💻 computer science

Category-Conditioned Web Exposure Tracks Brand Presence in ChatGPT Fanout Queries

Cette étude révèle que la sélection par ChatGPT de marques pour les requêtes de dispersion de recherche Web initiales est dictée par un processus de classement limité, influencé par la présence web spécifique à une catégorie plutôt que par la simple reconnaissance de marque, comme en témoigne le fait que des marques bien connues sont souvent omises malgré le fait qu'elles soient connues du modèle.

Auteurs originaux : Antony Deroshan

Publié 2026-09-28

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Antony Deroshan

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Lorsque vous demandez à une intelligence artificielle moderne et connectée à Internet quelles sont les meilleures caméras ou les meilleurs outils de gestion de projet, la machine ne se contente pas de parcourir le Web et de choisir les premiers résultats qu'elle trouve. Avant même de consulter une seule page Web, l'IA rédige sa propre requête de recherche. Ce premier brouillon, créé en une fraction de seconde, inclut souvent des noms de marques spécifiques comme Canon ou Sony. Cela se produit avant que l'on puisse voir les résultats de recherche réels, qu'ils soient produits par un humain ou un ordinateur. La machine décide, en avance, des entreprises qu'elle est prête à évoquer. Cette décision initiale est cruciale car le moteur de recherche cherchera alors des pages concernant ces marques spécifiques, ce qui les rend beaucoup plus susceptibles d'apparaître dans la réponse finale. Si une marque est omise de ce premier brouillon, elle devient presque invisible, même si la machine sait que la marque existe.

Cela soulève une question déconcertante pour quiconque cherche à comprendre comment ces systèmes fonctionnent : si l'IA connaît une marque, pourquoi l'omet-elle parfois de ce premier brouillon ? La machine oublie-t-elle la marque, ou fait-elle un choix délibéré ? Une nouvelle étude menée par le chercheur indépendant Antony Deroshan examine précisément ce moment de décision. La recherche se concentre sur un type spécifique d'intelligence artificielle capable de chercher sur le Web, en observant comment elle choisit les noms d'entreprises à inclure dans sa requête de recherche initiale. L'étude demande si la machine ignore simplement certaines marques ou si elle les filtre activement selon une règle cachée. Les conclusions suggèrent que la machine connaît parfaitement les marques, mais qu'elle est contrainte de les omettre car elle est soumise à une limite stricte sur le nombre de noms qu'elle peut lister à la fois.

Pour comprendre la mécanique de ce phénomène, le chercheur a d'abord dû séparer ce que la machine sait de ce qu'elle choisit de dire. Il a demandé à l'IA, avec son accès à Internet désactivé, de citer les marques leaders dans des catégories telles que l'email marketing, les logiciels de service client et les caméras. La machine a été capable de nommer de nombreuses marques, y compris certaines qu'elle mentionne rarement lorsqu'elle effectue une recherche réelle sur le Web. Par exemple, lorsqu'on lui a demandé quelles marques lui venaient à l'esprit pour l'email marketing, la machine a nommé « Campaign Monitor » dans 49 cas sur 50. Cependant, lorsque la même machine a été sollicitée pour effectuer une recherche en direct sur les meilleurs outils d'email marketing, elle n'a inclus « Campaign Monitor » dans la requête de recherche initiale qu'une seule fois sur 50. La machine connaissait clairement la marque, mais elle l'a systématiquement omise de la requête de recherche. Cet écart entre la connaissance et l'action a prouvé que l'omission n'était pas un défaut de mémoire.

Le chercheneur a ensuite construit une simulation pour comprendre pourquoi cela se produisait. Il a créé une version de l'IA capable de rédiger des requêtes de recherche, mais qui n'était pas autorisée à consulter de véritables sites Web. Il a testé ce simulateur en lui demandant de lister des marques sous différentes contraintes. Lorsqu'il a demandé au simulateur de rédiger une requête très courte, celui-ci a abandonné les mêmes marques que la machine réelle. Mais lorsqu'il a demandé au simulateur de lister autant de marques que possible, il les a toutes incluses, y compris celles qui étaient habituellement laissées de côté. Cela a révélé que la machine n'exclut pas les marques parce qu'elle ne les aime pas ou ne les connaît pas ; elle les exclut parce qu'elle dispose d'un budget serré pour le nombre de noms qu'elle peut faire tenir dans une seule phrase. La machine est essentiellement un bibliothécaire avec une liste très courte à écrire. Si la liste ne peut contenir que trois noms, elle choisira les trois meilleurs, et la quatrième meilleure marque, aussi célèbre soit-elle, sera totalement absente de la liste.

L'étude a également examiné ce qui détermine quelles marques figurent sur cette liste courte. Le chercheur a trouvé un lien étroit entre la fréquence à laquelle une marque apparaît sur Internet par rapport à sa catégorie spécifique et la position qu'elle occupe sur la liste interne de la machine. Par exemple, si une marque de caméras est mentionnée fréquemment sur des sites Web qui parlent également de caméras, elle est plus susceptible d'être incluse dans la requête de recherche. Cependant, cela ne fonctionne que si le décompte est spécifique à la catégorie. Une entreprise qui fabrique de nombreux produits différents, comme une grande firme technologique qui vend des caméras, des téléphones et des ordinateurs, peut apparaître sur des millions de sites Web. Si l'on compte chaque mention, cette entreprise peut sembler être la marque de caméras la plus populaire. Mais si l'on ne compte que les sites Web mentionnant spécifiquement les caméras, une autre marque peut s'avérer plus prédominante. L'étude a montré que la machine prête attention à cette popularité spécifique, centrée sur la catégorie. Elle classe les marques en fonction de leur visibilité au sein de leur domaine spécifique, et non de leur simple célébrité générale.

Pour tester si ce modèle se vérifiait pour de nouvelles catégories, le chercheur a appliqué la même méthode aux logiciels de signature électronique, un groupe de marques qu'il n'avait pas étudiées auparavant. Il a mesuré la fréquence à laquelle chaque marque apparaissait sur des sites Web liés à la signature de documents et l'a comparée à la fréquence à laquelle la machine les incluait dans ses listes de recherche simulées. Les résultats correspondaient presque parfaitement. Les marques qui apparaissaient le plus souvent sur les sites Web pertinents étaient celles que la machine choisissait d'inclure dans sa liste courte. Cela suggère que le classement interne de la machine est profondément lié à la manière dont les marques sont représentées sur le Web, spécifiquement dans le contexte de la question posée. La machine n'invente pas ces préférences ; elle reflète la structure de l'information qu'elle a apprise d'Internet.

La recherche a également écarté plusieurs autres explications possibles. Elle a testé si la machine préférait simplement certaines marques à d'autres lors de la lecture de textes, indépendamment de la requête de recherche. Lors d'un test, la machine s'est vu présenter trois descriptions identiques d'une entreprise fictive, seul le nom de la marque ayant été modifié. Elle a systématiquement choisi une marque plutôt que les autres, montrant une légère préférence. Cependant, cette préférence ne correspondait pas aux marques qu'elle choisissait pour ses requêtes de recherche. La machine peut aimer une marque lorsqu'elle lit une description, mais elle choisit des marques différentes lorsqu'elle décide de quoi effectuer une recherche. Cela prouve que la décision d'inclure une marque dans une requête de recherche est un processus distinct de la simple préférence pour un nom de marque. L'étude a également vérifié si la suppression des sites Web de faible qualité ou des doublons changerait les résultats. Cela ne fut pas le cas. Le lien entre la visibilité sur le Web et les choix de la machine est resté fort même après le nettoyage des données.

En fin de compte, l'étude brosse un portrait clair du fonctionnement de ces machines dotées de fonctions de recherche. Elles ne sont ni des générateurs de texte aléatoires, ni de simples moteurs de recherche qui listent tout ce qu'ils trouvent. Ce sont des systèmes qui effectuent une série de choix contraints. Elles possèdent une vaste quantité d'informations, mais lorsqu'elles doivent poser une question à Internet, elles doivent compresser ce savoir en une liste très courte. Les marques qui passent ce filtre sont celles qui sont non seulement connues, mais aussi hautement visibles dans le contexte spécifique de la question. Pour qu'une marque soit vue par ces systèmes, il ne suffit pas qu'elle existe ; elle doit être prédominante dans les conversations appropriées. Le premier brouillon de la machine est un gardien, et la clé pour franchir cette porte n'est pas seulement d'être célèbre, mais d'être l'option la plus pertinente pour le sujet précis traité. Cette analyse change notre façon de concevoir la visibilité à l'ère de l'intelligence artificielle, déplaçant l'attention de la simple présence en ligne vers une association claire et spécifique avec les questions que posent les utilisateurs.

Résumé technique : L'exposition web conditionnée par catégorie suit la présence de marque dans les requêtes de diffusion de ChatGPT

Énoncé du problème
Les modèles de langage (LLM) dotés de capacités de recherche, comme ChatGPT, génèrent souvent une « requête de diffusion » ( $q_1$ ) — une requête de recherche réécrite — avant de récupérer des résultats web. Des recherches antérieures ont établi que les marques nommées dans cette requête initiale sont citées beaucoup plus fréquemment (68,9 %) que celles récupérées ultérieurement (2,1 %), créant un avantage de visibilité de type « pré-récupération ». Cependant, un puzzle critique subsiste : le modèle omet souvent des marques qu'il connaît pourtant clairement lors de cette requête initiale. Il n'est pas clair si ces omissions découlent d'un manque de connaissances paramétriques, d'un mécanisme d'exclusion spécifique ou d'une contrainte sur le nombre de marques que le modèle est prêt à lister. De plus, on ignore si la position d'une marque dans le classement des candidats sous-jacents est prévisible par son exposition web, spécifiquement lorsqu'elle est conditionnée par la catégorie de produit pertinente.

Méthodologie
L'étude utilise la famille de modèles gpt-5.6-luna et un ensemble fixe de 50 prompts non marqués répartis dans six catégories de produits (marketing par email, CRM, helpdesk, gestionnaires de mots de passe, gestion de projet et appareils photo), ainsi qu'une catégorie de signature électronique tenue à l'écart. La méthodologie distingue trois comportements distincts :

Accessibilité : Mesurée via des prompts de rappel sans recherche (« search-off ») où le modèle liste les marques qui lui viennent à l'esprit sans récupération.
Invitation : Mesurée via des requêtes de diffusion en direct ( $q_1$ ) émises via l'API OpenAI Responses avec web_search activé.
Profondeur des candidats : Mesurée à l'aide d'un simulateur de requête de diffusion. Il s'agit d'un prompt de réécriture personnalisé (sans recherche) qui génère $q_1$ sans récupération. Le simulateur est validé par rapport aux données réelles et soumis à un « balayage de budget » où le nombre de marques nommées ( $K$ ) est fait varier (1, 2, 3, 5, 8, 12).

À partir du balayage de budget, l'auteur définit un seuil d'entrée ( $K_{50}$ ) : le plus petit $K$ auquel une marque apparaît dans au moins 50 % des prompts. Cette métrique quantifie la profondeur à laquelle une marque se situe dans le classement interne des candidats du modèle.

L'exposition web est mesurée via le Common Crawl de janvier 2026. L'étude décompte les hôtes uniques (eTLD+1) où le nom de la marque apparaît à l'intérieur de 480 octets d'une expression spécifique à la catégorie (« exposition proche de la catégorie »). Cela est contrasté avec les décomptes « non plafonnés » (toute mention) et les décomptes filtrés par des classificateurs de qualité de type GPT-3 et une déduplication floue.

Résultats clés

La connaissance ne garantit pas l'invitation : Le modèle peut posséder une forte connaissance paramétrique d'une marque tout en l'omettant de la requête de diffusion. Par exemple, le modèle se rappelle « Campaign Monitor » dans 49/50 essais sans recherche, mais ne l'inclut que dans 1/50 requêtes de diffusion en direct. Des écarts similaires existent pour Hasselblad, Pentax et Basecamp. Cela confirme que $q_1=0$ n'est pas nécessairement un échec de connaissance, mais un événement de sélection.
L'effet de budget : L'omission de marques connues est déterminée à l'étape de la rédaction de la requête et est pilotée par une contrainte de « budget ». Dans le simulateur, lorsque le budget ( $K$ ) augmente, les marques précédemment bloquées (ex. : Campaign Monitor, Hasselblad) réapparaissent. La corrélation entre la sélection de marques du simulateur et la $q_1$ réelle est extrêmement élevée (rho de Spearman = 0,965). L'étude infère que le réécrivain de production opère sous une limite fixe et restreinte sur le nombre de marques qu'il nomme, causant l'élagage des marques ayant un rappel élevé mais un rang interne inférieur.
L'exposition suit la profondeur, pas seulement la présence : L'« exposition par hôte unique conditionnée par la catégorie » d'une marque est fortement corrélée à son seuil d'entrée ( $K_{50}$ $K_{50}$ ).
- Sur 29 marques, $\rho = +0,76$ .
- Sur 25 marques avec un $K_{50}$ défini, $\rho = +0,85$ .
- Dans une catégorie de signature électronique tenue à l'écart, $\rho = +0,986$ .
- Crucialement, le conditionnement par catégorie est essentiel pour les entreprises multi-catégories. Les décomptes non plafonnés (mentions totales) classent incorrectement Sony au-dessus de Canon pour les appareils photo ; les décomptes proches de la catégorie classent correctement Canon en premier, correspondant à leurs positions $K_{50}$ .
Robustesse : L'application de filtres de qualité de type GPT-3 et de la déduplication floue aux données d'exposition n'a pas renforcé la corrélation ( $\Delta\rho = -0,032$ ). De plus, l'étude démontre que la préférence du modèle pour une marque dans une tâche de sélection de documents à « choix forcé » (où il choisit un passage parmi trois identiques) est distincte de son classement de requête de diffusion, excluant ainsi une variable unique de « préférence de marque ».

Signification et affirmations
L'article affirme fournir une mesure de la sélection de marque par diffusion, et non un compte rendu causal de la manière dont le classement est entraîné. Ses principales contributions sont :

Séparation des concepts : Distinction entre accessibilité (connaître une marque), rang des candidats (sa position dans la liste) et invitation (si elle figure dans la courte requête).
L'instrument $K_{50}$ : Introduction d'une mesure graduée de la profondeur de marque qui révèle l'« effet de budget » derrière les observations binaires d'inclusion/exclusion.
Association Exposition-Profondeur : Établissement du fait que l'exposition web conditionnée par la catégorie suit avec une grande fidélité la profondeur du classement des candidats sous-jacent ( $K_{50}$ ), même sans preuve causale que l'exposition entraîne le classement.

L'auteur déclare explicitement qu'il ne prétend pas avoir identifié l'étape de formation spécifique (pré-entraînement vs post-entraînement) responsable du classement, ni qu'il prétend que $K_{50}$ est un paramètre littéral du système déployé. Il soutient plutôt que la division « gagnant/perdant » dans la recherche générative est largement un artefact de seuil dû à un petit budget, et que pour les marques situées sous le seuil, la métrique pertinente est leur profondeur dans la distribution des candidats, laquelle est prévisible par l'exposition web spécifique à la catégorie.

Articles similaires