ChatGPT, Perplexity ou Gemini ne construisent pas une shortlist fournisseur comme un annuaire.
L’IA part d’une question, cherche une catégorie lisible, identifie des critères de choix, mobilise des preuves disponibles et propose des options qu’elle peut justifier.
Dans un achat B2B, c’est décisif : votre marque peut être connue, citée ou bien référencée, mais rester absente de la shortlist si l’IA ne sait pas pourquoi elle devrait vous retenir.
Réponse courte
Une IA construit généralement une shortlist fournisseur en combinant six signaux :
| Signal | Question implicite de l’IA | Risque pour la marque |
|---|---|---|
| Intention | Quel problème l’acheteur veut-il résoudre ? | Être visible sur le mauvais cas d’usage |
| Catégorie | Dans quelle famille d’options faut-il chercher ? | Être rangé dans une catégorie trop générique |
| Critères | Quels critères rendent une option pertinente ? | Être comparé sur prix, notoriété ou disponibilité |
| Preuves | Qu’est-ce qui rend la recommandation défendable ? | Être cité sans preuve reprise |
| Sources | Quelles sources corroborent la comparaison ? | Dépendre d’une source fragile ou défavorable |
| Contraintes | Quelles limites éliminent certaines options ? | Être exclu par un critère que vous n’avez pas documenté |
Le sujet n’est donc pas seulement : “Sommes-nous cités ?”
Le sujet devient :
Sommes-nous faciles à retenir quand l’IA doit justifier une recommandation fournisseur ?
Les critères changent selon le métier
Une IA ne recommande pas toutes les entreprises avec la même grille. La logique de shortlist change selon le métier, la fréquence d’achat, le niveau de risque, la localisation et les sources disponibles.
Pour un service local récurrent, comme un coiffeur, un restaurant ou un paysagiste, l’IA peut accorder beaucoup de poids à la fiche Google Business Profile, à la note moyenne, au volume d’avis, à la fraîcheur des avis, à la proximité et au sentiment exprimé par les clients.
Pour une profession intellectuelle dans la même ville, comme un expert-comptable, un avocat ou un consultant spécialisé, la grille peut être différente. L’IA va plus facilement chercher les spécialisations, les types de clients servis, l’ancienneté d’implantation, les secteurs couverts, les preuves d’expertise et la clarté du site.
| Type de marché | Critères souvent visibles pour l’IA | Risque si vous documentez mal |
|---|---|---|
| Service local récurrent | Proximité, note, avis, disponibilité, sentiment client | Être absent ou mal classé malgré une bonne expertise |
| Profession intellectuelle locale | Spécialisation, ancienneté, typologie client, expertise sectorielle | Être comparé comme un prestataire généraliste |
| Achat B2B complexe | Critères de choix, preuves, cas d’usage, intégration, risques | Être cité sans entrer dans la shortlist |
| Offre réglementée ou technique | Standards, conformité, seuils, preuves, limites d’usage | Être comparé à des options moins robustes |
| Offre premium | Risque évité, coût d’une mauvaise décision, critères de rejet | Être réduit à une option plus chère |
Le travail GEO ne consiste donc pas seulement à être cité par ChatGPT. Il consiste à comprendre la grille de critères que l’IA applique à votre marché, puis à rendre ces critères visibles, vérifiables et faciles à reprendre.
Ce que montrent les données Beyond Mentions
Dans la première vague consolidée de l’Observatoire Beyond Mentions, nous avons analysé 4 320 réponses Perplexity sonar sur 3 jours UTC, avec 6 passes par question et par jour.
Ces chiffres ne décrivent pas toutes les IA ni tous les marchés. Ils décrivent un corpus contrôlé qui permet d’observer comment des réponses IA mobilisent sources, preuves, catégories et logique de shortlist.
| Signal observé | Volume dans le corpus | Lecture utile |
|---|---|---|
| Source dependency | 4 137/4 320 (95,8%) | Les réponses dépendent fortement de sources réutilisables |
| Proof reuse | 3 714/4 320 (86,0%) | Les preuves documentées sont souvent reprises dans les justifications |
| Documentation and proof | 2 687/4 320 (62,2%) | La documentation agit comme une infrastructure de décision |
| Shortlist and vendor evaluation | 2 168/4 320 (50,2%) | Une réponse sur deux active une logique de fournisseur, de shortlist ou d’évaluation |
| Criteria reuse | 1 464/4 320 (33,9%) | Les critères explicites peuvent structurer la comparaison |
| Category compression | 1 061/4 320 (24,6%) | Une offre visible peut être comprise dans la mauvaise catégorie |
Le signal Shortlist and vendor evaluation est central : dans ce corpus, les réponses IA ne se limitent pas à informer. Elles entrent souvent dans une logique de sélection.
La mécanique d’une shortlist IA
1. La question fixe le terrain de jeu
Une même marque peut être retenue ou écartée selon la formulation de départ.
| Question acheteur | Type de shortlist probable |
|---|---|
| ”Quels fournisseurs connus dans cette catégorie ?” | Acteurs visibles et catégories larges |
| ”Quels fournisseurs pour un environnement à risque élevé ?” | Acteurs capables de prouver conformité, robustesse et traçabilité |
| ”Quelle solution choisir si le budget est contraint ?” | Options moins chères, plus simples ou plus standardisées |
| ”Quels prestataires éviter si la preuve technique est faible ?” | Shortlist structurée par critères de rejet |
La première bataille se joue donc dans les questions que l’acheteur pose avant de vous contacter.
2. L’IA choisit une catégorie avant de choisir des noms
Avant de recommander, l’IA doit comprendre dans quelle famille d’options elle cherche.
Si votre catégorie est claire, elle peut comparer les bons acteurs. Si elle est floue, elle peut vous ranger dans une catégorie plus simple.
| Catégorie utilisée par l’IA | Effet sur la shortlist |
|---|---|
| Catégorie précise | Les concurrents et critères sont plus pertinents |
| Catégorie trop large | Vous êtes comparé à des alternatives moins exigeantes |
| Catégorie trop technique | L’acheteur peut ne pas comprendre la valeur |
| Catégorie concurrente | Les standards d’un autre marché structurent la décision |
C’est le lien direct avec le Category Compression Risk : la mauvaise catégorie change la shortlist avant même que votre offre soit évaluée.
3. L’IA applique des critères explicites ou implicites
Une shortlist n’est jamais neutre. Elle repose toujours sur une grille.
Cette grille peut être explicite :
- conformité ;
- preuves disponibles ;
- intégration ;
- spécialisation sectorielle ;
- capacité de déploiement ;
- accompagnement ;
- coût total ;
- limites d’usage.
Elle peut aussi être implicite :
- notoriété ;
- quantité de sources ;
- simplicité du message ;
- disponibilité des cas clients ;
- facilité à expliquer la différence ;
- présence dans les comparatifs existants.
Si vos critères différenciants ne sont pas publiés, l’IA utilise les critères les plus faciles à trouver.
4. L’IA retient les options les plus défendables
Dans un achat complexe, une IA ne cherche pas seulement des fournisseurs. Elle cherche des recommandations qu’un acheteur peut défendre.
| Option facile à défendre | Option difficile à défendre |
|---|---|
| Catégorie claire | Positionnement vague |
| Critères nommés | Claims génériques |
| Preuves vérifiables | Promesses non sourcées |
| Cas d’usage concrets | Liste de fonctionnalités |
| Limites d’usage explicites | Recommandation trop large |
| Sources corroborées | Dépendance à une seule page |
La shortlist favorise donc souvent les marques dont la documentation réduit le risque de mauvaise recommandation.
Les panels Beyond Mentions confirment l’effet du cadrage
Dans le brief Beyond Traffic : mesurer la Decision Presence avant les clics, les mêmes signaux changent fortement selon le type de question posé.
| Panel public | Shortlist / vendor evaluation | Lecture |
|---|---|---|
| Baseline marché | 194/1 152 (16,8%) | Les questions larges activent moins souvent la sélection fournisseur |
| Frontières conceptuelles | 871/1 152 (75,6%) | Les questions de cadrage déclenchent fortement la comparaison |
| Cadrage de lancement | 817/1 152 (70,9%) | La formulation du besoin oriente très tôt la shortlist |
| Compression catégorielle | 615/864 (71,2%) | Les tests de mauvaise catégorie activent massivement la logique de sélection |
La conclusion pratique : pour comprendre votre présence dans les IA, il ne suffit pas de tester votre nom de marque. Il faut tester les questions qui construisent la shortlist avant le premier échange.
Pourquoi un fournisseur est exclu
Une absence dans la shortlist peut venir de plusieurs problèmes différents.
| Symptôme | Cause probable | Correction |
|---|---|---|
| Votre marque est citée ailleurs mais absente de la shortlist | Présence sans préférence | Relier la marque à des critères de sélection |
| Vous apparaissez dans une mauvaise famille d’acteurs | Category fit faible | Clarifier catégorie, cas d’usage et mauvais substituts |
| L’IA recommande des concurrents plus génériques | Vos critères sont implicites | Publier matrices, seuils et critères de rejet |
| Vos preuves ne sont pas reprises | Proof reuse faible | Transformer cas, chiffres et standards en blocs extractibles |
| L’IA vous présente comme cher | Valeur non reliée au risque | Documenter le coût d’une mauvaise décision |
| Une source tierce vous décrit mal | Source dependency défavorable | Créer des sources plus précises et corroborées |
Cette lecture évite une erreur fréquente : croire que l’absence vient seulement d’un manque de visibilité. Souvent, le problème est une absence de justification.
Ce qu’il faut publier pour entrer dans la bonne shortlist
Une page utile pour la shortlist ne vend pas seulement l’offre. Elle aide l’acheteur à choisir correctement.
| Bloc à publier | Ce que l’IA peut en faire |
|---|---|
| Définition de la catégorie | Comprendre dans quelle famille chercher |
| Critères de choix | Comparer les options avec une grille explicite |
| Matrice fournisseur | Différencier les types d’acteurs |
| Preuves vérifiables | Justifier une recommandation |
| Cas d’usage | Relier l’offre à une situation d’achat |
| Limites d’usage | Éviter une recommandation trop large |
| Critères de rejet | Écarter les options insuffisamment documentées |
| FAQ acheteur | Préparer les questions du premier échange |
Le format compte autant que le fond : phrase claire, critère nommé, preuve associée, seuil ou limite quand c’est possible.
Exemple de bloc extractible
Un bloc faible ressemble à ceci :
“Notre solution est robuste, experte et adaptée aux entreprises exigeantes.”
Un bloc plus utile pour une shortlist IA ressemble à ceci :
“Pour un environnement à forte contrainte, un fournisseur doit documenter le standard applicable, la preuve de conformité, le seuil de criticité, le scénario d’exposition et les cas où l’offre doit être écartée.”
La deuxième formulation aide l’IA à comparer, justifier et parfois exclure.
Comment auditer votre shortlist IA
Construisez un corpus de questions acheteur, puis codez les réponses.
| Étape | Question de contrôle |
|---|---|
| Catégorie | Dans quelle catégorie l’IA nous place-t-elle ? |
| Concurrents | Avec qui sommes-nous comparés ? |
| Critères | Quels critères structurent la shortlist ? |
| Preuves | Quelles preuves sont reprises ? |
| Exclusions | Quels critères éliminent des options ? |
| Position | Sommes-nous favori, alternative, absent ou simple source ? |
Répétez les questions plusieurs fois. Une réponse isolée peut varier. Un pattern répété indique une carte cognitive plus stable.
À retenir
Les IA construisent une shortlist fournisseur à partir de ce qu’elles peuvent comprendre et justifier.
Une marque B2B augmente ses chances d’être retenue quand elle rend visibles :
- la bonne catégorie ;
- les bons critères ;
- les preuves vérifiables ;
- les cas d’usage pertinents ;
- les limites d’usage ;
- les critères de rejet ;
- les sources qui corroborent sa valeur.
La vraie question n’est donc pas :
“L’IA connaît-elle notre marque ?”
La vraie question est :
“L’IA sait-elle pourquoi notre marque doit être retenue dans cette situation d’achat ?”
À lire ensuite
- Comment ChatGPT, Perplexity et les LLM influencent-ils les achats B2B ? : pour comprendre le moment où la shortlist commence à se former.
- Comment ChatGPT et les LLM recommandent-ils une entreprise ? : pour voir pourquoi les critères changent selon les marchés.
- Pourquoi je suis cité par ChatGPT ou Perplexity mais je ne vends pas ? : pour distinguer citation, préférence et recommandation.
- Ne pleurez plus vos clics : contrôlez la shortlist générée par l’IA : pour mesurer le Shortlist inclusion rate.
- Documentation Blind Spot : pour transformer vos preuves implicites en blocs réutilisables.
FAQ
Une shortlist IA est-elle fiable ?
Elle peut être utile pour explorer un marché, mais elle doit être vérifiée. Une shortlist IA dépend de la question posée, des sources disponibles, de la catégorie utilisée et des preuves que l'IA peut reprendre.
Pourquoi certains fournisseurs apparaissent-ils plus souvent que d'autres ?
Ils apparaissent souvent parce que leur catégorie est claire, leurs preuves sont publiées, leurs cas d'usage sont faciles à comprendre et plusieurs sources rendent leur recommandation défendable.
Comment entrer dans une shortlist IA ?
Il faut documenter les questions acheteur, les critères de choix, les preuves vérifiables, les limites d'usage, les cas pertinents et les situations dans lesquelles l'offre doit être retenue ou écartée.
Quel KPI suivre pour mesurer la shortlist IA ?
Le KPI principal est le Shortlist inclusion rate, à lire avec la reprise des critères, le Proof reuse, le fit de catégorie et la Decision Share of Voice.
Quelle question l'acheteur pose-t-il à l'IA ?
Quelle simplification documentaire peut abaisser le standard ?
Quel niveau technique doit être formulé clairement ?
Quelles preuves doivent être demandées ou publiées ?
Quel critère permet d'écarter une réponse insuffisante ?