« La guerre du « Share of Model » : Le nouveau KPI secret que les startups s’arrachent pour séduire les investisseurs »

Pourquoi tout le monde parle soudain de « share of model »

Il y a encore deux ans, la conversation était simple. Trafic. CAC. ROAS. SEO vs SEA. Et puis voilà, sans prévenir, les parcours d’achat se sont mis à glisser ailleurs. Pas complètement, pas d’un coup. Mais assez pour que ça pique.

Aujourd’hui, beaucoup de startups ne se battent plus seulement pour remonter sur Google ou pour acheter des clics. Elles se battent pour être citées par ChatGPT, Claude, Perplexity. Pour apparaître dans une réponse qui ressemble à un comparatif, une shortlist, une recommandation de pote un peu trop bien informé.

Le concept derrière le buzz a un nom qui sonne comme une métrique inventée par un growth qui aime les tableurs.

Le « share of model ».

Définition simple, sans chichi : c’est la part de présence ou de visibilité d’une marque dans les réponses des modèles d’IA générative, sur un ensemble de requêtes donné. Tu prends un corpus de prompts représentatifs. Tu interroges des modèles. Et tu regardes si, quand quelqu’un demande « meilleur outil X », « alternative à Y », « quel SaaS pour Z », ta marque est mentionnée, recommandée, et comment.

Pourquoi c’est devenu un sujet maintenant ? Parce que les usages basculent. Pas juste « les gens testent l’IA ». Non. Ils s’en servent pour chercher, comparer, décider. Ils veulent une synthèse. Ils veulent un avis. Ils veulent gagner du temps. Et ils ont pris l’habitude de poser la question à un assistant plutôt que d’ouvrir dix onglets.

Derrière, les investisseurs observent un truc très concret : si les clics diminuent, si les réponses deviennent directes, si la distribution se déplace, alors la visibilité dans les modèles devient un signal. Un signal de traction de marque, de distribution organique, et parfois de « moat » dans un monde où l’attention est filtrée par des IA.

Le but de cet article, c’est de comprendre ce KPI, de voir comment le mesurer proprement, et comment l’améliorer sans tomber dans le bullshit. Parce que oui, c’est tentant de faire n’importe quoi. Et ça se voit vite.

Le problème avec les KPI « classiques » à l’ère des assistants IA

Le SEO et le SEA n’ont pas disparu. Loin de là. Mais ils ne racontent plus toute l’histoire.

On vit une montée du zéro clic. Des réponses directes. Des résumés. Des « voici les meilleurs outils » affichés sans que tu aies besoin de visiter un site. Même quand il y a un lien, tu sens que la décision peut se prendre avant le clic.

Et du coup, les métriques web traditionnelles ont un angle mort énorme : elles mesurent des impressions et des clics. Elles ne mesurent pas la recommandation.

Or, ce qui change vraiment, c’est ça : la décision se prend parfois dans la réponse de l’IA. Le prospect lit une shortlist. Il retient deux noms. Il va peut être chercher l’un des deux plus tard. Ou il demande « compare A et B ». Mais toi, si tu n’étais pas dans la première réponse, tu n’existes pas.

Exemples très simples, qu'on a tous vus :

• « Quel est le meilleur outil de gestion de projet pour une équipe remote ? »
• « Alternative à Notion pour une base de connaissances ? »
• « Quel CRM pour une startup B2B en phase seed ? »
• « Logiciel pour automatiser la facturation dans une PME ? »

Sur ces requêtes, un modèle va souvent sortir une shortlist. Parfois 3 outils. Parfois 5. Avec deux lignes d'explication chacun. Et si ton produit n'est pas cité, tu peux avoir le meilleur site du monde, ça ne compense pas ce moment là.

Donc oui, on a besoin d'une métrique adaptée. Un truc qui colle au nouveau parcours. C'est là que le « share of model » arrive.

Share of model : définition opérationnelle (et ce que ce n'est pas)

On va être très clair, sinon ça part en débat stérile.

Définition opérationnelle : le « share of model » est le pourcentage de réponses où votre marque apparaît, par mention et ou par recommandation, sur un corpus de prompts représentatif d'un marché, d'un persona et d'une intention.

Et comme ce n'est pas binaire, on distingue généralement plusieurs niveaux :

• Mention : la marque est citée, mais sans préférence claire.
• Recommandation : la marque est proposée comme un bon choix.
• Classement : top 1, top 2, top 3, ou simplement position dans une liste.
• Sentiment : positif, neutre, négatif. Oui, ça compte. Être cité comme un mauvais exemple, c'est aussi une présence.

Ce KPI ne mesure pas :

• le revenu,
• la rétention,
• le product market fit,
• la qualité produit réelle,
• la satisfaction client.

Il peut y être corrélé, mais ce n'est pas la même chose. Le « share of model », c'est un KPI de distribution et de marque. Pas un KPI produit. C'est comme la notoriété, mais filtrée par un modèle.

Mini glossaire rapide, parce que sinon on se perd :

• Prompts : les questions que tu poses au modèle.
• Corpus : la liste structurée de prompts que tu utilises pour mesurer.
• Modèles : ChatGPT, Claude, Perplexity, etc. Et parfois plusieurs versions.
• Sources et citations : certains assistants affichent des liens, d'autres non. Ça change la stratégie.
• Agents : des IA qui ne se contentent pas de répondre, mais qui exécutent des tâches.
• RAG (retrieval augmented generation) : quand un modèle va chercher des documents, des pages, des sources externes pour répondre.

Ok. Maintenant le vrai sujet : pourquoi tout le monde se jette dessus.

Pourquoi les startups se l'arrachent pour séduire les investisseurs

Vu côté investisseur, l'idée est séduisante.

Si votre marque est spontanément citée par les modèles, vous gagnez un canal d'acquisition émergent. Un canal où l'utilisateur arrive déjà « pré chauffé » parce qu'il a reçu une recommandation synthétique, pas juste un lien bleu.

Et ça peut devenir un signal de crédibilité. Parce que, dans beaucoup de cas, la présence dans les réponses reflète un écosystème : contenus, avis, comparatifs, mentions presse, discussions publiques, backlinks, pages bien structurées. Ce n'est pas magique. C'est rarement « juste de la chance ».

Il y a aussi un effet composant, une boucle de visibilité. Plus tu es cité, plus les gens te recherchent. Plus ils te recherchent, plus ils parlent de toi. Plus ils en parlent, plus tu remontes dans l'écosystème de texte que les modèles captent ou consultent. Ça nourrit un cercle qui peut être très fort dans une catégorie.

Ce que certains VCs lisent là dedans :

• efficacité marketing sans brûler du cash,
• différenciation claire,
• traction organique,
• potentiel de catégorie, voire leadership naissant.

Mais. Et c'est important. C'est aussi une vanity metric potentielle.

Donc si tu veux l'utiliser sérieusement, il faut le rendre « audit able ». Méthodo. Transparence. Répétabilité. Sinon, ça ressemble à un score inventé la veille du board.

Comment mesurer le share of model (sans se raconter d'histoires)

La mesure, c'est là où tout se joue. Et aussi là où beaucoup trichent, parfois sans s'en rendre compte.

Étape 1 : choisir le périmètre

Tu définis :

• marchés et pays,
• langues,
• personas,
• intents : découverte, évaluation, achat, support.

Une startup peut avoir un excellent score sur des prompts « découverte », et être inexistante sur des prompts « achat ». Ça n'a pas la même valeur.

Étape 2 : construire un corpus de prompts

Tu construis une liste qui ressemble à la vraie vie. Pas à ce que tu aimerais que les gens demandent.

Mix typique :

• comparatifs : « X vs Y »
• « meilleur »
• « prix »
• « alternative »
• « pour [cas d'usage] »
• « pour [industrie] »

Exemple de mini corpus (à adapter) :

1. « Quel est le meilleur logiciel de [catégorie] pour une startup B2B ? »
2. « Quelles alternatives à [concurrent] pour [cas d'usage] ? »
3. « [catégorie] : quels outils ont le meilleur rapport qualité prix ? »
4. « Quel outil choisir pour [tâche] si on a une petite équipe ? »
5. « Compare [marque A] et [marque B] sur les fonctionnalités et le prix »
6. « Quel est l'outil le plus simple à déployer pour [industrie] ? »
7. « Quel SaaS recommandes tu pour automatiser [process] ? »
8. « Quels outils utilisent souvent les équipes [métier] ? »
9. « Quel outil est le plus adapté si on a des contraintes de sécurité ? »
10. « Quelles sont les meilleures options open source ou self hosted pour [catégorie] ? »

Tu peux faire 30 prompts. 100 prompts. L'important, c'est que ce soit stable, documenté, et représentatif.

Étape 3 : choisir les modèles et les conditions

Tu notes :

• quel modèle,
• quelle version,
• quel mode : web ou non,
• quelle localisation si possible,
• si l'historique est neutralisé.

Et tu fais plusieurs runs. Parce qu'une seule réponse, c'est du bruit.

Étape 4 : scorer avec une grille claire

Voilà une grille simple, utilisable dans un tableur.

Grille de scoring par prompt :

• Mention de la marque : 0 ou 1
• Recommandation explicite : 0 ou 1
• Position : 0 si absent, 1 si cité au delà du top 5, 2 si top 4 ou 5, 3 si top 2 ou 3, 4 si top 1
• Sentiment : -1 négatif, 0 neutre, +1 positif
• Présence de preuve ou justification (ex : cas d'usage, points forts) : 0 ou 1
• Erreur factuelle détectée sur votre marque : 0 ou 1 (oui, il faut le suivre)

Après, tu peux pondérer. Par exemple, les prompts « achat » valent x2 par rapport aux prompts « découverte ». Ça se défend.

Étape 5 : calculer les taux

Tu sors au minimum :

• taux de mention,
• taux de recommandation,
• présence top 3,
• distribution des concurrents,
• sentiment moyen,
• taux d'erreurs factuelles.

Étape 6 : normaliser et suivre

Tu fais un tableau de bord mensuel. Segmenté par intent. Avec une alerte si chute brutale.

Format de reporting simple, que tu peux littéralement envoyer à un investisseur :

• période : mai 2026
• corpus : 60 prompts, 3 intents, FR et EN
• modèles testés : X, Y, Z
• runs : 3 par prompt
• résultats clés : mention, reco, top 3, sentiment
• points qualitatifs : « sur les prompts sécurité, notre marque progresse mais confusion sur la fonctionnalité SSO »
• actions : « mise à jour des pages docs + page comparaison + communiqué »

Ça ressemble à un audit. Pas à un vanity score.

Les facteurs qui influencent la présence d'une marque dans les réponses IA

Il n'y a pas un bouton magique. Il y a un ensemble de signaux qui rendent votre marque plus citée, plus facilement, plus proprement.

Premier bloc : des contenus indexables et citables.

• pages claires, bien structurées,
• guides,
• comparatifs,
• documentation,
• glossaires,
• études de cas.

Les modèles aiment ce qui est facile à résumer. Les pages qui définissent clairement un concept, qui listent des étapes, qui comparent honnêtement.

Deuxième bloc : autorité et signaux externes.

• mentions presse,
• backlinks,
• discussions publiques,
• communautés,
• conférences,
• podcasts.

Si tout le monde parle d'un outil dans des endroits visibles, il finit par apparaître dans les synthèses. Parfois même si le produit n'est pas si bon. Oui, c'est frustrant.

Troisième bloc : cohérence des entités.

Ton nom de marque. Ton produit. Tes acronymes. Les variations orthographiques. Si tu changes de tagline tous les trois mois, si ton produit a trois noms, si ton domaine ne correspond pas, tu crées de la confusion.

C'est ce qu'on peut appeler l'entity SEO. Ce n'est pas sexy, mais c'est souvent ce qui débloque des gains.

Quatrième bloc : fraîcheur et cadence.

• pages mises à jour,
• lancements,
• changelog public,
• roadmap partagée.

La fraîcheur compte surtout pour les assistants qui s'appuient sur des sources web.

Et pour le B2B, il y a des pages qui performent presque systématiquement :

• « alternatives à… »
• « [outil] vs [outil] »
• pages use cases orientées résultats.

Pas des pages agressives. Des pages utiles. Nuancées. Avec des critères.

Stratégies concrètes pour augmenter son share of model (sans spam)

On va éviter les hacks. Les hacks se retournent contre toi, et en plus ça vieillit mal.

Mettre à niveau les fondations

Tu veux des pages piliers :

• page catégorie : « qu'est ce que [catégorie] », pour qui, comment choisir
• pages cas d'usage
• pages industries
• pages sécurité et conformité si B2B
• docs accessibles et indexables

Et tu bosses la structure interne. Le maillage. Les ancres. Les données structurées quand c'est pertinent. Pas pour « plaire à Google ». Pour rendre l'information stable et réutilisable.

Créer des contenus « réponse ready »

Concrètement :

• définitions simples,
• cadres,
• checklists,
• templates,
• comparatifs honnêtes.

Le mot important, c'est honnête. Tu compares, tu reconnais où tu es faible. Parce que sinon, ça ressemble à du marketing, et ça se cite moins bien.

Capitaliser sur la marque

Tu stabilises :

• une tagline,
• un message unique,
• 3 différenciateurs faciles à répéter.

Pas 12 bénéfices. Trois. Ceux que tu veux voir ressortir dans une réponse IA.

Approche « prompt intelligence »

Tu analyses les formulations qui déclenchent la mention de ta marque.

Tu remarques que tu apparais quand on demande « pour une équipe remote », mais pas quand on demande « pour une PME industrielle » ? Ça te dit où créer un contenu. Où ajouter une étude de cas. Où clarifier ton positionnement.

Mini plan 30 60 90 jours (early stage)

30 jours :

• définir le corpus et lancer une baseline
• corriger les incohérences d'entités (noms, pages, meta, profils)
• publier 2 pages piliers et 1 page « vs » propre

60 jours :

• publier 4 contenus réponse ready (checklist, guide, template, comparatif)
• obtenir 3 mentions externes ciblées (podcast, newsletter, article invité)
• documenter un changelog public et une page sécurité basique

90 jours :

• ajouter 3 études de cas orientées résultats
• lancer une page « alternatives » qui répond vraiment aux critères d'achat
• refaire la mesure share of model et relier au pipeline (démos, leads)

Simple. Régulier. Pas glamour. Mais c'est ça qui marche.

Les pièges : métrique manipulable, hallucinations, et faux positifs

Oui, le « share of model » est manipulable. Et parfois, il se manipule tout seul, juste à cause du chaos des modèles.

Premier piège : hallucinations et erreurs d'attribution.

Le modèle peut attribuer à ta marque une fonctionnalité que tu n'as pas. Ou confondre avec un concurrent. Ou te citer hors contexte. Si tu prends ça comme un signal positif sans vérifier, tu te mens.

Deuxième piège : biais de disponibilité.

Une marque très médiatisée surperforme souvent, même si ce n'est pas le meilleur produit pour le cas d'usage. Les modèles synthétisent des signaux publics. Pas la vérité absolue.

Troisième piège : reproductibilité.

Les réponses varient selon :

• les runs,
• la localisation,
• l'historique,
• le modèle,
• le mode web ou non.

Donc il faut limiter le bruit : multi runs, validation humaine, pondération par intents d'achat, contrôle du sentiment.

Et surtout, principe à marteler : le share of model doit corréler avec des métriques business pour être utile.

Leads qualifiés. Démos. Pipeline. Recherche de marque. Si ton score monte mais que rien ne bouge, c'est peut être juste du vent. Ou un mauvais corpus. Ou une mauvaise pondération.

Comment en parler à un investisseur (pitch + preuves)

Tu ne le présentes pas comme un trophée. Tu le présentes comme un indicateur de distribution émergente.

Le pitch tient en quelques phrases :

• « On mesure notre visibilité dans les assistants IA sur un corpus stable de requêtes d'achat et de découverte. »
• « On suit la part de mentions, la part de recommandations, et la présence top 3, par modèle et par langue. »
• « Et on relie ça à des signaux business : demandes de démo, recherche de marque, leads entrants. »

Ensuite tu montres la méthode. Corpus. Modèles testés. Fréquence. Évolution. Tu veux que ce soit audit able.

Tu peux aussi apporter des preuves qualitatives :

• captures de réponses sur des requêtes clés,
• exemples de leads « assistés par IA » : le prospect dit « je vous ai trouvés via ChatGPT », ou il copie colle la réponse dans son email,
• évolution de la demande de démo sur les semaines où le score grimpe.

Et tu présentes un moat défendable :

• contenu propriétaire,
• data,
• partenariats,
• marque,
• communauté.

Une slide type, très simple :

• graphique « share of model top 3 » sur 6 mois
• en dessous, courbe « demandes de démo » ou « recherche de marque »
• à droite, 3 actions qui expliquent la progression

Pas besoin d'en faire des tonnes. Juste être crédible.

Le futur : de « share of model » à « share of agent » (et pourquoi ça compte)

On est encore au stade où les IA répondent. Mais la pente est claire : les agents ne vont pas فقط répondre, ils vont exécuter.

Réserver. Acheter. Installer. Intégrer. Configurer. Faire un choix d'outil dans une stack. Et parfois, choisir sans toi.

Conséquence : être « choisi » par un agent vaudra plus qu'un clic, et parfois plus qu'une mention. Parce que c'est une action.

Pour les startups, ça implique des choses très concrètes :

• packaging plus clair,
• API solides,
• intégrations,
• listings dans les bons catalogues,
• compatibilité,
• preuves de sécurité et de fiabilité.

Et de nouveaux KPI dérivés vont apparaître :

• taux de sélection par agent,
• taux de conversion post recommandation,
• coût d'acquisition agentic,
• taux de succès d'intégration.

Le conseil ici est presque boring, mais vrai : construire une présence robuste et vérifiable, plutôt que courir après un score. Les agents vont préférer ce qui est fiable, documenté, et facile à intégrer.

Conclusion : le KPI est nouveau, la règle reste la même

Récap rapide.

Le « share of model », c'est un signal de visibilité dans les réponses IA. Ça peut être très utile, mais seulement si c'est mesuré proprement, suivi dans le temps, segmenté par intent, et relié au business.

Gagner dans les modèles ne passe pas par des astuces. Ça passe par clarté, crédibilité, preuves, et présence sur les bons canaux. Et une identité stable. Une marque que l'IA peut citer sans hésiter.

Dernière ligne directrice, celle qui évite 80 % des dérives :

Ne cherchez pas à tromper le modèle. Rendez la vérité plus facile à citer.

Questions fréquemment posées

Qu'est-ce que le « share of model » et pourquoi est-il important aujourd'hui ?

Le « share of model » désigne la part de visibilité ou de présence d'une marque dans les réponses fournies par les modèles d'IA générative, sur un ensemble de requêtes représentatives. Il est crucial car les parcours d'achat évoluent : les utilisateurs s'appuient désormais sur des assistants IA pour chercher, comparer et décider, ce qui déplace la visibilité des clics traditionnels vers la recommandation directe dans les réponses d'IA.

Comment le « share of model » se différencie-t-il des KPI classiques comme le SEO ou le SEA ?

Contrairement aux KPI classiques qui mesurent impressions et clics, le « share of model » évalue la fréquence et la qualité de la mention d'une marque dans les réponses des modèles d'IA. Avec la montée du zéro clic et des réponses directes, ces métriques traditionnelles ne captent plus l'influence réelle sur la décision d'achat prise via l'IA.

Quels sont les différents niveaux de présence pris en compte dans le « share of model » ?

Le « share of model » distingue généralement plusieurs niveaux : la mention (la marque est citée sans préférence claire), la recommandation (la marque est proposée comme un bon choix), et le classement (position précise dans une liste, par exemple top 1, top 2). Cela permet d'affiner l'analyse de la visibilité effective dans les réponses IA.

Pourquoi les startups doivent-elles s'intéresser au « share of model » ?

Les startups ne se battent plus uniquement pour remonter sur Google ou acheter des clics ; elles doivent aussi apparaître dans les recommandations des assistants IA comme ChatGPT ou Claude. Être cité dans ces réponses influence directement la décision client, offrant un avantage concurrentiel essentiel à l'heure où l'attention est filtrée par l'IA.

Comment mesurer efficacement le « share of model » ?

Pour mesurer le « share of model », il faut constituer un corpus de prompts représentatifs du marché, du persona et de l'intention, interroger plusieurs modèles d'IA générative, puis analyser la fréquence et le contexte des mentions ou recommandations de la marque. Cette méthode permet d'obtenir un KPI adapté au nouveau parcours client dominé par l'IA.

Quels sont les risques liés à une mauvaise approche du « share of model » ?

Il est tentant de vouloir améliorer artificiellement son « share of model », mais une approche non sincère ou manipulatrice peut rapidement être détectée et décrédibiliser la marque. Il faut donc viser une amélioration authentique basée sur la valeur réelle du produit ou service, sous peine de tomber dans le bullshit marketing inefficace.