vos concurrents sur chaque requête.

Concrètement, cela transforme les quatre étapes manuelles décrites plus haut en un suivi permanent :

• Suivi de visibilité par LLM et par requête, avec alertes dès qu'un changement de position est détecté.
• Historique des réponses, ce qui permet de repérer si un modèle a commencé à répéter une information erronée sur votre marque, plutôt que de le découvrir par hasard.
• Analyse sémantique des citations concurrentes, pour comprendre pourquoi un concurrent est cité à votre place et sur quelles sources il s'appuie.
• Tableaux de bord qui traduisent ces écarts en décisions marketing plutôt qu'en simple score.

L'AI Visibility Index agrège ces mesures en un score unifié de présence dans l'écosystème IA, et le Decision Engine transforme les écarts détectés en priorités d'action. C'est le principe du Marketing Intelligence System : relier la visibilité dans les réponses IA aux décisions d'investissement, plutôt que d'empiler des indicateurs.

L'objectif n'est pas de remplacer la vigilance humaine, mais de lui donner la régularité et l'échelle qu'un audit ponctuel ne peut pas offrir, sur un sujet où, comme le montrent les chiffres NewsGuard, la situation évolue vite et pas toujours dans le bon sens.

Par où commencer

Deux études sectorielles montrent à quoi ressemble cette mesure appliquée à un marché réel, avec les prompts, les scores et les écarts concurrentiels :

• Étude GEO : les destinations d'été dans les réponses des IA
• Étude GEO : mode féminine premium et soldes été 2026

Pour un audit sur votre propre périmètre de marque et de concurrents, demandez une démo.

Sources :

• NewsGuard, Le taux de fausses informations répétées par les chatbots d'IA a presque doublé en un an.
• Silicon.fr, Chatbots IA : ça se dégrade sur la fiabilité des informations.
• Archimag, 35% : le taux de fake news relayées par les chatbots d'IA a presque doublé en un an.
• Siècle Digital, Mistral AI face à un sérieux problème de désinformation avec son chatbot grand public.
• Semjuice, Hallucinations IA : protéger sa marque des erreurs des LLMs.
• Genn, Visibilité ChatGPT : 5 tests pour auditer votre marque.
• Agence MYA, Audit de visibilité IA : testez votre présence dans ChatGPT et Perplexity.
• Olenx, Auditer gratuitement sa visibilité IA.
• toonetcreation, Audit de visibilité IA : comment savoir si votre entreprise est visible dans ChatGPT, Gemini, Perplexity et Google AI Overviews ?